população negra em São Paulo

16 

Loading....

Loading....

Loading....

Loading....

Loading....

Texto

(1)

Relatório​ ​​

|

​ ​Análise​ ​da​ ​mortalidade​ ​por​ ​agressão​ ​na

​ ​​ ​​ ​​ ​população​ ​negra​ ​em​ ​São​ ​Paulo

Analysis​ ​of​ ​mortality​ ​by​ ​aggression​ ​in​ ​black​ ​population​ ​in​ ​Sao​ ​Paulo

Priscila​ ​dos​ ​Santos

Graduanda do Bacharelado em

Planejamento Territorial (UFABC). Contato: priscila.santos@aluno.ufabc.edu.br

Isabella​ ​Aragao​ ​Araujo

Graduanda do Bacharelado em

Planejamento Territorial (UFABC). Contato: isabella.aragao@aluno.ufabc.edu.br

Bruna​ ​de​ ​Souza​ ​Fernandes

Graduanda do Bacharelado em

Planejamento Territorial (UFABC). Contato: b.fernandes@aluno.ufabc.edu.br

Vinícius​ ​Marques​ ​Pitanga

Graduando do Bacharelado em

Planejamento Territorial (UFABC). Contato: v.marques@aluno.ufabc.edu.br

Resumo

Este relatório analisou a taxa de mortalidade por agressão da população negra no Estado de São Paulo em 2010, utilizando dados do Sistema de Informações sobre Mortalidade (SIM), do Sistema Estadual de Análise de Dados (SEADE) do governo do Estado de São Paulo e do Censo Demográfico do Instituto Brasileiro de Geografia e Estatística (IBGE). O modelo final de regressão que analisamos evidenciou que existe relação entre a taxa de mortalidade por agressão da população total e baixos níveis de riqueza​ ​e​ ​desigualdade.

(2)

1. Introdução

De acordo com dados da cartilha do Painel de Indicadores do SUS sobre a saúde

da população negra, enquanto a taxa de

mortalidade por agressão na população branca de 2000 para 2012 decaiu de 20,3 para 14,2 óbitos por agressão por 100.000 habitantes, a mesma taxa para a população negra, além de ser a maior entre os estratos de raça/cor, mostrou um crescimento nos últimos anos, sendo 28,2 em 2000 e 42,0 em

2012. A maior vulnerabilidade das

populações negras frente às instituições e a sociedade pode ser explicada tanto pelo racismo institucional quanto pelo racismo interpessoal, e é refletida em indicadores

sociais de renda, desigualdade,

vulnerabilidade,​ ​urbanização,​ ​dentre​ ​outros. Diante dos dados apresentados, este relatório busca compreender algumas das possíveis variáveis correlacionadas em torno da taxa de mortalidade da população negra e se relacionam com o racismo institucional. Através da coleta e análise dos dados do Sistema de Informações sobre Mortalidade (SIM) em conjunto com variáveis explicativas obtidas no portal da Fundação SEADE, foi

possível levantar os seguintes

questionamentos para a questão da

mortalidade por agressão no estado de São Paulo, com unidade mínima de escala sendo o município: Qual a relação entre as variáveis renda, índice de Gini, IDHM e grau de urbanização e a mortalidade por agressão para populações brancas e negras? E como se diferenciam os grupos de municípios do Índice Paulista de Responsabilidade Social - IPRS​ ​em​ ​relação​ ​às​ ​taxas​ ​de​ ​mortalidade?

2.

​ ​Referencial​ ​Teórico

O histórico da população negra no Brasil tem sido marcado pela desigualdade desde o seu início, no século XVI. Mesmo

após a abolição da escravatura, a ausência de políticas públicas capazes de auxiliar na integração dessa população nos processos

sociais, econômicos e interpessoais

contribuiu para a continuidade de sua marginalização na sociedade brasileira,

sendo muito recentes as políticas

governamentais voltadas para promoção de​ ​igualdade​ ​racial.

O racismo no Brasil foi sendo modelado ao longo da dinâmica do tempo, mas sempre influenciando o acesso e

oportunidades, potencializando

vulnerabilidades e impondo barreiras

sistemáticas​ ​para​ ​a​ ​população​ ​negra. Conectado ao tema do trabalho, podemos destacar duas principais formas de racismo, o institucional e o interpessoal. O​ ​primeiro,​ ​é

“o fracasso das instituições e organizações em prover um serviço profissional e adequado às pessoas em virtude de sua cor, cultura, origem racial ou étnica. Ele se manifesta em normas, práticas e

comportamentos discriminatórios

adotados no cotidiano do trabalho,

os quais são resultantes do

preconceito racial, uma atitude que combina estereótipos racistas, falta

de atenção e ignorância. Em

qualquer caso, o racismo

institucional sempre coloca pessoas

de grupos raciais ou étnicos

discriminados em situação de

desvantagem no acesso a

benefícios gerados pelo Estado e

por demais instituições e

organizações”.​ ​(CRI,​ ​2006,​ ​p.17), enquanto que o segundo refere-se a

comportamentos discriminatórios que

ocorrem entre pessoas, correspondendo ao

tratamento hostil, desrespeitoso e/ou

excludente direcionado às pessoas negras, motivado pela crença em sua inferioridade

(3)

devido a sua raça/cor. É definido como

preconceito e discriminação onde, o

preconceito é o pressuposto diferencial

sobre as habilidades, motivações e

intenções de outros, motivado por raça; e discriminação são ações diferenciais em relação a outros motivados por raça, sendo intencionais ou não, incluindo também atos de​ ​omissão.​ ​(JONES,​ ​s/​ ​data,​ ​p.10-11).

