CHAPITRE 9 Les transistors bipolaires
B. MONTAGE ÉMETTEUR COMMUN
2. Fonctionnement en petits signaux alternatifs
O critério para a escolha das variáveis baseou-se em indicações por parte dos trabalhos empíricos e da literatura, de modo que as variáveis utilizadas, bem como suas respectivas descrições e fontes podem ser visualizadas através da tabela 5.1. Foi criada e adicionada
ao modelo uma variável dummy que representa os municípios3 que decretaram estado de
calamidade pública ou estado de emergência, causado pela seca ou estiagem. Tabela 5.1 – Descrição das variáveis utilizadas
Abreviação Variável Descrição Fonte Sinal
esperado TCM Taxa de prevalência de
microcefalia.
(Número de casos de microcefalia registrados no ano de 2016 / Nascidos
vivos) *1000.
PBDA (2016) e SINASC (2016) -
TRAEDES Taxa de risco Aedes
Aegypti.
Taxa empírica bayesiana local, implementada em R pelo pacote spdep, função EBlocal, utilizando como base o número de casos de dengue registrados
no município e a estimativa da população.
DATASUS
(2015) +
AMB Condições ambientais.
Índice concebido a partir de três indicadores: arborização do entorno dos
domicílios, esgoto a céu aberto no entorno dos domicílios e lixo acumulado
no entorno dos domicílios.
INCT - Observatório das metrópoles (2013)
-
PPC PIB per capita. Produto interno bruto dos municípios no
ano de 2015. PNUD (2010) +
GINI Índice de GINI.
Índice que mede o grau de desigualdade existente na distribuição de indivíduos segundo a renda domiciliar per capita.
PNUD (2010) +
SPI2015 Índice de secas para o ano de 2015.
Índice de Precipitação. Padronizado para o ano de 2015. McKee et al. (1993) e Matsuura e Willmott (2015a) + DMM Variável Dummy.
Variável qualitativa que assume valor 1, caso o município seja um tenha decretado estado de emergência ou estado de calamidade pública por conta
da seca ou estiagem.
- +
TEMP Temperatura do ar. Média anual da temperatura do ar (ºC) do ano de 2015.
Matsuura e
Willmott (2015b) + SAUDEPC Despesa total com saúde,
por habitante.
Despesa total com saúde / População
total do município. SIOPS (2015) -
ATBAS Gastos com saúde.
(Despesas com a subfunção de atenção básica / despesas totais com a função
saúde)*100.
SIOPS (2015) -
VIGEP
Participação percentual das Despesas com a subfunção
de Vigilância epidemiológica em relação
às despesas totais com a função saúde.
(Despesas com a subfunção de Vigilância epidemiológica / despesas
totais com a função saúde)*100
SIOPS (2015) -
Fonte: Elaboração própria
Dessa forma, pode-se visualizar a organização das variáveis utilizadas por meio da equação 5.12, onde TCM é a variável dependente sendo a taxa bruta de casos de microcefalia para cada mil nascidos vivos. Utilizou-se a taxa de risco bayesiana local4 da dengue como proxy para a taxa de risco do Aedes Aegypti,5. Posto isso, espera-se uma relação positiva
com a variável dependente por resguardar informações acerca do vetor de transmissão.
3 Optou-se por omitir Fernando de Noronha (PE) das análises, visto que, esse município é uma ilha, e partindo de uma definição de vizinhança baseada em uma visão limítrofe, esse município não possui nenhum vizinho.
4 Ver SOUZA, et al., (2007).
5 Optou-se por usar o número de casos DENV ao invés de ZIKV, pela já mencionada dificuldade de diagnosticar o ZIKV e por ser a principal arbovirose em circulação no país.
A variável AMB, obtida junto ao Observatório das metrópoles refere-se à dimensão ambiental que compõe o Índice de Bem Estar Urbano Municipal (IBEU-M)6, espera-se
uma relação inversa com a variável dependente, visto que melhores condições ambientais refletem condições menos favoráveis para a disseminação do vetor de transmissão.
