| Characteristic | N = 1941 |
|---|---|
| Continente | |
| África | 54 (28%) |
| América do Norte | 23 (12%) |
| América do Sul | 11 (5.7%) |
| Ásia | 47 (24%) |
| Europa | 45 (23%) |
| Oceania | 14 (7.2%) |
| Densidade (P/Km2) | 86 (34, 212) |
| Taxa de natalidade | 18 (11, 29) |
| Unknown | 6 |
| Emissão de Co2 (toneladas) | 8,225 (686, 49,653) |
| Unknown | 7 |
| Área florestal (%) | 32 (11, 48) |
| Unknown | 7 |
| PIB ($) | 36,266,259,213 (8,487,891,268, 234,992,051,113) |
| Unknown | 2 |
| Salário Mínimo($) | 1.0 (0.4, 2.4) |
| Unknown | 44 |
| Taxa de desemprego (%) | 5.4 (3.4, 9.3) |
| Unknown | 19 |
| 1 n (%); Median (IQR) | |
Interações e Dinâmicas de Populações e Continentes - Um panorama global
Resumo
O resumo é uma síntese concisa do artigo, apresentando de forma clara e objetiva o objetivo, metodologia, principais resultados e conclusões da pesquisa. O tamanho do resumo pode variar de acordo com as normas da revista ou evento científico em que será submetido. Neste caso, o resumo deve ter entre 150 a 250 palavras.
Palavras-chave: palavra 1; palavra 2; palavra 3
1. Introdução
O presente estudo baseia-se em um banco de dados que reúne fatores econômicos, demográficos e ambientais de 196 países, o que permite uma compreensão holística dos desafios e oportunidades enfrentados pelas regiões do mundo. De acordo com Kaufmann, Kraay e Zoido-Lobatón (1999), há uma correlação substancialmente positiva entre a eficácia governamental e o desenvolvimento humano, e a amplitude de informações aqui presentes permite uma compreensão mais profunda da influência governamental nas disparidades e semelhanças que moldam o cenário internacional.
É inegável que o progresso econômico de uma nação exerce uma significativa influência em seu desenvolvimento humano. No entanto, Yang (2010) observa que o Produto Interno Bruto (PIB) per capita de determinados países do leste asiático não é totalmente explicativo do comportamento do Índice de Desenvolvimento Humano (IDH). Dessa forma, faz-se imprescindível reconhecer outros elementos que possam contribuir para o progresso humano em uma determinada área.
O foco central desta pesquisa reside na compreensão das complexas relações entre o desenvolvimento econômico, as emissões de dióxido de carbono (CO2) e a interconexão entre os aspectos socioeconômicos, governamentais e demográficos. Traçar o perfil de cada país permite que pesquisadores, governos e empresas obtenham parâmetros valiosos sobre questões globais, identifiquem tendências, desafios e oportunidades, além de promoverem decisões importantes em âmbitos internacionais.
1.1. Objetivo
O objetivo primordial deste estudo é promover uma compreensão abrangente e interconectada dos fatores socioeconômicos e ambientais que moldam as dinâmicas globais. As interações complexas entre o Produto Interno Bruto (PIB) e as emissões de dióxido de carbono (CO2) serão analisadas, assim como a configuração da interferência do salário mínimo de um país em sua taxa de natalidade. Além disso, será explorada a maneira na qual as emissões de CO2 influenciam diretamente na extensão da área florestal, considerando a interdependência entre atividades humanas e preservação ambiental.
No âmbito da quantificação, este estudo propõe a mensuração da taxa de desemprego e da densidade populacional em diferentes continentes, proporcionando uma compreensão abrangente dos desafios e das oportunidades enfrentados por distintas regiões do mundo. Dessa forma, o objetivo geral é contribuir para a formulação de políticas e estratégias que promovam um desenvolvimento sustentável, equitativo e globalmente informado.
1.1.1. Objetivos específicos
- Analisar a influência do PIB nas emissões de CO2;
- Analisar como o valor do salário mínimo de um país influencia em sua taxa de natalidade;
- Analisar como a quantidade de emissão de CO2 de um país influencia na extensão de sua área florestal;
- Avaliar qual a taxa de desemprego nos diferentes continentes;
- Avaliar qual a densidade nos diferentes continentes.