3.

​ ​Metodologia​ ​do​ ​Trabalho

3.1​ ​Escolha,​ ​obtenção​ ​e​ ​tratamento​ ​inicial das​ ​variáveis

Para realizar as análises sobre a mortalidade por agressão da população negra, foram utilizados dados do Sistema de Informações sobre Mortalidade (SIM), do Sistema Estadual de Análise de Dados (SEADE) do governo do Estado de São Paulo e do Censo Demográfico do Instituto Brasileiro​ ​de​ ​Geografia​ ​e​ ​Estatística​ ​(IBGE).

Como variável dependente optou-se pela análise de dados de mortalidade por causas externas do grande grupo da CID-10 de agressões (X85-Y09). Os óbitos foram analisados por local de residência segundo cor/raça, abrangendo os 645 municípios do estado de São Paulo. No uso da variável raça/cor foram considerados o total, além das categorias branca e negra, combinando pretos e pardos nesta última. Para maior precisão nos comparativos foram calculadas três diferentes taxas de mortalidade por agressão por 100.000 habitantes de cada grupo residente nos

municípios de análise, utilizando os

números de ocorrências obtidos no portal do​ ​DATASUS,​ ​da​ ​seguinte​ ​forma:

axMAB

T

=

P opulação branca(OMB x 100.000)

axMAN

T

=

(OMN x 100.000)P opulação negra

axMAT

T

=

(OMN x 100.000)P opulação total 1

1

A primeira fase caracterizou-se pela

escolha das variáveis que seriam

associadas a taxa de mortalidade por

agressão da população negra e a

averiguação de suas correlações. As

variáveis escolhidas para análise foram:

Índice Paulista de Responsabilidade

Social-IPRS, indicador que sintetiza as

condições econômicas e sociais da

população de São Paulo; grau de

urbanização, percentual da população urbana em relação à população total;

Índice de Gini, medida do grau de

concentração de riqueza em determinado

grupo; Índice de Desenvolvimento Humano

Municipal-IDHM​ ​e​ ​​Renda​ ​per​ ​Capita​. 3.2​ ​Análise​ ​exploratória​ ​e​ ​correlação

A segunda etapa metodológica consistiu na realização de análise de

histogramas, estatísticas descritivas,

construção de diagramas de dispersão, box-plots​ ​e​ ​gráficos​ ​Q-Q.

A análise exploratória das três

variáveis de taxa de mortalidade

calculadas anteriormente (branca, negra e total) foi feita de forma individual e posteriormente utilizando como variável do IPRS numérico total figurando na lista de fatores.

A correlação bivariável foi feita com enfoque em analisar os resultados da relação dos três grupos de taxas com as cinco variáveis já listadas no item anterior (IPRS, grau de urbanização, índice de Gini, IDHM​ ​e​ ​renda​ ​per​ ​capita).

- TaxMAB​ ​=​ ​Taxa​ ​de​ ​mortalidade​ ​por agressão​ ​da​ ​população​ ​branca - TaxMAN​ ​=​ ​Taxa​ ​de​ ​mortalidade​ ​por

agressão​ ​da​ ​população​ ​negra - TaxMAT​ ​=​ ​Taxa​ ​de​ ​mortalidade​ ​por

agressão​ ​da​ ​população​ ​total

- OMB​ ​=​ ​Ocorrência​ ​de​ ​óbitos​ ​por​ ​mortalidade na​ ​população​ ​branca

- OMN​ ​=​ ​Ocorrência​ ​de​ ​óbitos​ ​por​ ​mortalidade na​ ​população​ ​negra

- OMT​ ​=​ ​Ocorrência​ ​de​ ​óbitos​ ​por​ ​mortalidade na​ ​população​ ​total

(4)

Após a primeira exploração dos dados percebeu-se a necessidade de lidar com os outliers contidos nos resultados

para melhorar o modelo. Portanto,

realizamos a transformação das variáveis de taxa de mortalidade por agressão em logaritmo​ ​​ ​na​ ​base​ ​10.

3.3.​ ​Regressão​ ​Clássica​ ​e​ ​Regressão Múltipla

A análise de regressão proporciona a capacidade de quantificar precisamente a importância relativa de qualquer variável proposta em um modelo, visando concluir se a hipótese proposta é satisfeita ou não. A equação matemática utilizada para prever o valor da variável dependente (Y) com base​ ​na​ ​variável​ ​independente​ ​(X)​ ​é:

Y=​ ​a​ ​+​ ​bX​ ​+​ ​e

Onde o termo a representa o

intercepto de Y, e refere-se ao nível esperado de Y quando X=0.O termo bé o

coeficiente de regressão para X,

descrevendo assim o valor da variação (aumento ou diminuição) de Y para cada variação de uma unidade de X. Por fim, eé chamado determo de erro,queinterpreta a diferença dos valores que não foram atribuídos​ ​a​ ​​a​ ​e​ ​​bX.

