As determinantes locais da paradiplomacia: o caso dos municípios ...
As determinantes locais da paradiplomacia: o caso dos municípios ...
As determinantes locais da paradiplomacia: o caso dos municípios ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tabela 7 - Esboço <strong>da</strong> Regressão logística: o modelo quando to<strong>da</strong>s as variáveis são<br />
inclui<strong>da</strong>s<br />
Será apresentado mais a frente quando a regressão logística for ro<strong>da</strong><strong>da</strong> para o nosso<br />
modelo específico, o que ca<strong>da</strong> um <strong>dos</strong> scores representa. Não faz sentido explicar os <strong>da</strong><strong>dos</strong> a<br />
essa altura, já que não são esses os valores do estudo. Essa foi a primeira tentativa de<br />
representar fielmente o modelo teórico descrito no capítulo 3, porque foram incluí<strong>dos</strong> to<strong>dos</strong> os<br />
indicadores que representam as <strong>determinantes</strong> <strong>locais</strong> aponta<strong>da</strong>s por Sol<strong>da</strong>tos e que são<br />
respal<strong>da</strong><strong>dos</strong> por outros autores, lembrando que o modelo foi a<strong>da</strong>ptado para o <strong>caso</strong> brasileiro<br />
com as devi<strong>da</strong>s justificativas.<br />
5.2.2 Lineari<strong>da</strong>de<br />
Iteration 0: log likelihood = -334.44023<br />
Iteration 1: log likelihood = -245.89714<br />
Iteration 2: log likelihood = -172.44642<br />
Iteration 3: log likelihood = -141.13221<br />
Iteration 4: log likelihood = -136.172<br />
Iteration 5: log likelihood = -134.96379<br />
Iteration 6: log likelihood = -134.90905<br />
Iteration 7: log likelihood = -134.90743<br />
Iteration 8: log likelihood = -134.90743<br />
Logistic regression Number of obs = 5427<br />
LR chi2(18) = 399.07<br />
Prob > chi2 = 0.0000<br />
Log likelihood = -134.90743 Pseudo R2 = 0.5966<br />
aint Coef. Std. Err. z P>|z| [95% Conf. Interval]<br />
regse -1.077376 1.001021 -1.08 0.282 -3.039341 .8845891<br />
front 1.374505 .549637 2.50 0.012 .2972358 2.451773<br />
metoo .5096162 .406648 1.25 0.210 -.2873993 1.306632<br />
edu .7373683 .4976833 1.48 0.138 -.2380731 1.71281<br />
idh 12.50853 6.111399 2.05 0.041 .5304093 24.48666<br />
pib .0002698 .0001454 1.86 0.064 -.0000152 .0005548<br />
pibcap .0004532 .0150132 0.03 0.976 -.0289721 .0298786<br />
pop .0073682 .0022285 3.31 0.001 .0030005 .011736<br />
exp .0015597 .0007567 2.06 0.039 .0000765 .0030429<br />
com -.000846 .0004589 -1.84 0.065 -.0017454 .0000535<br />
func .0276723 .0123203 2.25 0.025 .003525 .0518197<br />
pt 1.163203 .445333 2.61 0.009 .2903662 2.03604<br />
oposi .2135834 .4543707 0.47 0.638 -.6769668 1.104134<br />
ied -.0200256 .005242 -3.82 0.000 -.0302998 -.0097514<br />
sp 5.122452 1.703363 3.01 0.003 1.783921 8.460983<br />
sprj -2.449472 1.756463 -1.39 0.163 -5.892075 .9931315<br />
rs 1.807075 .6867147 2.63 0.009 .461139 3.153011<br />
regsesl -.3620964 .8654529 -0.42 0.676 -2.058353 1.33416<br />
cap (omitted)<br />
_cons -17.04869 4.421848 -3.86 0.000 -25.71535 -8.382027<br />
O primeiro <strong>dos</strong> pressupostos analisa<strong>dos</strong> no nosso modelo é o <strong>da</strong> lineari<strong>da</strong>de. Pode<br />
parecer estranho pensar em lineari<strong>da</strong>de como uma condição para o modelo logístico, <strong>da</strong>do que<br />
anteriormente foi dito que a noção básica do logit é a presença de variável dependente<br />
categórica. Conforme se explicou no capítulo 4, esse pressuposto é um pouco distinto do<br />
encontrado na regressão linear. A lineari<strong>da</strong>de para a regressão logística ocorre entre o<br />
logaritmo natural <strong>da</strong> variável dependente e as variáveis independentes contínuas.<br />
205