[1] "C:/Users/Bruna/Downloads"Interações e Dinâmicas de Populações e Continentes - Um panorama global
Resumo
O estudo visou compreender as intrincadas relações entre o progresso econômico, emissões de CO2 e elementos socioeconômicos, governamentais e demográficos. A análise individual dos perfis de cada país oferece parâmetros cruciais para pesquisadores, governos e empresas, permitindo identificar padrões e oportunidades globais. Utilizando o software R versão 4.3.1, o estudo envolveu a produção de gráficos e análises estatísticas, incluindo testes de hipótese e regressão logística, para avaliar a significância das relações entre variáveis. Os resultados revelam disparidades continentais evidentes, com a América do Norte e Ásia apresentando maior densidade, enquanto a América do Sul possui a menor. Apesar da falta de associação significativa entre continente e taxa de desemprego, as análises de regressão indicam que América do Norte, Ásia e Europa têm menor probabilidade de altas taxas de desemprego em comparação com a África. Adicionalmente, a densidade populacional e a taxa de natalidade influenciam negativamente as chances de taxas de desemprego elevadas. Essas conclusões destacam a complexidade das dinâmicas socioeconômicas globais, fornecendo insights relevantes para a formulação de políticas, incluindo o potencial impacto positivo do aumento do salário mínimo nas taxas de natalidade e desemprego.
Palavras-chave: Produto Interno Bruto (PIB); Emissões de Dióxido de Carbono (CO2); Taxa de Natalidade; Salário Mínimo; Área Florestal; Países; Continente.
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.
Foram efetuadas análises do banco de dados a fim de compreender melhor as relações entre as variáveis com seus respectivos objetivos. Com isso, foram determinadas medidas de posição como média, mediana e IQR com as variáveis escolhidas, com o intuito de obter a melhor distribuição e representação dos dados. Ademais, foram gerados gráficos de barras empilhadas, para demonstrar duas ou mais séries de dados, gráfico de dispersão de pontos, o qual determina a relação entre duas variáveis quantitativas e gráfico boxplot para visualizar a distribuição de dados divididos nos quartis.
Além disso, procedeu-se à condução de testes estatísticos de hipóteses para análises inferenciais, empregando um nível de significância de 5%. Dentre os testes utilizados, destaca-se o “Teste de Shapiro-Wilk” para avaliação da normalidade da distribuição dos dados, sendo realizado em todos os casos do estudo. Adicionalmente, aplicou-se o teste de “Kruskal-Wallis” para a comparação de dois grupos independentes, sendo o mesmo não paramétrico. Além do mais, foi realizado o teste post-hoc de “Dunn”- já que o valor-p do teste de Kruskal-Wallis foi menor que 5%- com a finalidade de averiguar a diferença significativa entre os grupos.
Por conseguinte, quando os tipos de variáveis eram iguais (qualitativa x qualitativa e quantitativa x quantitativa). Tendo isso em vista, foram realizados testes de “Pearson” visando encontrar o grau de correlação linear entre as variáveis quantitativas. Outro teste utilizado foi o de “Spearman” para determinar a relação da classificação do ranking de variáveis. No âmbito da avaliação de variáveis categóricas, foi empregado o teste “Qui-Quadrado de Pearson”, no qual foi utilizado para analisar a associação entre as variáveis.
Com o propósito de interpretar a relação entre variáveis explicativas e a variável resposta, recorreu-se à aplicação de modelos de regressão logística. Este enfoque permitiu a análise minuciosa de diversas variáveis nos dados, visando explicar seus vínculos com a variável resposta. Durante esse processo, foi determinado o grau de significância de cad
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
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 ($)”, cujas três faixas (“Até 15 bi.”, “De 15 bi. a 96 bi.”, “Maior que 96 bi.”) apresentaram a mesma frequência de 64 países (aproximadamente 33%), e dois países não tinham informações disponíveis (aproximadamente 1%). A variável “Emissões de CO2 (Toneladas)”, apresentou maior frequência, 65 países (33,5%), na faixa de “Até 2100 ton.” com 65 países (33,5%), em seguida, a faixa “De 2100 ton. a 35000 ton.” apresentou 64 países (32,9%), e a faixa “Maior que 35000 ton.”, 58 países (29,8%), além disso,7 países não possuiam informações disponíveis (3,6%). A variável “Taxa de Desemprego (%)” cuja faixa “Até 14%” teve a maior frequência, com 158 países (81,4%), e a faixa “Maior que 14% e até 30%” teve a menor frequência, com 17 países (8,7%), havendo 19 países sem informações disponíveis (9,7%). “Área Florestal (%)” possuiu sua faixa de maior frequência em “De 32% a 99%”, com 93 países (47,9%), e a faixa com menor frequência foi a de “Até 32%” com 91 países (46,9%), havendo 10 países sem informações disponíveis (5,1%).