A regressão clássica supõe uma relação linear e se esse não for o caso, há várias transformações que podem ser usadas para transformar a relação em uma linha reta. Do mesmo modo, se casos extremamente atípicos forem observados em um gráfico de dispersão, eles deverão ser​ ​removidos​ ​da​ ​análise.

Um dos componentes do resumo do modelo gerado pelo SPSS é o coeficiente de determinação (R²), utilizado para avaliar

a qualidade do ajuste do modelo.

Basicamente, este coeficiente indica

quanto o modelo foi capaz de explicar os dados coletados através da razão entre a

soma de quadrados da regressão e a soma de quadrados total. Caso R² seja igual a 1, todas as observações caem na linha de regressão ajustada, ou seja, a variável X explica toda a variação nas observações. Mas caso R² seja igual a 0, significa que não existe relação linear em Y e X, ou seja, a variável X não ajuda a explicar a variação dos​ ​Y.

Utilizado para detectar a presença de dependência nos resíduos de uma análise de regressão, a aplicação da estatística de Durbin-Watson informa se a hipótese de

independência dos erros é satisfeita.

Quanto mais próximo de 2 o valor estiver,

melhor. Além de analisarmos a

dependência, devemos avaliar a qualidade de ajuste do modelo, tornando necessário empregar a análise de variância baseada na decomposição da soma de quadrados. A​ ​equação​ ​da​ ​soma​ ​dos​ ​quadrados​ ​é:

SQT​ ​=​ ​SQM​ ​+​ ​SQR

Onde SQT representa a Soma dos Quadrados Total e é uma medida da

variação dos Y quando não se leva em

consideração a variável independente X. Quanto maior for SQT, maior será a variação entre os Y. Já a SQM é a Soma dos Quadrados do Modelo, onde caso a linha de regressão seja horizontal, a SQM será igual a 0. Se caso a Soma de Quadrados Residual (SQR) for igual a 0, isso representa então que as observações caem na linha de regressão. Quanto maior SQR, maior será a variação das observações Y ao redor da​ ​linha​ ​de​ ​regressão.

Outra maneira de avaliar o modelo utilizando a soma dos quadrados é por meio do Teste F. O Teste F tem por base a razão F, que é a razão do quanto o modelo

melhorou na previsão de valores

comparado com o nível de não precisão do modelo. Se a melhoria devido ao ajuste do modelo de regressão for muito maior do a

(5)

variação no interior do modelo, então o valor​ ​de​ ​F​ ​será​ ​maior​ ​do​ ​que​ ​1.

Os parâmetros do modelo de

regressão gerados pelo SPSS apresentam tabelas com coeficientes padronizados (beta), coeficientes não padronizados (b e

erro padrão), razão t, intervalos de

confiança e estatísticas de colinearidade.

Caso todas as variáveis mantenham

constantes, os valores de b nos informam como cada variável afeta a saída. Os valores do Erro Padrão estão associados aos valores b, indicando até que ponto esses valores podem variar entre amostras, e esses erros são utilizados para determinar se os valores b diferem significativamente de zero. Um valor significativo de t revela que a inclinação da linha de regressão é significativamente diferente de uma linha

horizontal. Ou seja, que b é

significativamente​ ​diferente​ ​de​ ​zero.

Interpretar os parâmetros de

coeficientes padronizados é uma tarefa

fácil pois não são dependentes das

unidades de medida das variáveis e representam o número de desvios padrão que o Y sofrerá como resultado de uma alteração de um desvio padrão de X. Como são mensurados em termos de unidades

desvios padrão, os valores de beta

padronizados são comparáveis

diretamente. Os intervalos de confiança para beta são os limites construídos para que em 95% da amostra contenha os

verdadeiros valores de beta. Ao

analisarmos as estatísticas de

colinearidade, o FIV (Fator de Inflação da Variância) pode ser motivo de preocupação se for maior do que 10. Idealmente, deve ficar próximo de 1. A Tolerância do FIV deve ficar​ ​acima​ ​de​ ​0,2.

É importante ressaltar que para

finalizarmos a análise de regressão,

deve-se checar a colinearidade dentro dos dados (FIV, Tolerância) e verificar se os resíduos dos modelos são independentes

através da estatística Durbin - Watson. Para testar a normalidade dos resíduos, é necessário olhar os gráficos dos resíduos padronizados em relação aos valores previstos padronizados, verificando assim se a hipótese é satisfeita e se o modelo pode​ ​ser​ ​generalizado.

3.4​ ​Autocorrelação​ ​Espacial

Para devida compreensão e análise dos dados obtidos, se faz necessário o estudo da autocorrelação espacial​, ​que

consiste em mostrar a ausência de

aleatoriedade de uma variável devido à sua distribuição​ ​espacial​ ​(Rosenberg,​ ​2001).

Tal estudo se deu por meio do software GeoDa, utilizando de matriz de contiguidade do tipo Queen, com ordem de contiguidade 2, que se mostrou mais eficiente em comparação à ordem de contiguidade 1. É importante ressaltar que os dados irrelevantes, ou os “vazios” foram retirados.

Mais a frente, com o uso do Índice de Moran Local Univariado com a taxa de

mortalidade corrigida para que fosse

possível rejeitar a hipótese de

aleatoriedade do resultado, baseado no p-valor​ ​a​ ​ser​ ​encontrado.