T CMi = β0+ β1T BDENi+ β2Ambi+ β3P P Ci+ β4GIN Ii+ β5SP I2015i
+β6T EM P2015i+ β7SAU DEP Ci+ β8AT BASi+ β9V IGEPi+ β10DM Mi+ i
(5.12) As variáveis PPC e GINI abarcam os aspectos socioeconômicos, comumente utilizadas para mensurar o grau de pobreza e desigualdade, do produto e da renda municipal. Espera- se uma relação positiva entre a variável PPC e a TCM, dada a natureza do fenômeno, em especial a sua concentração em capitais e grandes aglomerações, assim como para a variável GINI, visto que se trata de um índice que varia entre 0 e 1 e quanto mais próximo de um mais desigual a distribuição de renda e consequentemente maior a TCM.
A variável SPI, refere-se a um índice de secas, baseado no nível de precipitação - onde, valores negativos indicam a ocorrência de secas e quanto menor o seu valor, maior o seu efeito sobre a região. Com relação à resposta esperada da variável, ambas são justificáveis, visto que se por um lado a ocorrência de chuvas em uma determinada região é um fator-chave para a proliferação do vetor de transmissão (que tem boa parte de seu ciclo de vida associado à água), por outro, municípios que apresentaram baixo nível de precipitação podem vir a lidar com racionamento ou falta de água, propiciando mais focos de propagação do vetor, dada a necessidade de armazenamento por métodos alternativos.
Enquanto a variável TEMP2015 representa a temperatura do ar. De acordo com Beserra et al. (2009), temperaturas entre 22oC e 32oC são as ideais para os ciclos de vida e
reprodutório dos mosquitos Aedes Aegypti. Em conjunto com o nível de secas/precipitação, essas tendem a afetar significativamente o ambiente do vetor de transmissão, sendo assim, espera-se uma relação positiva das mesmas com a variável dependente.
As variáveis SAUDEPC, ATBAS e VIGEP, fornecem algumas dimensões do gasto com saúde, de modo que se espera, para todas, uma relação inversa com a taxa de prevalência de microcefalia. Onde SAUDEPC se refere aos gastos per capita com saúde, ATBAS Participação das despesas com a subfunção de atenção básica e VIGEP com a subfunção Vigilância Epidemiológica.
6 A interpretação do índice segue o seguinte raciocínio, valores entre zero a 0,500 corresponde às condições muito ruins; de 0,501 a 0,700 condições ruins; de 0,701 a 0,800 condições médias; de 0,801 a 0,900 condições boas; de 0,901 a 1 corresponde às condições muito boas.
6.1 Estatísticas descritivas
Foi realizado um estudo de estatísticas descritivas com o intuito de obter uma visuali- zação preliminar das variáveis utilizadas no modelo econométrico, como pode ser visto por meio da tabela 6.1. Infere-se que, para cada mil nascidos vivos três possuam a doença. Embora, a estatística média não seja considerada apropriada, dado um desvio padrão relativamente alto (8,61), indicando que a prevalência de casos assume uma distribuição heterogênea. Tal constatação pode ser reforçada pelo alto valor do Coeficiente de variação (CV) (2,50), o que pode ser explicado pela presença de alguns municípios que apresentam altas taxas, ao passo que, cerca de 1315 (∼= 68, 15%) não apresentaram nenhum caso da doença.
Tabela 6.1 – Estatísticas descritivas
Variável Média Mediana Mínimo Máximo Desvio Padrão C.V
TCM 3,45 0 0 133,33 8,61 2,50 TRDEN 50,62 0,60 0 7000,2 268,65 5,31 AMB 0,78 0,80 0,25 1,00 0,13 0,17 PPC 9687,9 7578,4 3369,8 21985e^5 8977,2 0,93 GINI 0,53 0,52 0,36 0,79 0,05 0,10 SPI2015 -0,49 -0,51 -0,83 0,07 0,16 0,32 TEMP2015 25,98 25,82 23,55 27,94 0,95 0,04 SAUDEPC 505,06 466,10 184,91 2845,3 187,56 0,37 ATBAS 56,01 48,90 0 100 28,40 0,51 VIGEP 1,81 1,38 0 18,08 2,15 1,19
Fonte: Elaboração própria
Os resultados para a variável AMB foi igual a 0,78 - indicando que de forma agregada os municípios nordestinos apresentam condições ambientais médias. Quanto às variáveis socioeconômicas referentes ao produto e a renda, é possível observar a ocorrência de desi- gualdades seja pelo valor relativamente alto do coeficiente Gini ou pela alta heterogeneidade do PIB per capita.