As variáveis que permaneceram quantitativas (“Taxa de Natalidade”, “Salário Mínimo”, “Densidade”) puderam ser analisadas e foram obtidas as medidas de IQR, Mediana e Média. A partir da análise das variáveis, os seguintes valores foram observados, para “Taxa de Natalidade” foi obtido o IQR igual a 18 e Mediana igual a 18; para “Salário Mínimo” foi obtido o IQR igual a 2 e Mediana igual a 1; e para “Densidade” foi obtido o IQR igual a 178 e Mediana igual a 86.
#####| Characteristic | N = 1941 |
|---|---|
| Continente | |
| África | 54 (28%) |
| América do Norte | 23 (12%) |
| América do Sul | 11 (5.7%) |
| Ásia | 47 (24%) |
| Europa | 45 (23%) |
| Oceania | 14 (7.2%) |
| Densidade (P/Km2) | 86 (34, 212) |
| Taxa de natalidade | 18 (11, 29) |
| Não informado | 6 |
| Emissão de Co2 (toneladas) | 8,225 (686, 49,653) |
| Não informado | 7 |
| Área florestal (%) | 32 (11, 48) |
| Não informado | 7 |
| PIB ($) | 36,266,259,213 (8,487,891,268, 234,992,051,113) |
| Não informado | 2 |
| Salário Mínimo($) | 1.0 (0.4, 2.4) |
| Não informado | 44 |
| Taxa de desemprego (%) | 5.4 (3.4, 9.3) |
| Não informado | 19 |
| 1 n (%); Median (IQR) | |
Densidade dos continentes
Para obter uma avaliação abrangente da densidade demográfica em todo o mundo, medida em pessoas por quilômetro quadrado, foram utilizadas duas variáveis: Densidade (P/Km2) e Continente. Com essas variáveis, foram gerados uma tabela descritiva (ver tabela 5) e um gráfico de boxplot (ver figura 5). 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 6) em que o limite de densidade é ligeiramente superior a 8.000. Com esse ajuste, o segundo gráfico proporciona uma visualização mais clara dos dados apresentados no gráfico de boxplot.
Ao analisar o gráfico, notou-se que a maior mediana ocorreu na América do Norte, atingindo 167 pessoas por km². Todos os continentes apresentaram valores atípicos positivos, mas as disparidades entre eles foram evidentes. Os continentes asiático e europeu destacaram-se com os maiores valores atípicos, resultando nas médias mais elevadas, alcançando 453 e 752.63 pessoas por km², respectivamente. Além disso, observa-se que na América do Sul, onde o menor valor atípico está localizado, também se registra a menor média, que é de 24.36 pessoas por km².
Descriptive Statistics
Densidade (P/Km2) by Continente
Data Frame: world_sem_país
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 100.00 100.00 100.00 100.00 100.00 100.00
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_sem_país$`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 Kruskal-Wallis:
H0: Não há diferença entre a densidade em relação ao continente.
H1: Pelo menos um continente difere quanto à densidade.
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.
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%.
#####Error : Can't find world_sem_pa
Error : Can't find world_sem_paCross-Tabulation, Row Proportions
world_sem_país$Continente * world_sem_país$`Taxa de desemprego (%)`
--------------------------- ---------------------------------------- -------------- ------------------------- ------------ --------------
world_sem_país$`Taxa de desemprego (%) Até 14% Maior que 14% e até 30% <NA> Total
world_sem_país$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%)
Total 158 ( 81.4%) 17 ( 8.8%) 19 ( 9.8%) 194 (100.0%)
--------------------------- ---------------------------------------- -------------- ------------------------- ------------ --------------
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_sem_país$Continente and world_sem_país$`Taxa de desemprego (%)`
X-squared = 5.4665, df = 5, p-value = 0.3616Vê-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.
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] -0.6570151
Existe correlação entre o salário mínimo de um país e sua taxa de natalidade?
H0: Não existe correlação entre o salário mínimo de um país e sua taxa de natalidade.