O processo descrito foi repetido para as taxas referentes tanto à população negra​ ​quanto​ ​à​ ​população​ ​negra.

3.5​ ​Regressão​ ​Espacial

A regressão clássica acaba por

gerar resíduos, e esses devem ser

analisados, por meio do Índice de Moran, a fim de que se descubra se apresentam correlação espacial ou não. Em caso positivo, pode-se aplicar algum dos tipos de regressão espacial de modo a chegar a um resultado​ ​mais​ ​satisfatório.

Para atestar a necessidade da regressão espacial e escolher o tipo mais adequado (e significante) de regressão

(6)

Multiplicador de Lagrange (Lagrange Multiplier), aquele que for maior - LM-lag ou LM-error - determina se será utilizado o método​ ​Spatial​ ​Lag​ ​ou​ ​Spatial​ ​Error.

Calculado a partir de uma

contiguidade queen de ordem dois, o método Spatial Error se mostrou mais significante tanto para a população negra quanto para a população branca. Devido aos valores do Lagrange Multiplier, foi, portanto, utilizado o método Spatial Error, cuja​ ​fórmula​ ​é:

Y​ ​=​ ​Xβ​ ​+​ ​ρWε​ ​+​ ​ξ

onde ρWε representa a parcela do erro que é modelável, ou em outras palavras, o erro que não é independente no espaço. Enquanto isso, ξ representa o erro que mesmo após o processo Spatial Error ainda

sobra e é, portanto, independente

espacialmente. Foi escolhido o método Spatial Error uma vez que era maior do que o LM-lag tanto para as taxas da população negra​ ​quando​ ​para​ ​as​ ​da​ ​branca.

Os modelos de efeito espacial global, como o spatial error, capturam apenas a correlação espacial em um único parâmetro, pressupondo que o processo espacial analisado é estacionário e pode ser capturado em um único parâmetro. No entanto, isto nem sempre é verdade, por

isso apresenta-se a necessidade de

verificar por padrões de associação

espacial no modelo. O modelo de regressão com efeitos espaciais locais utilizado foi o GWR (Geographically Weighted Regression, ou Região Geograficamente Ponderada), que modela as variáveis espaciais de forma contínua, com parâmetros variando no espaço. Seu princípio parte da ideia da regionalização da área de estudo, obtendo sub-regiões com seus próprios padrões e

realizando regressões separadas para

cada uma delas, ajustando um modelo de regressão para cada um dos pontos

observados, utilizando como ponderação todas as demais observações em função da​ ​distância​ ​a​ ​este​ ​ponto.

A função abaixo representa o

funcionamento do GWR, demonstrando que para cada ponto i do espaço existirá um​ ​β​0​ ​e​ ​um​ ​β​1​ ​​​ ​diferentes:

Yi​ ​=​ ​β​0​ ​​(i)​ ​+​ ​β​1​ ​​(i)​ ​x​1​ ​+​ ​ε(i)

Após preparo dos dados contendo os resultados tanto da regressão clássica

quanto do spatial error, além das

coordenadas, partimos para o software

GWR4, utilizando como variáveis

independentes as mesmas selecionadas para o modelo no método stepwise de

regressão no SPSS (IDHM, IPRS

Escolaridade, IPRS Riqueza, grau de

urbanização e Índice de GINI). O tipo de kernel (importante para determinar de forma ponderada pela distância os pontos que terão maior ou menor peso) escolhido foi o adaptativo bi-quadrado, com método de seleção da largura da banda em 'golden section​ ​search'​ ​e​ ​critério​ ​de​ ​seleção​ ​AICc.

Por fim, a visualização dos dados de saída foi feita no QGIS, dando maior ênfase

ao mapeamento dos resíduos

padronizados, dos betas das variáveis e do R² local. Os mapas estão disponíveis nos anexos​ ​ao​ ​fim​ ​deste​ ​documento.

4.

​ ​Resultados

4.1​ ​Análise​ ​exploratória

Nessa primeira etapa, tanto antes quanto após a correção com logaritmo, os gráficos de dispersão não apresentaram

resultados conclusivos, constatando-se

uma ausência de padrão de distribuição entre as variáveis Y e X utilizadas. Quanto às resultantes obtidas na correlação, todas

(7)

significância abaixo de 0,001, com exceção

do IPRS Longevidade e do IPRS

escolaridade para a população negra, que não apresentou correlação, e do GINI para a população branca, que apresentou nível de significância de 0,01 com o logaritmo aplicado​ ​e​ ​de​ ​0,05​ ​sem​ ​o​ ​logaritmo.

A diferença entre as correlações realizadas com variável dependente de taxa de mortalidade a população negra e taxa de mortalidade da população branca se encontra fundamentalmente nos valores dados para a Correlação de Pearson. que são inversamente proporcionais para todas as correlações significativas e apresentam valores maiores na taxa de mortalidade da população negra com as variáveis de IPRS dimensão riqueza, índice de GINI e grau de urbanização.

