Análise de Regressão Linear Múltipla para Identificar Fatores Socioeconômicos e Sanitários Associados à Dispersão da Covid-19 no Brasil
DOI:
https://doi.org/10.5540/03.2026.012.01.0250Palavras-chave:
regressão linear, Covid-19, análise inferencial estatísticaResumo
Este estudo utiliza a regressão linear múltipla para analisar os fatores que influenciaram a disseminação e a letalidade da Covid-19 no Brasil. Foram consideradas variáveis como renda per capita, população, taxa de analfabetismo e acesso à água e esgoto, avaliando-se seus impactos nos acometimentos e óbitos pela doença em cada Unidade Federativa (UF) e diferenciando os efeitos entre áreas urbanas e rurais. Os modelos foram ajustados utilizando a técnica dos Mínimos Quadrados Ordinários (OLS – Ordinary Least Squares) por meio da biblioteca statsmodels da linguagem Python. Os resultados indicam que a população foi o fator mais relevante para explicar a propagação do vírus, tanto em áreas urbanas quanto rurais. Além disso, a taxa de analfabetismo e a renda per capita apresentaram impacto significativo em algumas das análises, enquanto as variáveis de saneamento mostraram menor influência na maioria das aplicações.
Downloads
Referências
D. S. Aquino. “Influência do acesso a saneamento básico na incidência e na mortalidade por COVID-19: análise de regressão linear múltipla nos estados brasileiros”. Em: Revista Thema 18 (2020). https://doi.org/10.15536/thema.V18.Especial.2020.319-331.1798, pp. 319–331.
Instituto Trata Brasil. Painel Saneamento Brasil. Acessado em 17/10/2024, https://www.painelsaneamento.org.br/explore/indicador.
A. Field. Discovering Statistics Using IBM SPSS Statistics. 4th. SAGE Publications, 2013. isbn: 978-1446249178.
D. N. Gujarati. Econometria Básica. 4ª. Elsevier, 2006. isbn: 85-352-1664-6.
IBGE. IBGE divulga rendimento domiciliar per capita 2023 para Brasil e unidades da federação. Acessado em 17/10/2024, https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/releases/39262-ibge-divulga-rendimento-domiciliar-per-capita-2023-para-brasil-e-unidades-da-federacao.
IBGE. Painel Nacional por Amostra de Domicílios Contínua. Acessado em 17/10/2024, https://painel.ibge.gov.br/pnadc/.
M. H. Kutner, C. J. Nachtsheim, J. Neter e W. Li. Applied Linear Statistical Models. 5th. McGraw-Hill, 2005. isbn: 978-0073012281.
A. S. Martins e outros. “Concessão privatista do saneamento e a incidência da Covid-19 em favelas do Rio de Janeiro”. Em: Saúde em Debate 45.spe2 (2021), pp. 82–91. issn: 2358-2898. doi: 10.1590/0103-11042021E206.
D. C. Montgomery, E. A. Peck e G. G. Vining. Introduction to Linear Regression Analysis. 5th. John Wiley & Sons, 2012. isbn: 978-1-119-59821-0.
E. S. Nascimento, F. M. C Carvalho e E Gomes. “Relação entre fatores socioeconômicos e a pandemia da covid-19”. Em: Revista de Saúde Pública 33.1 (2024). https://doi.org/10.1590/S0104-12902024220248pt, e220248. issn: 1984-0470.
Ministério da Saúde. COVID-19 no Brasil. Acessado em 23/01/2025, https://infoms.saude.gov.br/extensions/covid-19_html/covid-19_html.html.
B.G. Tabachnick e L.S. Fidell. Using Multivariate Statistics. Always learning. https://books.google.com.br/books?id=ucj1ygAACAAJ. Pearson Education, 2013. isbn: 9780205849574.
J. M. Wooldridge. Introductory Econometrics: A Modern Approach. 6th. Cengage Learning, 2016. isbn: 978-1305270107.
