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

likelihood é uma forma de medir quanta informação sem explicação existe após o modelo ter
sido encaixado. No presente caso, o valor é de -163,38203, mas sua informação isolada não
ajuda compreender a contribuição do modelo.
Na parte superior a direita da tabela é disponibilizado o número de observações, ou
seja, o tamanho da amostra após a exclusão dos missing values. Em outras palavras, nota-se
que o número de observações que, de fato, foi utilizado na análise (5463) é menor do que a
população inicial (5562, que a quantidade de municípios no Brasil).
Logo abaixo, a tabela mostra o valor do teste qui-quadrado de razão de
verossimilhança LR chi2(11). Esse valor pode ser calculado a mão, de acordo com a equação
apresentada no capítulo anterior (LL é o log-likelihood),
assim, tem-se 2 x (163,38203 – 446,47008) = 566,18. Esse valor mostra o quanto o modelo
melhorou desde o modelo básico, que é o modelo quando só a constante é considerada (sem
nenhuma VI). Pode-se dizer que há uma melhoria considerável no modelo a partir do
momento em que as variáveis preditivas são incluídas. Há, ainda, um número entre parênteses
ao lado do LR, que nada mais é que os graus de liberdade. No presente estudo, como há 11
VI, esse é o número dos graus de liberdade.
Seguindo com as informações na tabela, tem-se a probabilidade de obter o teste qui-
quadrado dado que a hipótese nula é verdadeira, Prob > chi2. Ou seja, a probabilidade de
obter o teste qui-quadrado (566,18) se, de fato, não existir efeito das variáveis independentes
(quando analisadas em conjunto), na variável dependente. Essa é a probabilidade de
significância (p-value) que é comparada a um valor crítico (critical value), que pode ser de
0,05 ou 0,01, para ver se o modelo como um todo é significante. No caso, o modelo é
estatisticamente significante porque o valor-p é de 0,0000 e, portanto, inferior aos valores
críticos. Em outras palavras, o modelo é significantemente melhor do que aquele que não
inclui as variáveis independentes.
O pseudo R-quadrado, Pseudo R2, é apresentado logo abaixo. Viu-se no capítulo
anterior que na regressão logística não há um coeficiente de determinação R² como na versão
linear, ou seja, um número que representasse o quanto da variação da variável dependente
seria atribuído às outras variáveis. Diante disso, alguns estatísticos tentaram apresentar
cálculos que poderiam substituir essa falta. Existe uma gama variada de pseudos R-quadrados
que variam muito em seus valores (no capítulo anterior foram apresentados os de Hosmer e
Lemeshow, Cox e Snell e de Nagelkerke). Para exemplificar essa instabilidade, pode-se citar
que para o modelo o R² de McKelvey e Zavoina foi de 0,746, já o de Cox e Snell, de 0,098.
Confiar nessa medida é extremamente delicado; assim, apesar de a tabela fornecer o valor de
222