2. Metodologia
Foi realizada uma análise estatística bivariada proveniente do agrupamento das informações contidas no banco de dados utilizado em cinco duplas de variáveis. As duplas de variáveis foram compostas tanto de variáveis qualitativas quanto de quantitativas. As correlações foram escolhidas visando a melhor representação de relações econômicas, sociais e sustentáveis/ambientais internacionais, a fim de criar um panorama geral de como cada país se comporta em determinados indicadores.
O software utilizado para criação de gráficos, análise e manejo de variáveis e criação de tabelas foi o R versão 4.3.1. O banco de dados utilizado foi criado por Nidula Elgiriyewithana, em julho de 2023, e publicado no site Kaggle. O banco inicial era composto por 36 variáveis distintas que abordavam diversos aspectos de todos os países do mundo. Com base na análise das variáveis, foram selecionadas aquelas que exibem certa correlação que instigue análises globais por meio da comparação de aspectos semelhantes, mas em diferentes países.
As variáveis utilizadas foram o PIB (Produto Interno Bruto - valor total dos bens e serviços produzidos no país); Emissões de CO2 (emissões de dióxido de carbono em toneladas); Taxa de Desemprego (porcentagem da força de trabalho que está desempregada); Taxa de natalidade (número de nascimentos por 1.000 habitantes por ano); Área Florestada (porcentagem de área coberta por florestas; Salário Mínimo (nível do salário mínimo em moeda local), Densidade (Densidade populacional medida em pessoas por quilômetro quadrado) e Continente (variável criada a partir dos 196 países contidos no banco de dados).
3. Resultados e Discussão
Apresente os principais resultados obtidos na pesquisa de forma clara e objetiva.
Descrição da Tabela 1
Para a análise de dados, foi decidido que os países estariam agrupados em continentes, sendo estes “África”, “América do Norte”, “América do Sul” “Ásia”, “Europa” e “Oceania”. O continente com maior número de países foi a “África” com 54 países (28%), seguido da “Ásia” e da “Europa” com 47 países (24%) e 45 países (23%) respectivamente.
Parte das variáveis foram agrupadas em categorias/faixas, afim de fazer com que certas comparações fossem mais eficientes, sendo estas o “PIB ($)”, cujas três faixas (“Até 15 bi.”, “De 15 bi. a 96 bi.”, “Maior que 96 bi.”) apresentaram a mesma frequência sendo esta de 64 países (aproximadamente 33%), e dois países não tinham informações disponíveis (aproximadamente 1%), “Emissões de CO2 (Toneladas)” cuja faixa com maior frequência foi a de “Até 2100 ton.” com 65 países (33,5%), seguida da faixa “De 2100 ton. a 35000 ton.” com 64 países (32,9%), seguida da faixa “Maior que 35000 ton.” com 58 países (29,8%), e 7 países sem informações disponíveis (3,6%), “Taxa de Desemprego (%)” cuja faixa “Até 14%” teve a maior frequência com 158 países (81,4%) e a faixa “Maior que 14% e até 30%” teve a menor frequência, com 17 países (8,7%), havendo 19 países sem informações disponíveis (9,7%), “Área Florestal (%)” cuja faixa com maior frequência foi a “De 32% a 99%” com 93 países (47,9%) e a faixa com menor frequência foi a de “Até 32%” com 91 países (46,9%), havendo 10 países sem informações disponíveis (5,1%).
As variáveis que permaneceram quantitativas (“Taxa de Natalidade”, “Salário Mínimo”, “Densidade”) puderam ser analisadas e foram obtidas as medidas de IQR, Mediana e Média. A partir da análise das variáveis, os seguintes valores foram observados, para “Taxa de Natalidade” foi obtido o IQR igual a 17,44; Mediana igual a 17,91 e Média igual a 20,15; para “Salário Mínimo” foi obtido o IQR igual a 2,04; Mediana igual a 1,04 e Média igual a 2,19; e para “Densidade” foi obtido o IQR igual a 177,75; Mediana igual a 85,50 e Média igual a 350,32.