Para as condições climáticas, foi utilizado o indicador SPI, que apresentou valor igual a -0,49, o que implica que, na média, os municípios nordestinos se defrontaram com situações de seca/estiagem, no período de análise. Além disso, até mesmo o município que apresentou o maior índice encontra-se próximo a zero.
Tanto a desigualdade, quanto a seca, são problemas históricos da região em questão, de modo que, existe uma extensa literatura no âmbito da Economia Regional que se propõe
a identificar as causas e propor soluções para os mesmos.
Para a temperatura média, obteve-se o valor de 25,98, onde a observação com a temperatura média mais alta foi de 27,94 e a mínima de 23,55. Essas informações referentes à temperatura merecem um destaque, tendo em vista que todos os municípios da região estão na faixa de temperatura aceitável/ideal, para o desenvolvimento do Aedes
Aegypti.
Para as variáveis de gastos com saúde, tem-se que o gasto médio per capita esteve em torno de R$ 505,05, um valor relativamente baixo quando comparado com as demais regiões (com exceção à região Norte). De acordo com dados do SIOPS (2016), o total gasto na região Nordeste é cerca de 25%, 29% e 31% menor do que é gasto nas regiões, Sul, Centro- Oeste e Sudeste, respectivamente. Quanto as demais variáveis, é válido destacar o alto percentual das despesas totais com saúde associadas à atenção básica, na média da região representa mais da metade das despesas totais (∼= 56%) e em alguns municípios equivale à totalidade das despesas. Enquanto as despesas associadas à vigilância epidemiológica representa uma pequena parcela dos gastos totais.
As estatísticas descritivas fornecem uma visão preliminar das variáveis, sendo uma boa forma de visualizar os comportamentos gerais. Enquanto, o mapeamento de doenças, bem como a identificação de padrões de distribuição são procedimentos de extrema importância, sendo um instrumento assertivo para a compreensão de um determinado fenômeno, além de respaldar a elaboração de políticas públicas focadas em áreas específicas (CARVALHO
et al., 2012).
A figura 6.1 apresenta informações acerca da distribuição da variável dependente, onde é possível visualizar que a grande maioria dos casos ocorreu nas capitais e suas respectivas regiões metropolitanas, refletindo o efeito de grandes populações sobre dados epidemiológicos. Observa-se também que, embora se tenha visto através da tabela 3.2 que o estado da Bahia concentrou a maior parcela dos casos em termos absolutos, grande parte dos municípios baianos apresentaram poucos ou nenhum caso.
A utilização de taxas brutas de prevalência ajudam a contornar tal efeito. É possível observar na figura 6.1(c), que a ponderação pelo tamanho da população, ou nesse caso específico o número de nascidos vivos ajuda suavizar esse efeito e dessa forma é possível identificar novos padrões de distribuição, como uma maior dispersão das informações, como mais municípios com resultados significativos.
Ainda assim, é necessário ter cautela ao interpretar taxas brutas, pois as mesmas também resguardam limitações e em algumas situações não são capazes de representar todo o comportamento do fenômeno e conforme mostram Pinheiro e Queiroz (2020), a utilização de índices pouco adequados pode vir a causar problemas nas constatações. Tendo em vista que tanto a utilização de dados de contagem, quanto taxas brutas, ocultam certos efeitos e podem vir a causar problemas nas estimativas - como o efeito de grandes/pequenas populações ou por não abarcar fatores como a flutuação aleatória e a incerteza.
Figura 6.1 – Taxa de prevalência da microcefalia nas microrregiões nordestinas e monitor de secas entre 2015 e 2016
(a) Número de casos (b) Taxa de risco (c) Taxa de prevalência
Fonte: Elaboração própria
Uma forma de lidar com esse problema é através da utilização de taxas de risco, seja no intuito de apresentar um mapeamento descritivo da doença, assim como calcular o risco relativo da mesma. Essas taxas podem ser tanto globais ou locais. As taxas de risco globais são afetadas pelo valor médio de todas as observações que compõem a amostra, enquanto a local é afetada pelo valor médio dos vizinhos, conseguindo controlar (em parte) o efeito das populações sobre o número de ocorrência de eventos (SOUZA, et al., 2007).