H1: Existe correlação entre o salário mínimo de um país e sua taxa de natalidade.
Correlação de Pearson:
Shapiro-Wilk normality test
data: world_sem_país$`Salário Mínimo($)`
W = 0.67542, p-value < 2.2e-16Visto que a variável Salário Mínimo não apresenta normalidade (p<0,001, hipótese nula foi rejeitada), o teste correto a ser realizado é o teste de correlação de Spearman.
Spearman's rank correlation rho
data: world_sem_país$`Salário Mínimo($)` and world_sem_país$`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 coeficiente de correlação rho = -0.66 indica que esta correlação é negativa e moderada. Dessa forma, quanto maior o salário mínimo de um país, menor a sua taxa de natalidade.
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%.
#####Error : Can't find world_sem_pa
Error : Can't find world_sem_paCross-Tabulation, Row Proportions
world_sem_país$`Emissão de Co2 (toneladas)` * world_sem_país$`Área florestal (%)`
-------------------------------------------- ------------------------------------ ------------ -------------- ------------- --------------
world_sem_país$`Área florestal (%) Até 32% De 32% a 99% <NA> Total
world_sem_país$`Emissão de Co2 (toneladas)
Até 2100 ton. 31 (47.7%) 33 (50.8%) 1 ( 1.5%) 65 (100.0%)
De 2100 ton. a 35000 ton. 29 (45.3%) 35 (54.7%) 0 ( 0.0%) 64 (100.0%)
Maior que 35000 ton. 31 (53.4%) 25 (43.1%) 2 ( 3.4%) 58 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 7 (100.0%) 7 (100.0%)
Total 91 (46.9%) 93 (47.9%) 10 ( 5.2%) 194 (100.0%)
-------------------------------------------- ------------------------------------ ------------ -------------- ------------- --------------
Existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal?
H0: Não existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal
H1: Existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal
Qui-Quadrado de Pearson:
Pearson's Chi-squared test
data: world_sem_país$`Emissão de Co2 (toneladas)` and world_sem_país$`Área florestal (%)`
X-squared = 1.2463, df = 2, p-value = 0.5363Vê-se um valor-p maior do que 5%. A hipótese nula não é rejeitada, ou seja, não existe associação entre a quantidade de emissão de CO2 e sua extensão de área florestal.
Emissão de CO2 (Dióxido de Carbono) nos países de maior PIB (Produto Interno Bruto)
No gráfico de barras empilhadas entre as variáveis qualitativas PIB e emissões de CO2 dos países (ver figura 4), é possível observar na primeira coluna, representada pelos menores PIB´s (até 15 bilhões), que 69.2% são de países que possuem uma baixa emissão de CO2 (até 2.100 toneladas) e outra parte inferior de 23.1% com uma emissão de 2.100 toneladas a 35.000 toneladas.
Na segunda barra do gráfico (ver figura 4), representada por PIB´s de 15 bilhões a 96 bilhões, é possível notar que 69.2% das nações com esse PIB é representada pelo valor médio de 2.100 a 35.000 toneladas de CO2, outra parte de 21.5% por até 2.100 toneladas e uma parte bem diminuta de 9.2% com valores de emissão maiores que 35.000 toneladas.
Por fim, a última barra representa os países com PIB maior que 96 bilhões, onde se encontra 82.5% da emissão maior que 35.000 toneladas e outras duas partes sendo 9.5% referente a emissão de 2100 toneladas e 7.9% de 2.100 toneladas á 35.000 toneladas.
#####Error : Can't find world_sem_pa
Error : Can't find world_sem_paCross-Tabulation, Row Proportions
world_sem_país$`PIB ($)` * world_sem_país$`Emissão de Co2 (toneladas)`
------------------------- -------------------------------------------- --------------- --------------------------- ---------------------- ------------ --------------
world_sem_país$`Emissão de Co2 (toneladas) Até 2100 ton. De 2100 ton. a 35000 ton. Maior que 35000 ton. <NA> Total
world_sem_país$`PIB ($)
Até 15 bi. 45 (69.2%) 15 (23.1%) 0 ( 0.0%) 5 ( 7.7%) 65 (100.0%)
De 15 bi. a 96 bi. 14 (21.9%) 44 (68.8%) 6 ( 9.4%) 0 ( 0.0%) 64 (100.0%)
Maior que 96 bi. 6 ( 9.5%) 5 ( 7.9%) 52 (82.5%) 0 ( 0.0%) 63 (100.0%)
<NA> 0 ( 0.0%) 0 ( 0.0%) 0 ( 0.0%) 2 (100.0%) 2 (100.0%)
Total 65 (33.5%) 64 (33.0%) 58 (29.9%) 7 ( 3.6%) 194 (100.0%)
------------------------- -------------------------------------------- --------------- --------------------------- ---------------------- ------------ --------------Existe associação entre o PIB e a quantidade de emissão de CO2?
