As determinantes locais da paradiplomacia: o caso dos municípios ...

Os testes de goodness of fit de Pearson qui-quadrado e de deviance foram aplicados.
Buscando o parâmetro de dispersão (), que pode ser dado pela razão entre o teste qui-
quadrado e os graus de liberdade ou pela razão entre o desvio e os graus de liberdade, são
causas de preocupação os resultados com valores acima de 1, com sérios problemas quando
eles se aproximam de 2. No primeiro caso o qui-quadrado é de 2206,77 e os graus de
liberdade são de 5451 (é o número entre parênteses), o parâmetro de dispersão é de 0,4. No
segundo caso, do deviance, a razão é de 0,05 (326,76/5451). Ambos os resultados dos
parâmetros são inferiores a 1, e não há uma discrepância extrema entre o qui-quadrado e o
deviance que preocupe (0,3), o que também leva a crer que o overdispersion é pouco
provável. Para esse problema não há reparos a serem feitos no modelo.
5.3 Observações que influenciam o modelo indevidamente (influential cases) e os casos
atípicos (outliers)
Até agora, verificaram-se potenciais problemas na construção do modelo, mas há
também observações específicas que podem ter um impacto significante no modelo. O motivo
pelo qual é necessário se preocupar remete à possibilidade de (a) terem sido incluídos valores
equivocados em uma ou mais variáveis para essas observações, (b) esses casos, por suas
peculiaridades, podem ser interessantes por si só(casos que são mal classificados) ou (c) essas
observações podem influenciar negativamente a estimação do logit/relogit.
No caso de sua presença, uma ou mais observações podem ser mal previstos pela
solução encontrada. Um caso que está relamente em uma categoria pode mostrar alta
probabilidade de pertencer à outra. Se existem muitos casos como esses, o modelo é um
previsor de má qualidade. Os casos atípicos e influenciadores são examinados pelos resíduos,
que mostram se uma observação está muito distante do resto e também podem ajudar a
interpretar os resultados do modelo da análise de regressão logística.
Existem três estatísticas básicas para o diagnóstico dos resíduos no logit: os de
Pearson e os de Deviance, já citados anteriormente, além do ponto alavanca de Pregibon (há,
entretanto, outras tantas formas de teste, como os DFBeta e as distâncias de Cook, citados no
capítulo anterior). Os resíduos padronizados (standardized) de Pearson medem as diferenças
entre a frequência observada e a frequência prevista em desvios-padrão, ou seja, o desvio
relativo entre valores observados e encaixados. Os resíduos de desviância medem as
diferenças entre as funções de log likelihood máximas da observação e as encaixadas no
modelo. Como o logit também utiliza o princípio de máxima verossimilhança, o objetivo é
minimizar a soma dos desvios dos resíduos (na verdade, a soma dos quadrados, como dito no
215