Tabela 1
Densidade dos continentes
Para obter uma avaliação abrangente da densidade demográfica em todo o mundo, foram utilizadas duas variáveis: Densidade (P/Km2) e Continente. Com essas variáveis, foram gerados uma tabela descritiva (ver Tabela 2) e um gráfico de boxplot (ver Figura 1).
No primeiro gráfico, o limite superior da densidade é definido em 20.000 (P/Km2). Entretanto, como evidenciado no gráfico e na tabela, há um valor atípico no continente europeu que ultrapassa os 20.000 (P/Km2) de densidade, caracterizando um outlier. Isso resulta em uma compressão das caixas (boxplots) dos outros continentes, prejudicando a visualização geral do gráfico.
Portanto, para melhor visualizar os quartis e a mediana, foi criado um segundo gráfico (ver Figura 2) em que o limite de densidade é de 10.000. Com esse ajuste, o segundo gráfico proporciona uma visualização mais clara dos dados apresentados no gráfico de boxplot.
Tabela 2
library(summarytools)
with(world_data_2023, stby(`Densidade (P/Km2)`, Continente, descr))Descriptive Statistics
Densidade (P/Km2) by Continente
Data Frame: world_data_2023
N: 54
África América do Norte América do Sul Ásia Europa Oceania
----------------- -------- ------------------ ---------------- --------- ---------- ---------
Mean 103.46 189.48 24.36 453.00 752.63 185.00
Std.Dev 135.10 157.10 19.42 1258.55 3912.38 239.37
Min 3.00 4.00 4.00 2.00 1.38 3.00
Q1 25.00 58.00 11.00 60.00 64.00 25.00
Median 54.50 167.00 20.00 115.00 105.00 59.50
Q3 111.00 284.00 26.00 341.00 164.00 329.00
Max 626.00 668.00 71.00 8358.00 26337.00 784.00
MAD 54.86 161.60 8.90 130.47 85.99 72.65
IQR 85.25 216.50 12.00 263.50 100.00 258.50
CV 1.31 0.83 0.80 2.78 5.20 1.29
Skewness 2.30 1.14 1.14 5.35 6.21 1.26
SE.Skewness 0.32 0.48 0.66 0.35 0.35 0.60
Kurtosis 4.93 1.28 0.41 30.24 37.64 0.31
N.Valid 54.00 23.00 11.00 47.00 45.00 14.00
Pct.Valid 100.00 100.00 100.00 100.00 100.00 100.00Figura 1
Figura 2
Taxa de desemprego dos continentes
O objetivo da seguinte associação é a obtenção de um panorama global do comportamento da taxa de desemprego em todos os continentes. A pergunta que guiou essa correlação foi: Qual a taxa de desemprego nos diferentes continentes? Para responder a essa pergunta, foram utilizadas duas variáveis qualitativas: Taxa de Desemprego (%) e Continente.
Dessa forma, para que a análise da correlação entre essas variáveis fosse feita, um gráfico de barras empilhadas e uma tabela descritiva foram construídos. Através de uma análise estatística descritiva do gráfico (ver Figura 1), é possível deduzir que os continentes América do Sul e Oceania apresentam uma taxa de desemprego total de, no máximo, 14%.
No entanto, ao examinar o gráfico (ver Figura 3) em conjunto com a Tabela 3, observa-se que o continente Oceania não possui efetivamente 100% dos dados relacionados à taxa de desemprego contidos na faixa de até 14%, mas sim 57,1% inseridos nessa categoria. Isso se deve à presença de dados ausentes (NA), conforme evidenciado na Tabela 1.
Dessa maneira, a América do Sul (100%) e a Ásia (91,5%) são os continentes que abrigam mais de 90% dos dados relacionados à taxa de desemprego na categoria em que a parcela da população desempregada é igual ou inferior a 14%.
Além disso, destaca-se que o continente africano apresenta a maior proporção percentual de taxa de desemprego na faixa de 14% a 30%, atingindo 14,8%, o que representa um total absoluto de oito países africanos. Seguindo a África, o segundo continente com a maior porcentagem relativa de taxa de desemprego na faixa de 14% a 30% é a América do Norte, com 13,0%.
