C:\ARQUIVO DE TRABALHO 2011\EDI - Unama
C:\ARQUIVO DE TRABALHO 2011\EDI - Unama
C:\ARQUIVO DE TRABALHO 2011\EDI - Unama
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
136<br />
2 MATERIAL E MÉTODOS<br />
2.1 CARACTERIZAÇÃO E LOCALIZAÇÃO DA ÁREA <strong>DE</strong> ESTUDO<br />
A área de estudo consiste em plantio de Pinus caribaea var bahamensis (PCB), de<br />
uma Fazenda da Duratex Florestal S\A situada na região sudoeste do estado de São Paulo,<br />
cujas idades variam de 9,5 a 13,2 anos, caracterizando talhões maduros. Essa região apresenta<br />
como características básicas, a periodicidade de chuvas, invernos secos com deficiência<br />
hídrica, precipitação anual entre 1100 e 1400 mm, geadas pouco frequentes, temperatura<br />
media entre 16 e 19ºC, clima subtropical moderado e úmido, vegetação do tipo<br />
floresta ombrófila pluvial e campos submontanos, e altitude de aproximadamente 900<br />
metros. A variável dependente foi o volume da madeira (Pinus). As variáveis independentes<br />
consideradas inicialmente e, em princípio, explicativas do volume, foram IAF (Índice<br />
de Área Foliar), DAF (Diâmetro Angular da Folha), DAP (Diâmetro à Altura do Peito),<br />
GAP (medida da clareira), idade, altura e área basal das árvores.<br />
2.2 FUNDAMENTAÇÃO TEÓRICA<br />
Em modelos de equação para estimar o volume de árvores em pé, utiliza-se<br />
constantemente uma técnica estatística chamada análise de regressão linear múltipla,<br />
na qual existe um frequente interesse com relação à natureza e significância das relações<br />
entre as variáveis independentes (altura, DAP, área basal, idade etc.) e a variável<br />
dependente (volume).<br />
Em muitas aplicações de administração, economia e principalmente nas ciências<br />
agrárias e florestais, frequentemente encontram-se variáveis independentes que<br />
estão correlacionadas entre elas mesmas e, também com outras variáveis que não estão<br />
incluídas no modelo, mas estão relacionadas às variáveis dependentes (NETER;<br />
WASSERMAN, 1974). O fato de muitas funções de regressões diferentes, proporcionar<br />
bons ajustes para um mesmo conjunto de dados é porque os coeficientes de regressão<br />
atendem várias amostras nas quais as variáveis independentes são altamente correlacionadas.<br />
Assim, os coeficientes de regressão estimados variam de uma amostra para<br />
outra quando as variáveis independentes estão altamente correlacionadas. Isso leva à<br />
informação imprecisa a respeito dos coeficientes verdadeiros, sendo esse fenômeno<br />
chamado de multicolinearidade (NETER; WASSERMAN, 1974).<br />
2.2.1 Multicolinearidade<br />
A multicolinearidade consiste em um problema comum em regressões, no qual<br />
as variáveis independentes possuem relações lineares exatas ou aproximadamente<br />
exatas. O índício mais claro da existência da multicolinearidade é quando o R² é bastante<br />
alto, mas nenhum dos coeficientes da regressão é estatisticamente siginificativo<br />
segundo o teste t convencional. As consequências da multicolinearidade em uma regressão<br />
são as de erros-padrão elevados no caso de multicolinearidade moderada ou<br />
severa e até mesmo a impossibilidade de qualquer estimação se a multicolinearidade<br />
for perfeita (GUJARATI, 2000).<br />
Traços, Belém, v. 12, n. 25, p. 133-146, jun. 2010