Quanto a adição da incerteza, destaca-se a utilização de métodos não-paramétricos, como o da abordagem Bayesiana (BLANGIARDO; CAMELETTI, 2015). Segundo Dunson (2001), essa abordagem é vantajosa, principalmente por conseguir incorporar a incerteza através da inclusão de informações a priori, o que contribui para uma melhor compreensão do fenômeno em questão.
A figura 6.1(b) apresenta um tipo específico de taxa de risco local, a Taxa Bayesiana empírica, que além de considerar o efeito de interação entre unidades vizinhas é capaz incorporar a incerteza nas análises, permitindo a visualização de zonas críticas, mostrando que, boa parte dos territórios dos estados de Pernambuco, Paraíba, Rio Grande do Norte e Sergipe estão susceptíveis à doença por apresentar taxas mais altas, enquanto boa parte dos municípios baianos especialmente aqueles localizados nas mesorregiões Extremo Sul, Sul e Sudeste do estado apresentam as menores taxas.
Mapas descritivos, como o de distribuição são importantes, por fornecer uma visão panorâmica do objeto de estudo, além de apresentar informações relevantes, contudo, segundo Almeida (2004, p. 3) ”[. . . ] o olho humano é treinado para buscar padrões e estruturas em todos os aspectos da realidade”, de forma concisa, entretanto, viesada. Assim, para obter informações mais precisas, além da análise visual é importante verificar os índices de autocorrelação espacial, bem como se os mesmos são estatisticamente significativos. A
AEDE é uma importante ferramenta no sentido de identificar padrões e associações.
6.2 AEDE
A tabela 6.2 apresenta o valor das estatísticas I de Moran univariado. Através da mesma, é possível rejeitar a hipótese nula de aleatoriedade das observações, visto que, todas as estatísticas apresentam significância estatística (a 1%). Os valores dos coeficientes superiores ao valor esperado atestam que as variáveis são correlacionadas no espaço. Enquanto, os sinais positivos indicam a presença de autocorrelação espacial positiva que sugere similaridade - ou seja, municípios com caraterísticas semelhantes tendem a se agrupar espacialmente.
Tabela 6.2 – Estatísticas I de Moran univariado
Variável I de Moran Valor esperado p-valor
TCM 0.08934 -0.00056 0.00000 TRDEN 0.27615 -0.00056 0.00000 C AMB 0.39582 -0.00056 0.00000 PPC 0.28251 -0.00056 0.00000 GINI 0.33596 -0.00056 0.00000 SPI2015 0.99444 -0.00056 0.00000 TEMP2015 0.99229 -0.00056 0.00000 SAUDEPC 0.25902 -0.00056 0.00000 ATBAS 0.26042 -0.00056 0.00000 VIGEP 0.03625 -0.00056 0.00680
Fonte: Elaboração própria
Vale lembrar que de certa forma as estatísticas de autocorrelação global não captam padrões de associação local, sendo necessário recorrer a estatísticas de cunho local. A figura 6.2 mostra a formação de clusters estatisticamente significantes. Para dados epidemiológicos, a análise de clusters é ainda mais importante, visto que, uma das principais preocupações da Secretaria de Vigilância em Saúde Pública é a detecção desses locais que concentram essas doenças a identificação dos fatores que causam essa concentração.
Percebe-se a formação das quatro categorias de clusters, ao longo do território Nor- destino. Mais especificamente, 184 clusters do tipo Alto-Alto, ou seja, municípios que apresentam altas taxas localizados em vizinhanças que também apresentam altas taxas, mais 319 do tipo Baixo-Baixo, 237 Baixo-Alto, e 41 Alto-Baixo. Os demais clusters não foram estatisticamente significativos ao nível de significância de 5%.
No estado de Pernambuco, mais especificamente ao longo da fronteira com o estado da Paraíba, têm-se uma quantidade significativa de clusters do tipo Alto-Alto, localizados em sua maioria nas mesorregiões, da região metropolitana do Recife no Agreste Pernambucano e na Mata Pernambucana.