H0: Não existe associação entre o PIB e a quantidade de emissão de CO2.
H1: Existe associação entre o PIB e a quantidade de emissão de CO2.
Qui-Quadrado de Pearson:
Pearson's Chi-squared test
data: world_sem_país$`PIB ($)` and world_sem_país$`Emissão de Co2 (toneladas)`
X-squared = 161.25, df = 4, p-value < 2.2e-16Vê-se um valor-p menor do que 5%. A hipótese nula é rejeitada, ou seja, 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, indicando que quanto maior o PIB do país, mais ele emite CO2.
Regressão Logística
Um modelo contendo todas as varíaveis foi produzido para que a taxa de desemprego, categorizada em até 14% e maior que 14% e menor que 30%, fosse explicada.Nesse primeiro modelo, apenas as variáveis Continente, Densidade e Taxa de Natalidade foram significativas.Por conta disso, um segundo modelo de regressão logística foi criado, dessa vez contendo apenas as três variáveis significativas.
Ao observar as razões de chance das variáveis contidas no segundo modelo, é possível interpretar o que foi significativo naquele contexto. A variável qualitativa Continente utiliza a África como referência nas análises. Ao analisar os valores-p, os continentes que possuem um valor-p < 5% foram significativos, ou seja, os continentes América do Sul, Ásia e Europa.
Dessa forma, a América do Norte comparada a África apresentou um OR de 0,11, seguindo o método de análise utilizado na regressão linear(0,11-1=-0,89; -0,89 x 100% = -89%), obtemos o valor de -89%. Isso indica que a América do Norte tem uma chance 89% menor de ter uma Taxa de Desemprego maior que 14% quando comparada ao continente africano. Logo, a América do Norte apresenta uma chance menor de desemprego do que a África.
Seguindo o mesmo método, a Ásia possui 93% menos chances de apresentar uma Taxa de Desemprego maior que 14% quando comparada a África. E, ao comparar a Europa com a África, este continente apresenta 99% menos chances de possuir uma Taxa de Desemprego maior que 14% comparado ao continente africano.
Já ao analisar as duas variáveis quantitativas Densidade e Taxa de Natalidade, vê-se que a cada uma unidade na Densidade aumentada, a chance de uma Taxa de Desemprego maior que 14% diminui em 1%. Ou seja, quanto mais a Densidade aumenta, menor fica a Taxa de Desemprego. Da mesma forma, é possível observar que um aumento de 1% da Taxa de Natalidade resulta na redução em 17% das chances de uma Taxa de Desemprego maior que 14% ser apresentada.
Por conseguinte, é possível concluir que os continentes América do Norte, Ásia e Europa têm chances menores de ter altas Taxas de Desemprego comparados a África. Além disso, quanto maior a Densidade, há menos chances de Taxas de Desemprego mais altas serem apresentadas. Adicionalmente, quanto maior a Taxa de Natalidade, há menos chances de haver uma Taxa de Desemprego mais elevada.
Call:
glm(formula = `Taxa de desemprego (%)` ~ ., family = binomial(link = "logit"),
data = world_sem_país)
Coefficients:
Estimate Std. Error
(Intercept) 6.044e+00 2.255e+00
ContinenteAmérica do Norte -2.641e+00 1.379e+00
ContinenteAmérica do Sul -1.988e+01 1.863e+03
ContinenteÁsia -2.400e+00 1.093e+00
ContinenteEuropa -4.573e+00 1.606e+00
ContinenteOceania -1.884e+01 2.222e+03
`Densidade (P/Km2)` -1.036e-02 4.415e-03
`Taxa de natalidade` -2.411e-01 7.429e-02
`Emissão de Co2 (toneladas)`De 2100 ton. a 35000 ton. 7.383e-01 8.143e-01
`Emissão de Co2 (toneladas)`Maior que 35000 ton. 2.035e-01 1.309e+00
`Área florestal (%)`De 32% a 99% -5.852e-01 7.265e-01
`PIB ($)`De 15 bi. a 96 bi. 8.651e-02 8.158e-01
`PIB ($)`Maior que 96 bi. -1.763e+00 1.454e+00
`Salário Mínimo($)` 1.197e-02 1.979e-01
z value Pr(>|z|)
(Intercept) 2.680 0.00736 **
ContinenteAmérica do Norte -1.916 0.05538 .