4.2. Regressão Clássica e Regressão

Múltipla

4.2.1. Regressão Múltipla da Taxa de Mortalidade por Agressão da População Negra​ ​de​ ​2010

O modelo de análise de regressão realizado neste estudo considerou como

variável dependente (Y) a Taxa de

Mortalidade por Agressão da População Negra no Estado de São Paulo no ano de 2010. Em relação ao X, sete variáveis

independentes foram utilizadas neste

modelo de regressão múltipla, sendo elas Índice Gini, IPRS - Dimensão Riqueza, IPRS - Dimensão Longevidade, IPRS - Dimensão Escolaridade, IDHM, Grau de Urbanização e Renda​ ​per​ ​Capita.

Pretendendo determinar a ordem em que as variáveis são acrescentadas ao

modelo baseando-se puramente em

critérios matemáticos, o método escolhido na análise de regressão foi o “por passos” (Stepwise). O resumo do modelo gerado pelo SPSS, computou cinco modelos com diferentes variáveis. O primeiro modelo

considerou apenas o IDHM, apresentou um Coeficiente de Correlação Múltipla (R) de 0,371. Já o quinto e último modelo, apresentou R igual a 0,460 e processou variáveis como IDHM, IPRS Dimensão

Riqueza, IPRS Dimensão Escolaridade,

Índice​ ​Gini​ ​e​ ​Grau​ ​de​ ​Urbanização.

O primeiro modelo gerado pelo método stepwise apresentou um coeficiente de determinação (R²) de 0,138, representando uma variabilidade da Taxa de Mortalidade por Agressão da População Negra em relação ao IDHM de 13,8%. O quinto modelo considerou cinco variáveis independentes

(IDHM, IPRS Dimensão Riqueza, IPRS

Dimensão Escolaridade, Índice Gini e Grau de Urbanização) gerando um coeficiente de

determinação de 21,1%, ou seja,

melhorando​ ​a​ ​qualidade​ ​do​ ​modelo. Através do valor de 2,024 gerado pela a estatística de Durbin - Watson, pode-se afirmar com quase certeza de que a hipótese utilizada na análise de regressão múltipla está satisfeita. Porém, outras

estatísticas devem ser levadas em

consideração para a compreensão do modelo, como por exemplo, o teste F. Todos os cinco modelos criados pelo SPSS possuíam valores de F significativos, ou seja, acima de 1, representando a melhoria do ajuste da análise de regressão em relação a variação existente no interior do modelo.

O relacionamento entres as variáveis independentes (X) e a variável dependente (Y) simbolizados pelos valores de b, pode ser​ ​explicado​ ​através​ ​da​ ​equação:

Taxa Mortalidade por Agressão da População Negra = [3,656 + (-2,296) x IDHM + 0,006 x IPRS Escolaridade + (-0,004) x Grau Urbanização + (-0,006)​ ​x​ ​IPRS​ ​Riqueza​ ​+​ ​(-0,635)​ ​x​ ​GINI]

Os valores significativos de t

encontrados no modelo possuem valores menores que 0,05, representando então

(8)

que os valores de X estão fazendo uma contribuição significativa para o modelo. É

possível observar também que todas

variáveis apresentam um grau de

importância comparável no modelo final de regressão. Em relação aos intervalos de

confiança, os mesmos apresentaram

valores pequenos e a maioria das relações entre​ ​X​ ​e​ ​Y​ ​foram​ ​negativas.

As estatísticas de colinearidade

apresentaram o valor de FIV (Fator de Inflação da Variância) menor que 10 e Tolerância acima de 0,02, podendo assumir que a colinearidade não é um problema nesta​ ​análise.

A cada estágio da análise de

regressão é fornecido um resumo do SPSS sobre qualquer variável que ainda não tenha sido adicionada ao modelo. Na regressão passo a passo (stepwise), a variável com estatística t mais alta é adicionada e o processo continua até que não reste nenhum com estatística t com valor inferior a 0,05. A correlação parcial também fornece algumas indicações sobre qual contribuição uma variável excluída faria se tivesse no modelo. No modelo final, as variáveis IPRS Longevidade e Renda per Capita possuem Beta In de 0,051 e 0,143, respectivamente, além de apresentarem correlação​ ​parcial​ ​acima​ ​de​ ​0,05.

Examinando os casos extremos da tabela Diagnósticos por Casos (casewise) que mostra o resumo das estatísticas residuais maiores ou menores que o critério padrão de 3, observamos que os casos 116 e 505 apresentaram resíduo padronizado maior que 3. O diagnóstico mostra que o modelo cumpre o esperado, ou seja, que

95% dos casos possuem resíduos

padronizados dentro do critério. Com a colinearidade dentro dos dados checada e

a verificação da independência dos

resíduos do modelo realizada através da estatística Durbin - Watson, é possível

testar a normalidade dos resíduos através da​ ​observação​ ​dos​ ​gráficos.

Figura 1 - ​Histograma dos Resíduos Padronizados​ ​da​ ​Regressão.

Figura​ ​2​ ​-​​ ​Gráfico​ ​de​ ​Probabilidade​ ​Normal Acumulada​ ​Observada

Figura​ ​3​ ​-​​ ​Diagrama​ ​de​ ​Dispersão​ ​dos​ ​Valores Previstos​ ​da​ ​Regressão​ ​Padronizados

(9)

Os gráficos gerados pela análise de regressão múltipla da taxa de mortalidade por agressão da população negra sugerem que hipótese de que coeficientes distintos afetam significativamente a variabilidade a taxa estudada é satisfeita e é possível

assumir que o modelo pode ser

generalizado​ ​para​ ​estudos​ ​similares. 4.2.2. Regressão Múltipla da Taxa de Mortalidade por Agressão da População Branca​ ​de​ ​2010

Como a análise de regressão

realizada para taxa de mortalidade por agressão da população negra mostrou-se uma técnica eficiente, o mesmo método exploratório foi utilizada para investigar a relação entre a variável dependente (Y) taxa de mortalidade por agressão da população branca e as outras variáveis independentes​ ​(X).