Tabela 3
Cross-Tabulation, Row Proportions
Continente * `Taxa de desemprego (%)`
Data Frame: world_data_2023
------------------ ------------------------ -------------- ------------------------- ------------ --------------
Taxa de desemprego (%) Até 14% Maior que 14% e até 30% <NA> Total
Continente
África 44 ( 81.5%) 8 (14.8%) 2 ( 3.7%) 54 (100.0%)
América do Norte 16 ( 69.6%) 3 (13.0%) 4 (17.4%) 23 (100.0%)
América do Sul 11 (100.0%) 0 ( 0.0%) 0 ( 0.0%) 11 (100.0%)
Ásia 43 ( 91.5%) 3 ( 6.4%) 1 ( 2.1%) 47 (100.0%)
Europa 36 ( 80.0%) 3 ( 6.7%) 6 (13.3%) 45 (100.0%)
Oceania 8 ( 57.1%) 0 ( 0.0%) 6 (42.9%) 14 (100.0%)
<NA> 1 ( 50.0%) 0 ( 0.0%) 1 (50.0%) 2 (100.0%)
Total 159 ( 81.1%) 17 ( 8.7%) 20 (10.2%) 196 (100.0%)
------------------ ------------------------ -------------- ------------------------- ------------ --------------Figura 3
Correlação entre salário mínimo de um país e sua taxa de natalidade
O objetivo da análise da correlação entre essas variáveis é entender como elas se relacionam e responder a perguntas sobre os locais com salários mínimos mais elevados e suas taxas de natalidade, bem como se o salário mínimo afeta a média de filhos.
Para isso, foi realizada uma análise de correlação por meio de um gráfico de dispersão de pontos. Observando o gráfico, identificou-se que a distribuição de pontos entre as variáveis assemelha-se a uma curva de tendência decrescente.
Além disso, o cálculo do coeficiente de correlação resultou em um valor de -0.6570151. Esse valor sugere que um aumento no salário mínimo está associado a uma redução na taxa de natalidade. Portanto, países com salários mínimos mais elevados tendem a ter uma taxa de natalidade mais baixa em comparação com países que têm salários mínimos mais baixos.
Coeficiente de correlação
[1] -0.6570151Figura 4
Correlação entre quantidade de emissão de CO2 e a extensão de área florestal de um país
O objetivo dessa correlação é checar se a taxa de emissão de dióxido de carbono influencia no tamanho da área florestal. A pergunta que foi utilizada para a realização dessa correlação foi: A quantidade de emissão de CO2 de um país influencia na extensão de sua área florestal? Para responder a essa pergunta, foi utilizada uma variável quantitativa (Emissão de CO2) e uma qualitativa (Área florestal). Para que tal análise fosse feita, foi elaborado um gráfico de boxplot (ver Figura 5) e uma tabela descritiva (ver Tabela 5).
A partir de uma análise descritiva do gráfico (ver Figura 5), é possível observar que as áreas que emitem uma quantidade de dióxido de carbono maior que 35.000 toneladas possuem sua maior parte com uma área florestal chegando até os 32%, enquanto as áreas que emitem até 35.000 toneladas de dióxido de carbono possuem sua maior parte com uma área florestal que varia entre 32% a 99%.
É possível observar mais detalhadamente na tabela 3 que, em até 2100 toneladas de CO2, a área florestal de até 32% corresponde a 47.7% de emissões, enquanto que a área florestal de 32% a 99% corresponde a 50.8% de emissões. Já de 2100 até 35000 toneladas de CO2, a área florestal de até 32% corresponde a 46.2% de emissões, enquanto de 32% a 99% corresponde a 53.8% de emissões. Já para emissões maiores que 35000 toneladas de CO2, a área florestal de até 32% corresponde a 53.4%, enquanto de 32% a 99% corresponde a 43.1%.
