A Segurança das Mulheres nas Cidades

Transcrição

1 Métodos e Técnicas de Análise da Informação para o Planejamento A Segurança das Mulheres nas Cidades Fernanda Gomes Neuhold Gustavo Sérgio de Oliveira

2 Sumário 1. Introdução 2. Metodologia 3. Análises 3.1- Preparação de Dados e Análise Exploratória 3.2- Análise de Regressão Clássica 3.3- Análise de Regressão Espacial 4. Conclusão 5. Referências Bibliográficas

3 1. Introdução A violência contra a mulher é um fator recorrente, histórico praticamente estabelecido nas sociedades atuais. Ela constitui danos irreparáveis, além da morte para milhares de mulheres em todo o mundo. Graças a isso é alvo continuo de diversos tipos de programas de combate e prevenção a este tipo de violência. Nosso tema foi escolhido com base na campanha Cidades Seguras Para Mulheres que associa serviços públicos de má qualidade com a segurança das mulheres no âmbito das cidades. A campanha foi criada pela ActionAid, organização sem fins lucrativos presente no Brasil desde As variáveis escolhidas pela campanha foram: Educação, Moradia, Iluminação, Transportes e Policiamento. A campanha analisa o impacto de cada uma destas variáveis com base sociológica, mas não nos apresenta dados empíricos sobre elas, ou algum tipo de diagnóstico produzido sobre seus efeitos. Desta forma, nossa hipótese se baseia nestes indicadores e se resume na questão: cidades onde estes indicadores são melhores apresentam índices menores de violência contra a mulher? A intenção é testar a relevância das variáveis para a violência contra mulher, além de analisar suas relações.

4 2. Metodologia Nossa metodologia consistiu em separar variáveis com maior similaridade possível das variáveis apresentadas na pesquisa e compara-lás com dados sobre violência contra a mulher. Inicialmente nossas variáveis se relacionavam com investimentos em Educação, Segurança Pública e Urbanismo. Com o decorrer do crescimento de nosso modelo percebemos que estas variáveis explicavam muito pouco nossas variáveis dependentes. Nossas variáveis dependentes escohidas foram Feminicídio e Estupro, ou seja, elas representam a violência contra a mulher. Inicialmente trabalharíamos com a região metropolitana de São Paulo, porém graças ao número reduzido de amostras acabamos optando por todo o Estado de São Paulo. Os dados de nossas variáveis foram transformados em taxas. Como variáveis independentes (graças a questão de ajuste do modelo) escolhemos os seguintes dados: Taxa de Analfabetismo da População de 25 anos ou mais de idade; Percentual da população de 25 anos ou mais com fundamental completo; Porcentagem da população com 18 anos ou mais e ensino médio completo Como podemos constatar as nossas variáveis dependentes passaram a resumir somente a questão de educação.

5 3. Análises 3.1. Transformações nos Dados Além de transformarmos nossos dados em taxas, fizemos a transformação Log10 em nossas variáveis dependentes. Essa transformação foi escolhida graças ao número de municípios onde os casos principalmente de Estupro eram 0. O Log também ajudou na assimetria positiva de nossos dados. Exemplo de Assimetria Positiva na Variável Dependente Feminicídio.

6 Outra transformação que pode ser apontada é a retirada de um caso da variável Estupro, decidimos retirar um caso influente que alterava muito a média de nossos dados.

7 3.2. Análise de Regressão Clássica Inicialmente nossa análise de regressão clássica seria uma regressão múltipla que usaria nossas três variáveis independentes (Taxa de Analfabetismo da População de 25 anos ou mais de idade, Porcentagem da população de 25 anos ou mais com fundamental completo e Porcentagem da população com 18 anos ou mais e ensino médio completo) para explicar separadamente nossas variáveis dependentes (Feminicídio e Estupro). Já na nossa análise de Correlação pudemos observar uma grande correlação entre as variáveis explicativas de nosso modelo: Quando construímos nosso modelo com estas três variáveis pudemos constatar a Multicolinearidade através do índice FIV:

8 Graças ao problema de Multicolinearidade nos dois modelos (Feminicídio e Estupro) optamos por montar modelos de regressão simples (contendo somente uma variável preditora). Modelo de Regressão Simples: Estupro Graças ao diagnóstico de Multicolinearidade nosso Modelo de Regressão com a variável Estupro usamos somente a variável Taxa de Analfabetismo da População de 25 anos ou mais de idade. Nosso R² (quanto da variabilidade do Estupro pode ser explicada pela Taxa de Analfabetismo) ficou extremamente pequeno, indicando que nosso modelo não é um bom indicador ou previsor de violência contra a mulher.

9 Apesar disso nossos valores de t estão abaixo de 0, 05, o que significa que nosso previsor está fazendo uma contribuição ao modelo. Nossa análise dos resíduos nos mostrou que estes estão distribuídos normalmente:

10 Nosso gráfico de dispersão não apresentou Heterocedasticidade ou Não linearidade:

11 Modelo de Regressão Simples: Feminicídio Nosso modelo de regressão de Feminicídio também levou em conta somente uma variável (graças novamente ao problema de Multicolinearidade). Para uma comparação melhor utilizamos a mesma variável independente: Porcentagem. Nosso R² melhorou consideravelmente em comparação com o modelo anterior. Ele explica aproximadamente 50% da variabilidade do Feminicídio. Novamente nossos testes t e F foram bons, não apresentando nenhum problema.

12 Novamente nossos testes com os resíduos apresentaram normalidade: E boa dispersão:

13 Análise dos Resíduos Espacializados É importante espacializar os resíduos da Regressão Clássica, pois se esses estiverem autocorrelacionados espacialmente estarão quebrando um dos princípios da Regressão Linear, pois esta não está captando a variação espacial e não pode ser aplicada de forma igual pela área estudada. Resíduos Espacializados: Estupro O mapa fornecido pelo GeoDa não é muito intuitivo, entretanto com o mapa de clusters e o Índice de Moran a autocorrelação é perceptível, criando a necessidade da Regressão Espacial nos dados. Mapa dos resíduos espacializados:

14 Mapa de clusters:

15 Resíduos Espacializados: Feminicídio

16

17 Também nos dados de feminicídio podemos observar a necessidadeda realização da Regressão Espacial.

18 3.3. Análise da Regressão Espacial Usamos o modelo de Regressão Espacial conhecido como Spatial Error, o qual considera o resíduo dos vizinhos para entender que o nosso modelo não incorpora certas variáveis que explicariam aquele erro, mas que essas variáveis variam espacialmente, aumentando assim o quanto da variação das nossas variáveis dependentes, logaritmos de estupro e feminicídio, é explicado pelo nosso modelo, quando incorporada a estrutura espacial. Spatial Error: Estupro O R-squared aumentou consideravelmente, quando realizada a Regressão Espacial. Também vemos que após a incorporação da estrutura espacial o Moran dos resíduos diminuiu significativamente.

19

20 Spatial Error: Feminicídio O mesmo aconteceu quando trabalhamos com os dados de feminicídio, entretanto a variação do R² não foi tão grande.

21

22 4. Conclusão Concluímos após as análises realizadas que ambos os fenômenos de violência contra a mulher estão relacionados à educação, o feminicídio em maior grau que o estupro, entretanto também visualizamos que quando se considera o espaço o estupro varia com variáveis que não pudemos medir neste estudo, mas que variam espacialmente no território.

23 5. Referências Bibliográficas Cidades Seguras para Mulheres. Disponível em: < > Acesso em 21 de julho de FIELD, Andy. Descobrindo a Estatística Usando o SPSS. 2. Ed. Porto Alegre: Bookman, 2009.