Novamente utilizou-se o método “por passos” (stepwise), que determina a ordem em que as variáveis são adicionadas através de parâmetros matemáticos. Esse método criou 6 modelos, sendo que o sexto

modelo (modelo final), considerou as

variáveis índice de Gini, IDHM, Grau de Urbanização, IPRS Dimensão Riqueza e IPRS Dimensão Escolaridade. O R² foi igual a 0,216, ou seja, 21,6% e a estatística de Durbin - Watson foi igual a 1,829. Todos os cinco modelos criados pelo SPSS possuíam valores de F significativos, ou seja, acima de 1, representando a melhoria do ajuste da análise de regressão em relação a variação existente​ ​no​ ​interior​ ​do​ ​modelo.

Taxa de mortalidade por agressão da população branca = [3,994 + (-0,431) x GINI + (-2,590) x IDHM + (-0,002) x Grau Urbanização + (0,002) x IPRS Riqueza + (-0,005) x IPRS Longevidade + (-0,004) x IPRS​ ​Escolaridade]

Novamente, a renda foi a variável excluída do modelo e os gráficos gerados

pela análise de regressão múltipla da taxa de mortalidade por agressão da população branca, também sugere que hipótese de

que coeficientes distintos afetam

significativamente a variabilidade essa

taxa.

Figura 4 - ​Histograma dos Resíduos Padronizados​ ​da​ ​Regressão.

Figura​ ​5​ ​-​​ ​Gráfico​ ​de​ ​Probabilidade​ ​Normal Acumulada​ ​Observada

(10)

Figura​ ​6​ ​-​​ ​Diagrama​ ​de​ ​Dispersão​ ​dos​ ​Valores Previstos​ ​da​ ​Regressão​ ​Padronizados 4.3​ ​Autocorrelação​ ​Espacial

4.3.1 Autocorrelação Espacial da Taxa de Mortalidade por Agressão na População Negra

Com a matriz de contiguidade do tipo Queen e ordem 2, obteve-se a moda de quantidade​ ​de​ ​vizinhos​ ​no​ ​intervalo​ ​9-10.

Já com o Índice de Moran Local Univariado, obteve-se o valor de 0,0946635 que após teste de significância com 999 permutações mostrou p-valor encontrado igual​ ​a​ ​0,001.

Figura​ ​7​ ​-​​ ​Gráfico​ ​com​ ​os​ ​valores​ ​obtidos​ ​com​ ​o Índice​ ​de​ ​Moran​ ​Local​ ​Univariado​ ​para​ ​taxa

normalizada

Figura​ ​8​ ​-​​ ​Teste​ ​de​ ​significância​ ​com​ ​999 permutações

Assim, pode-se dizer que os dados

apresentam autocorrelação espacial

positiva baixa, mostrando que municípios vizinhos tendem a ser parecidos entre si, embora​ ​a​ ​relação​ ​seja​ ​baixa.

Após a identificação da correlação espacial, é possível verificar clusters por meio dos Indicadores Locais de Associação Espacial, ou Local Indicators of Spatial Association​ ​(LISA)​ ​em​ ​forma​ ​de​ ​mapa.

Figura​ ​9​ ​-​​ ​Mapa​ ​LISA​ ​com​ ​formação​ ​de​ ​clusters

As cores vivas representam

correlação positiva, lugares cujos vizinhos tem ocorrência parecida (High-High ou Low-Low) enquanto as cores em tom mais desbotado representam municípios cujos vizinhos apresentam valores discrepantes, ou seja, têm correlação negativa (Low-High ou​ ​High-Low).

Além disso, há a análise, por meio de mapa, da significância do mapa de clusters, de forma que quanto mais escuro, mais significante​ ​é​ ​a​ ​informação.

(11)

Figura​ ​10​ ​-​​ ​Mapa​ ​LISA​ ​de​ ​significância 4.3.2 Autocorrelação Espacial da Taxa de Mortalidade por Agressão da População Branca

Assim como no caso da população negra, foi utilizada a matriz de contiguidade do tipo Queen e ordem 2, e, assim, obteve-se a moda de quantidade de vizinhos no intervalo 9-10, confirmando o resultado anterior.

Já com o Índice de Moran Local Univariado, houve variação e observou-se o valor de 0,0696189 que após teste de

significância com 999 permutações

mostrou​ ​p-valor​ ​encontrado​ ​​ ​igual​ ​a​ ​0,002.