Tabela 5
Cross-Tabulation, Row Proportions
`Emissão de Co2 (toneladas)` * `Área florestal (%)`
Data Frame: world_data_2023
---------------------------- -------------------- ------------ -------------- ------------- --------------
Área florestal (%) Até 32% De 32% a 99% <NA> Total
Emissão de Co2 (toneladas)
Até 2100 ton. 31 (47.7%) 33 (50.8%) 1 ( 1.5%) 65 (100.0%)
De 2100 ton. a 35000 ton. 30 (46.2%) 35 (53.8%) 0 ( 0.0%) 65 (100.0%)
Maior que 35000 ton. 31 (53.4%) 25 (43.1%) 2 ( 3.4%) 58 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 8 (100.0%) 8 (100.0%)
Total 92 (46.9%) 93 (47.4%) 11 ( 5.6%) 196 (100.0%)
---------------------------- -------------------- ------------ -------------- ------------- --------------Figura 5
Emissão de CO2 (Dióxido de Carbono) nos países de maior PIB (Produto Interno Bruto)
No gráfico de barras empilhadas entre as variáveis qualitativas PIB e emissões de CO2 dos países (ver figura 4), é possível observar na primeira coluna, representada pelos menores PIB´s (até 15 bilhões), que 69.2% são de países que possuem uma baixa emissão de CO2 (até 2.100 toneladas) e outra parte inferior de 23.1% com uma emissão de 2.100 toneladas a 35.000 toneladas.
Na segunda barra do gráfico (ver figura 4), representada por PIB´s de 15 bilhões a 96 bilhões, é possível notar que 69.2% das nações com esse PIB é representada pelo valor médio de 2.100 a 35.000 toneladas de CO2, outra parte de 21.5% por até 2.100 toneladas e uma parte bem diminuta de 9.2% com valores de emissão maiores que 35.000 toneladas.
Por fim, a última barra representa os países com PIB maior que 96 bilhões, onde se encontra 82.5% da emissão maior que 35.000 toneladas e outras duas partes sendo 9.5% referente a emissão de 2100 toneladas e 7.9% de 2.100 toneladas á 35.000 toneladas.
Tabela 6
Cross-Tabulation, Row Proportions
`PIB ($)` * `Emissão de Co2 (toneladas)`
Data Frame: world_data_2023
-------------------- ---------------------------- --------------- --------------------------- ---------------------- ------------ --------------
Emissão de Co2 (toneladas) Até 2100 ton. De 2100 ton. a 35000 ton. Maior que 35000 ton. <NA> Total
PIB ($)
Até 15 bi. 45 (69.2%) 15 (23.1%) 0 ( 0.0%) 5 ( 7.7%) 65 (100.0%)
De 15 bi. a 96 bi. 14 (21.5%) 45 (69.2%) 6 ( 9.2%) 0 ( 0.0%) 65 (100.0%)
Maior que 96 bi. 6 ( 9.5%) 5 ( 7.9%) 52 (82.5%) 0 ( 0.0%) 63 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 0 ( 0.0%) 3 (100.0%) 3 (100.0%)
Total 65 (33.2%) 65 (33.2%) 58 (29.6%) 8 ( 4.1%) 196 (100.0%)
-------------------- ---------------------------- --------------- --------------------------- ---------------------- ------------ --------------Figura 6
Logo após a Tabela 1, crie tópicos para cada pergunta, insira o texto referente à interpretação de cada gráfico e, em seguida, o gráfico correspondente. Lembre-se que nesta etapa não podemos concluir nada. Por isso, descreva com base nas medidas que aprendemos.
Em cada tópico criado, descreva os resultados encontrados com os testes. Citem o nome do teste aplicado e o valor-p encontrado. Se realizarem teste qui-quadrado ou exato de Fisher, falem sobre “associação estatisticamente significativa”. Se realizarem teste t ou ANOVA, falem em “diferença estatisticamente significativa das médias”. Se realizarem teste de Mann-Whitney ou Kruskal-Wallis, falem em “diferença estatisticamente significativa das distribuições”. Se realizarem ANOVA ou Kruskal-Wallis e eles forem significativos, realizar um teste post-hoc (Tukey ou Dunn).
Quanto ao modelo de regressão, inclua a tabela gerada no R e interprete os resultados. Importante: se o modelo for de regressão linear, explicar o significado dos coeficientes e informar o valor-p daqueles que foram significativos. Se o modelo for de regressão logística, informar as razões de chance, sua interpretação e o valor-p daquelas variáveis que foram significativas.
Utilize, pelo menos, dois artigos científicos para comparar com os achados do estudo.