ContinenteAmérica do Sul -0.011 0.99149
ContinenteÁsia -2.197 0.02804 *
ContinenteEuropa -2.847 0.00441 **
ContinenteOceania -0.008 0.99323
`Densidade (P/Km2)` -2.346 0.01897 *
`Taxa de natalidade` -3.246 0.00117 **
`Emissão de Co2 (toneladas)`De 2100 ton. a 35000 ton. 0.907 0.36462
`Emissão de Co2 (toneladas)`Maior que 35000 ton. 0.155 0.87652
`Área florestal (%)`De 32% a 99% -0.806 0.42053
`PIB ($)`De 15 bi. a 96 bi. 0.106 0.91555
`PIB ($)`Maior que 96 bi. -1.213 0.22532
`Salário Mínimo($)` 0.060 0.95177
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 91.233 on 140 degrees of freedom
Residual deviance: 63.689 on 127 degrees of freedom
(53 observations deleted due to missingness)
AIC: 91.689
Number of Fisher Scoring iterations: 17
Call:
glm(formula = `Taxa de desemprego (%)` ~ +Continente + `Densidade (P/Km2)` +
`Taxa de natalidade`, family = binomial(link = "logit"),
data = world_sem_país)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 4.276e+00 1.645e+00 2.600 0.009321 **
ContinenteAmérica do Norte -2.187e+00 1.064e+00 -2.056 0.039800 *
ContinenteAmérica do Sul -1.956e+01 1.931e+03 -0.010 0.991918
ContinenteÁsia -2.723e+00 9.742e-01 -2.795 0.005186 **
ContinenteEuropa -4.284e+00 1.211e+00 -3.537 0.000405 ***
ContinenteOceania -1.905e+01 2.075e+03 -0.009 0.992674
`Densidade (P/Km2)` -6.828e-03 3.185e-03 -2.144 0.032071 *
`Taxa de natalidade` -1.864e-01 5.594e-02 -3.332 0.000861 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 111.566 on 174 degrees of freedom
Residual deviance: 86.432 on 167 degrees of freedom
(19 observations deleted due to missingness)
AIC: 102.43
Number of Fisher Scoring iterations: 17| Characteristic | OR1 | 95% CI1 | p-value |
|---|---|---|---|
| Continente | |||
| África | — | — | |
| América do Norte | 0.11 | 0.01, 0.83 | 0.040 |
| América do Sul | 0.00 | >0.9 | |
| Ásia | 0.07 | 0.01, 0.40 | 0.005 |
| Europa | 0.01 | 0.00, 0.14 | <0.001 |
| Oceania | 0.00 | >0.9 | |
| Densidade (P/Km2) | 0.99 | 0.99, 1.00 | 0.032 |
| Taxa de natalidade | 0.83 | 0.74, 0.92 | <0.001 |
| 1 OR = Odds Ratio, CI = Confidence Interval | |||
4. Conclusão
Os resultados obtidos a partir dos testes estatísticos revelam padrões e relações significativas entre diversas variáveis socioeconômicas. Notavelmente, as diferenças entre os continentes são evidentes, com a América do Norte e a Ásia apresentando-se como regiões com maiores valores de densidade, enquanto a América do Sul possui os menores. Além disso, a correlação negativa e moderada entre o salário mínimo e a taxa de natalidade sugere que países com salários mínimos mais altos tendem a ter menor taxa de natalidade.
Os dados também indicam que não há associação significativa entre continente e taxa de desemprego, mas as análises de regressão linear mostram que a América do Norte, Ásia e Europa têm probabilidades menores de altas taxas de desemprego em comparação com a África. A densidade populacional e a taxa de natalidade emergem como fatores relevantes, influenciando negativamente as chances de taxas de desemprego mais elevadas. Essas descobertas fornecem insights valiosos sobre as relações complexas entre variáveis socioeconômicas e sugerem que políticas voltadas para o aumento de salários mínimos podem impactar positivamente nas taxas de natalidade e, indiretamente, nas taxas de desemprego.
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.