Figura 6.2 – Mapa de clusters para a os casos de microcefalia nos municípios nordestinos
Fonte: Elaboração própria
Na Paraíba, esses agrupamentos (Alto-Alto) possuem uma distribuição mais hetero- gênea, divididos quase que igualmente entre as mesorregiões do estado, com exceção à mesorregião do Sertão Paraibano, onde apenas o município de Aparecida foi estatistica- mente significante.
No Rio Grande do Norte, têm-se uma quantidade significativa de clusters Alto-Alto localizadas nas microrregiões de Natal, Macaíba e Baixa Verde e um agrupamento Baixo- Baixo na microrregião de Angicos.
Também é possível visualizar uma quantidade significativa de agrupamentos do tipo Alto-Alto distribuídos em uma parcela quase todo o território sergipano, assim como na mesorregião de São Raimundo Nonato no Piauí. Enquanto nas mesorregiões do Leste Alagoano, Centro-Sul Baiano, Noroeste Cearense e Baixada Maranhense apresentam quantidades significativas de municípios agrupados em clusters do tipo Baixo-Baixo.
6.3 Modelo Econométrico
A tabela 6.3 apresenta os resultados referentes aos parâmetros estimados para os quatro modelos propostos. Conforme pode ser observado, as estimativas de MQO e do SAR são seriamente afetadas pela censura da variável dependente, fornecendo estimativas viesadas e pouco significantes do ponto de vista estatístico. Os parâmetros do modelo Tobit representam um avanço, ao controlar o efeito da censura, porém não são capazes de
abarcar os efeitos espaciais, sendo o SAR-Tobit o modelo mais adequado.
Nos dois modelos que incorporam a dependência espacial (2) e (4), o coeficiente espacial
ρ – que mede a intensidade da autocorrelação espacial – foi estatisticamente significante a
1%, indicando a existência de autocorrelação espacial na variável dependente do modelo, ou em outras palavras, indica a ocorrência de efeitos de transbordamento entre os municípios. No modelo (2), um aumento de um ponto percentual na taxa de prevalência dos municípios vizinhos, na média, é acompanhado por um aumento de 14,87 % na taxa do município em questão, no modelo (4) esse percentual é igual a 30,89%, ou seja, sem o controle da censura presente nos dados, o coeficiente espacial autorregressivo é subestimado.
Tabela 6.3 – Estimações por MQO, SAR, Tobit e SAR-Tobit
MQO SAR Tobit SAR-Tobit
(1) (2) (3) (4) Constante -17,5800*(0,0946) -15,1190(0,1466) -255,6000***(0,0000) -254,9***(0,0000) TRDEN (0,2579)0,0003 (0,2852)0,0002 0,0014**(0,0432) 0,0016**(0,0424) AMB (0,2920)-1,6690 (0,2439)-1,8264 -15,9900***(0,0029) -16,2300***(0,0062) log(PPC) (0,2488)0,6111 (0,3002)0,5431 9,2590***(0,0000) 10,0600***(0,0000) GINI (0,8780)-0,6720 (0,9591)0,2222 28,8900*(0,0516) 38,660**(0,0166) SPI2015 3,8750***(0,0000) 3,2648***(0,0002) 24,4900***(0,0000) 21,3000***(0,0000) DMM (0,0907)1,3720* (0,1462)1,1660 5,8280**(0,0331) 5,4270**(0,0474) TEMP2015 0,6751**(0,0443) (0,0903)0,5638* 6,6080***(0,0000) 6,1550***(0,0000) SAUDEPC (0,1308)0,0019 (0,1385)0,0018 -0,0103**(0,0129) -0,0111**(0,0144) ATBAS (0,7424)0,0024 (0,7875)0,0020 -0,0555**(0,0291) -0,0599**(0,0354) VIGEP (0,7853)-0,0260 (0,8163 )-0,0219 (0,3512)-0,3043 (0,3524)-0,3441 ρ 0,1487***(0,0000) 0,3089***(0,0000)
Notas: ∗p<0,1;∗∗p<0,05;∗∗∗p<0,01; (p-valores entre parênteses)
Fonte: Elaboração própria
Com relação à análise dos regressores, com exceção da variável VIGEP, as demais apresentaram significância estatística pelo menos a 5%. Quanto aos sinais, todas as variáveis apresentaram resultados dentro do que se espera com base na literatura e nas evidências empíricas.