Testes de Associação: Depois colocar cada teste em seu devido lugar no texto
Existe associação entre o PIB e a quantidade de emissão de CO2?
H0: não existe associação entre o PIB e a quantidade de emissão de CO2 H1: existe associação entre o PIB e a quantidade de emissão de CO2
Qui-Quadrado de Pearson:
chisq.test(world_data_2023$`PIB ($)`, world_data_2023$`Emissão de Co2 (toneladas)`)
Pearson's Chi-squared test
data: world_data_2023$`PIB ($)` and world_data_2023$`Emissão de Co2 (toneladas)`
X-squared = 163.01, df = 4, p-value < 2.2e-16Vê-se um valor-p maior do que 5%. A hipótese nula não é rejeitada, ou seja, não existe associação entre o PIB e a quantidade de emissão de CO2.
Visto que o teste qui-quadrado apresentou valor-p > 0,001, os dados sugerem que não há uma assosiação estatisticamente significativa entre o PIB e as emissões de CO2.
Tabela de contingência para achar as porcentagens para saber os valores das células:
Como apareceu um Warning, seguimos para o Exato de Fisher:
Existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal?
H0: não existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal H1: existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal
Qui-Quadrado de Pearson:
Pearson's Chi-squared test
data: world_data_2023$`Emissão de Co2 (toneladas)` and world_data_2023$`Área florestal (%)`
X-squared = 327.88, df = 318, p-value = 0.3393Vê-se um valor-p maior do que 5%. A hipótese nula não é rejeitada, ou seja, não existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal.
Visto que o teste qui-quadrado apresentou valor-p > 0,001, os dados sugerem que não há uma assosiação estatisticamente significativa entre a quantidade de emissão de CO2 e sua extensão de área florestal.
Tabela de contingência para achar as porcentagens para saber os valores das células:
Como apareceu um Warning, seguimos para o Exato de Fisher:
Existe associação entre continente e taxa de desemprego?
H0: não existe associação entre continente e taxa de desemprego H1: existe associação entre continente e taxa de desemprego
Qui-Quadrado de Pearson:
Pearson's Chi-squared test
data: world_data_2023$Continente and world_data_2023$`Taxa de desemprego (%)`
X-squared = 808.07, df = 810, p-value = 0.5126Vê-se um valor-p maior do que 5%. A hipótese nula não é rejeitada, ou seja, não existe associação entre continente e taxa de desemprego.
Visto que o teste qui-quadrado apresentou valor-p > 0,001, os dados sugerem que não há uma assosiação estatisticamente significativa entre continente e taxa de desemprego.
Tabela de contingência para achar as porcentagens para saber os valores das células:
Nesse não apareceu warning, não seguiremos para o Exato de Fisher.
Testes de Correlação:
Existe correlação entre o salário mínimo de um país e sua taxa de natalidade?
H0: não existe associação entre o salário mínimo de um país e sua taxa de natalidade H1: existe associação entre o salário mínimo de um país e sua taxa de natalidade
Correlação de Pearson:
Shapiro-Wilk normality test
data: world_data_2023$`Salário Mínimo($)`
W = 0.67542, p-value < 2.2e-16Visto que a variável Salário Mínimo não apresenta normalidade (p<0,001, hipotese nula foi rejeitada), o teste correto a ser realizado a ser realizado é o teste de correlação de Spearman.
Spearman's rank correlation rho
data: world_data_2023$`Salário Mínimo($)` and world_data_2023$`Taxa de natalidade`
S = 932030, p-value < 2.2e-16
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.6570151 Ao realizar o teste de Correlação de Spearman foi obtido um valor p<0,001, indicando uma correlação estatisticamente significativa entre as variáveis. O coeficiene de correlação rho = -0.66 indica que esta correlação é negativa, porém fraca. Dessa forma, quanto maior o salário mínimo de um país, menor a sua taxa de natalidade.
#Teste de Hipóteses para 2 grupos pareados:
Existe diferença entre a densidade em relação ao continente?