Figura​ ​11​ ​-​​ ​Gráfico​ ​com​ ​os​ ​valores​ ​obtidos​ ​com o​ ​Índice​ ​de​ ​Moran​ ​Local​ ​Univariado​ ​para​ ​taxa

normalizada

Figura​ ​12​ ​-​​ ​Teste​ ​de​ ​significância​ ​com​ ​999 permutações

Assim, entende-se que os dados

apresentam autocorrelação espacial

positiva baixa, mostrando que municípios vizinhos tendem a ser parecidos entre si, embora a relação seja baixa, de modo similar​ ​ao​ ​ocorrido​ ​com​ ​a​ ​população​ ​negra. A formação de clusters por meio dos Indicadores Locais de Associação Espacial, ou Local Indicators of Spatial Association

(LISA) em forma de mapa, difere,

entretanto, do resultado da população negra uma vez que nota-se mais casos “low-low”.

Figura​ ​13​ ​-​​ ​Mapa​ ​LISA​ ​com​ ​formação​ ​de clusters

Lembrando que cores vivas

representam correlação positiva, lugares cujos vizinhos tem ocorrência parecida (High-High ou Low-Low) enquanto as cores em tom mais desbotado representam

municípios cujos vizinhos apresentam

valores discrepantes, ou seja, têm

correlação negativa (Low-High ou

(12)

A significância do mapa de clusters é​ ​atestada​ ​da​ ​seguinte​ ​forma:

Figura​ ​14​ ​-​​ ​Mapa​ ​LISA​ ​de​ ​significância

4.4​ ​Regressão​ ​Espacial

4.4.1 Regressão Espacial da Taxa de Mortalidade por Agressão da População Negra

Ao realizar a regressão clássica

no software GeoDa para a taxa de

mortalidade

da

população

negra,

obteve-se um índice de Moran local

univariado

de

0,0711,

com

probabilidade de ocorrência aleatória

de 0,0004, tendo como valor final após o

teste de pseudo significância (utilizando

o valor de 999 permutações) um p-valor

< 0,002, rejeitando-se, portanto, a

hipótese

nula

de

que

não

autocorrelação

​ ​dos​ ​erros.

Figura​ ​15​ ​-​​ ​Índice​ ​de​ ​Moran​ ​Local​ ​Univariado para​ ​os​ ​resíduos​ ​da​ ​regressão​ ​clássica​ ​da​ ​taxa

de​ ​mortalidade​ ​da​ ​população​ ​negra

Figura​ ​16​ ​-​​ ​Teste​ ​de​ ​pseudo​ ​significância​ ​após 999​ ​permutações​ ​da​ ​taxa​ ​de​ ​mortalidade​ ​da

população​ ​negra

O p-valor obtido nos serve de indicativo

para prosseguir com as análises para

este grupo. Decidiu-se pela realização

do spatial error, uma vez que seu valor

era maior e significativo, ao contrário do

spatial lag, que não passou pelo critério

de

​ ​Fisher.

Realizado o spatial error, foi

possível

demonstrar

as

seguintes

comparações

​ ​abaixo:

Regressão Clássica Spatial​ ​Error logLikelihood -75.9407 -71.196780 Akaike​ ​info criterion 163.881 ​ ​154.394 Comparação dos coeficientes padronizado s Regressão

(13)

CONSTANT 3.65594 ​ ​3.88591 IDHM -2.2964 ​ ​-2.79317 IPRS_Escolar idade 0.00626942 0.00689017 IPRS_Riquez a -0.00623442 ​ ​-0.00555843 Grau​ ​de urbanização ​ ​-0.00403058 ​ ​-0.00461472 GINI -0.635063 ​ ​-0.330774

Partindo para a prática no GWR,

após salvar os centróides pelo QGis

devido a um erro desconhecido no

GeoDa, obtivemos um AICc de 216.654.

Os mapas gerados a partir dos betas

padronizados, resíduos e R² local

podem ser encontrados

nos anexos ao

final

​ ​deste​ ​arquivo.

4.4.2 Regressão Espacial da Taxa de Mortalidade por Agressão na População Branca

Já para a taxa de mortalidade da

população branca os resíduos não

apresentaram

valor

significativo,

mostrando um p-valor > 0,05 e falhando,

portanto, em rejeitar a hipótese nula de

que

​ ​não​ ​há​ ​autocorrelação​ ​dos​ ​erros.

Figura​ ​17​ ​-​​ ​Índice​ ​de​ ​Moran​ ​Local​ ​Univariado para​ ​os​ ​resíduos​ ​da​ ​regressão​ ​clássica​ ​da​ ​taxa

de​ ​mortalidade​ ​da​ ​população​ ​branca

Figura​ ​18​ ​-​​ ​Teste​ ​de​ ​pseudo​ ​significância​ ​após 999​ ​permutações​ ​da​ ​taxa​ ​de​ ​mortalidade​ ​da

população​ ​branca

5.

​ ​Conclusão

A utilização da técnica exploratória da análise de regressão permitiu explorar e

inferir sobre a relação da variável

dependente com variáveis independentes, possibilitando assim verificar a aceitação ou negação da hipótese. Os resultados obtidos demonstram que o modelo final satisfaz os testes de colinearidade e independência de resíduos, além disso, os

gráficos apresentaram normalidade,

possibilitando concluir que existe uma relação entre as taxas de mortalidade por

agressão e a riqueza ou grau de

urbanização de determinado município. Mesmo assim, a hipótese deste estudo não foi satisfeita, uma vez que as variáveis escolhidas para a comparação entre as duas taxas, apontou correlação tanto para taxa da população negra, quando para a taxa da população branca. Ou seja, a diferença não foi significativa para apontar que a relação entre as variáveis escolhidas

(14)

e a mortalidade por agressão da população negra​ ​se​ ​deve​ ​ao​ ​racismo​ ​institucional.