A interpretação das magnitudes dos parâmetros puros de um modelo SAR-Tobit também é contraindicada. Os mesmos fatores que tornam tal modelo preferível aos demais modelos apresentados na tabela 6.3 adicionam certa complexidade, resultando em uma interpretação “rica e complicada” (ALMEIDA, 2012, p. 156), porque, além de conter seus respectivos efeitos marginais (similares a parâmetros sem efeitos espaciais), possui os efeitos decorrentes das interações entre as regiões.
Dessa forma, uma solução comumente utilizada é a análise dos efeitos marginais dissolvidos entre impactos diretos, indiretos e totais. Tais resultados podem ser observados na tabela 6.4. Os impactos diretos possuem uma interpretação análoga à dos parâmetros de MQO, como as variáveis independentes de um município afetam a variável dependente do mesmo município. Enquanto os efeitos indiretos captam como variações nas variáveis independentes de um determinado município, afetam as variáveis dependentes das regiões vizinhas, por intermédio de um efeito transbordamento, enquanto os efeitos totais resultam da soma dos efeitos diretos e indiretos (LESAGE; PACE, 2009).
Tabela 6.4 – Análise de impactos do modelo SAR-Tobit
Diretos Indiretos Totais TRDEN 0,0008**(2,0316) (1,8141)0,0003* 0,0011**(2,0089) AMB -8,0935***(-2,7407) -3,4113**(-2,2737) -11,5048***(-2,6765) log(PPC) 5,0146***(5,3729) 2,1105***(3,2828) 7,1252***(4,9337) GINI 19,2812***(2,3968) 8,1596**(2,0272) 27,4408**(2,3411) SPI2015 10,6174***(5,7140) 4,4582***(3,4835) 15,0756***(5,3011) TEMP2015 3,0687***(4,2556) 1,2913***(2,9608) 4,3600***(4,0149) SAUDEPC -0,0055***(-2,4469) -0,0023**(-2,0923) -0,0079***(-2,4005) ATBAS -0,0299**(-2,1041) (-1,8439)-0,0126* -0,0425**(-2,0731) VIGEP (-0,9301)-0,1715 (-0,8878)-0,0715 (-0,9259)-0,2431
Notas: ∗p<0,1;∗∗p<0,05;∗∗∗p<0,01; (P r(> |z|) entre parênteses)
Fonte: Elaboração própria
Para TRDEN, é possível visualizar que um aumento da taxa de risco promove um aumento de 0,0011 na taxa de prevalência da doença, sendo 0,008 em efeitos diretos e 0,003 em efeitos indiretos. Embora a magnitude do efeito seja relativamente pequena, não se pode negar a possibilidade de migração do vírus, entre os municípios, sendo necessária a atenção a esses possíveis efeitos de transbordamento.
Nesse sentido, por meio da constatação de efeitos de transbordamento há indícios de que, conforme apontado por Fernandes et al. (2018), políticas públicas de combate vetorial, que visem reduzir o número de casos de doenças transmitidas pelo vetor Aedes
Aegypti - mensurada pela taxa de risco de dengue - tendem a ser mais efetivas quando
feitas de forma conjunta, ou monitoradas por esferas administrativas mais elevadas, como a estadual e a federal - de modo a potencializar não só a intervenção direta, como também aproveitar os efeitos indiretos de ações tomadas por unidades vizinhas.
No âmbito ambiental e por meio da variável AMB, tem-se que aumento de 0,01 da variável resulta em uma redução 0,11505 da taxa de prevalência de microcefalia, sendo cerca de -0,08093 de efeitos diretos e -0,03411 indiretos. Resultado semelhante ao observado por Amaral et al. (2019), indicando que alterações nas condições ambientais são capazes de afetar tanto os municípios que promove tal alteração, quanto seus vizinhos.
Para o PPC, tem-se que um aumento em 1% da variável implica em uma redução de cerca de 0,07% da taxa de prevalência, sendo por volta de 0,05% em efeitos diretos e 0,02% em efeitos indiretos. O resultado pode ser reflexo da concentração de boa parte dos casos em capitais e regiões metropolitanas, que embora possuam populações mais altas, também possuem uma produção muito superior à observada nos demais municípios.
Quanto à variável GINI, tem-se que um aumento de 0,01 no índice resulta em um