Normalidade:
H0: os dados apresentam normalidade H1: Os dados não apresentam normalidade
Shapiro-Wilk normality test
data: world_data_2023$`Densidade (P/Km2)`
W = 0.12186, p-value < 2.2e-16Uma vez que o teste de shapiro-wilk apresentou valor-p < 0,05, a hipótese nula é rejeitada e, consequentemente, pode-se inferir que os dados não seguem distribuição normal, logo, aplica-se o teste não paramétrico de Teste de Wilcoxon:
H0: Não há diferença entre a densidade em relação ao continente H1: Há diferença entre a densidade em relação ao continente
Kruskal-Wallis rank sum test
data: Densidade (P/Km2) by Continente
Kruskal-Wallis chi-squared = 28.987, df = 5, p-value = 2.332e-05Uma vez que o teste de Kruskal-wallis apresentou valor-p < 0,001, pelo menos um dos grupos difere. Portanto, é necessário realizar o teste post-hoc de Dunn para verificar quais grupos diferem entre si.
Dunn's test of multiple comparisons using rank sums : holm
mean.rank.diff pval
América do Norte-África 39.482689 0.05211 .
América do Sul-África -44.349327 0.15248
Ásia-África 37.393420 0.01010 *
Europa-África 25.764815 0.18392
Oceania-África 15.037037 1.00000
América do Sul-América do Norte -83.832016 0.00065 ***
Ásia-América do Norte -2.089269 1.00000
Europa-América do Norte -13.717874 1.00000
Oceania-América do Norte -24.445652 1.00000
Ásia-América do Sul 81.742747 0.00021 ***
Europa-América do Sul 70.114141 0.00266 **
Oceania-América do Sul 59.386364 0.08657 .
Europa-Ásia -11.628605 1.00000
Oceania-Ásia -22.356383 1.00000
Oceania-Europa -10.727778 1.00000
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Após aplicar o teste de Dunn, é possível observar que os grupos com maiores diferenças entre si são a América do Sul e a América do Norte, e a Ásia e a América do Sul. Com relação aos valores das médias dos rankings, o grupo da América do Norte possui os maiores valores de densidade, seguido pela Ásia. Já o grupo da América do Sul é o de menores valores de densidade.
4. Conclusão
A seção de conclusão de um artigo científico é a parte final do trabalho, onde você deve resumir os principais pontos abordados no estudo e apresentar suas considerações finais. O que o seu estudo observou? Pegue os principais resultados e escreva de forma sucinta.
5. Referências
AURÉLIO VIEIRA, M.; SÉRGIO CERETTA, P. Co2 Emissions: A Dynamic Structural Analysis: EMISSÕES DE CO2: UMA ANÁLISE ESTRUTURAL DIN MICA. Brazilian Journal of Management / Revista de Administração da UFSM, v. 14, p. 949–969, 2 dez. 2021.
De La Croix, David, and Paula E. Gobbi. “Population Density, Fertility, and Demographic Convergence in Developing Countries.” Journal of Development Economics 127 (2017): 13-24. Web.
GROSFOGUEL, Ramón. Para descolonizar os estudos de economia política e os estudos pós-coloniais: transmodernidade, pensamento de fronteira e colonialidade global. Revista crítica de ciências sociais, n. 80, p. 115-147, 2008.
HELPMAN, Elhanan; ITSKHOKI, Oleg; REDDING, Stephen. Inequality and unemployment in a global economy. Econometrica, v. 78, n. 4, p. 1239-1283, 2010.
KAUFMANN, Daniel; KRAAY, Aart; ZOIDO-LOBATÓN, Pablo. Governance matters. In: WORLD BANK. Policy research working paper 2196, 1999.
ROHDEN, F. O controle da natalidade: a sociedade em risco. In.: A arte de enganar a natureza: contracepção, aborto e infanticídio no início do século XX [online]. Rio de Janeiro: Editora FIOCRUZ, 2003, pp. 89-121. História e saúde collection. ISBN: 978-65-5708-117-4.
Santos, R. I. C. (Setembro de 2022). Qual o papel das florestas para a redução do CO2: aplicação a um grupo de países da União Europeia? U Porto, 51.
YANG, Ko-Hsin. Human development and government effectiveness. Dissertação (master of public policy) - Georgetown Public Policy Institute, Faculty of the Graduate School of Arts and Sciences, Georgetown University, Georgetown, 2010.