Após o processo de estudo e análise dos dados, percebemos que para que exista a possibilidade da hipótese nula ser

rejeitada, seria necessário um

detalhamento maior sobre a mortalidade por agressão e as taxas relacionadas ao

que conceituamos como racismo

institucional. Houve então, um problema com a escala de tratamento da análise, uma vez que o racismo institucional é um fenômeno complexo e imbricado em todo sistema institucional e a mortalidade por agressão do grupo CID10 abrange todo tipo de agressão e não somente as associadas as​ ​instituições.

A partir de então, podemos concluir que essa análise pode ser utilizada como parâmetro para futuros estudos sobre violência ao apontar que, em escala maior, os municípios com baixos indicadores de desenvolvimento tem um taxa maior de mortalidade por agressão da população total. Mas o estudo foi insuficiente para responder as perguntas formuladas e necessita de uma análise de dados a partir de​ ​subdivisões​ ​dos​ ​grupos​ ​escolhidos.

(15)

6.

​ ​Referências​ ​Bibliográficas

COSTA, Marli; D’OLIVEIRA, Marcele; D’OLIVEIRA, Mariane. Discurso e Poder: A Midiatização das Relações de Gênero. Santa Maria: 2012.

Disponível em:

<http://coral.ufsm.br/congressodireito/anais/20 12/16.pdf>.​ ​Acesso​ ​em:​ ​19/06/2017.

ARAÚJO, E. M.; COSTA, M. C. N. ; Hogan, V. ; ARAÚJO, T. M. ; DIAS, Acácia Batista ; OLIVEIRA, L.O.A . A Utilização da Variável Raça/Cor em Saúde Pública: Possibilidades e Limites. Interface (Botucatu. Impresso), v. 13, p. 383-394, 2009.

ARAÚJO, E. M.; Costa, Maria Conceição Nascimento ; Mota, E ; Hogan, V. ; Oliveira, N. F. ; ARAÚJO, T. M. . Diferenciais de Raça/Cor da Pele em Anos Potenciais de Vida Perdidos por Causas Externas. ​Revista de Saúde Pública (USP.​ ​Impresso),​ ​v.​ ​43,​ ​p.​ ​405-412,​ ​2009.

SOUZA, Arivaldo Santos de. RACISMO

INSTITUCIONAL: PARA COMPREENDER O

CONCEITO. Revista da Associação Brasileira de Pesquisadores/as Negros/as (ABPN), [S.l.], v. 1, n. 3, p. 77-88, fev. 2011. ISSN 2177-2770.

Disponível em:

<http://abpnrevista.org.br/revista/index.php/revi staabpn1/article/view/275>. Acesso em: 09 ago. 2017.

LIMA, Maria Luiza Carvalho de ; Ximenes, Ricardo Arraes de Alencar ; SOUZA, Edinilsa Ramos de ; LUNA, C F ; ALBUQUERQUE, Maria de Fátima Pessoa Militão de . Análise espacial dos determinantes socioeconômicos dos homicídios no Estado de Pernambuco. Revista de Saúde Pública / Journal of Public Health, v. 39,​ ​p.​ ​176-182,​ ​2005.

FILHO,ADAUTO ; SOUZA, M F M ;

GAZAL-CARVALHO C ; DEBORAH, C. M. ; ALENCAR, A. P. ; MORAIS NETO, O. L. . Análise da Mortalidade por Homicídios no Brasil. Epidemiologia e Serviços de Saúde, v. 16, p. 7-18,​ ​2007.

Brasil. Ministério da Saúde. Painel de Indicadores SUS Temático Saúde da População

Negra. Br sília. 2016. 82 p. : il. (Painel de Indicadores do SUS; v. 7, n. 10). Disponível em: http://portalarquivos.saude.gov.br/images/pdf/ 2016/maio/13/painel10-130516.pdf.

IPEA - Instituto de Pesquisa Econômica Aplicada. Atlas da Violência. Brasília. 2017. 69 p.

: il. Disponível em:

http://www.ipea.gov.br/portal/images/170602_ atlas_da_violencia_2017.pdf.

SUS: Sistema de Informação Sobre Mortalidade

(SIM). Disponível em:.

<http://svs.aids.gov.br/cgiae/sim/>. Acesso em: 19/06/2017.

ROSENBERG, M. S. 2001. PASSAGE. Pattern Analysis, Spatial Statistics, and Geographic Exegesis. Version 1.1. Department of Biology, Arizona​ ​State​ ​University,​ ​Tempe,​ ​AZ.

(16)

Sumário

1.

Introdução

​ ​………..​ ​​ ​2

2.

Referencial

​ ​Teórico​

​ ​​

​ ​……….………​.

2

3.

Metodologia

​ ​do​ ​Trabalho​

​ ​​

………...……..……​

.​ ​​

3

4.

Resultados

​​ ​………..​ ​​ ​​7

5.

Conclusão

​​ ​……….​ ​.​ ​​14

6.

Referências

​ ​Bibliográficas​

​ ​​

………...……...…​

.​ ​​

15

Anexos

Imagem

Referências

temas relacionados :