LONDRA KONFERANSI’NDA YUNAN

Construção de planilha compilando todas as variáveis de estudo coletadas e calculadas por capital brasileira, com posteriores análises estatísticas realizadas através do software SPSS Statistics 17.1. Inicialmente, realizou-se análise descritiva das variáveis sintetizadas em tabelas com médias e/ou percentuais e respectivo desvio-padrão.

Análise das variáveis quanto às suposições conceituais e estatísticas inerentes às técnicas multivariadas também foram executadas, pois estas são de suma importância e influenciam as técnicas estatísticas para representar relações multivariadas, sendo necessária que elas sejam satisfeitas para desenvolvimento de análises estatísticas adequadas e com robustez.

A primeira suposição conceitual e a mais fundamental em análise multivariada é a normalidade, a qual se refere à forma de distribuição de dados para uma variável métrica individual e sua correspondência com a distribuição normal, o padrão de referência para os métodos estatísticos. Caso a variação em relação à distribuição normal seja considerável, todos os testes estatísticos realizados terão resultados inválidos, uma vez que a normalidade é exigida no emprego das estatísticas F e t (BLACK et al., 2009). Para análise da normalidade das variáveis dependentes foram confeccionados histogramas com curva normal, comparação de média e mediana, avaliação de medidas de curtose e assimetria e teste de aderência para amostras pequenas (Shapiro-Wilk).

Outra suposição estatística básica para as técnicas multivariadas de dependência é a homocedasticidade. Homocedasticidade se refere à suposição de que as variáveis dependentes

exibem níveis iguais de variância ao longo do domínio das variáveis. Tal suposição é desejável, pois a sua não obediência, heterocedasticidade, afeta os erros padrões e torna os testes de hipóteses muito restritos ou insensíveis (BLACK et al., 2009). No entanto só a observamos no final da análise através da análise de resíduos das variáveis.

Linearidade é a suposição estatística seguinte que deve ser obedecida nas técnicas multivariadas baseadas em medidas correlacionais de associação. Como as correlações são apenas medidas de associação linear entre variáveis, se desejarmos utilizar funções lineares para explicar tal efeito é necessário obtê-la, pois caso contrário, os efeitos não-lineares não serão representados no valor da correlação (FÁVERO et al., 2009). A linearidade foi avaliada através de gráficos de dispersão das variáveis independentes em relação às variáveis dependentes.

Após análise de suposições, realizou-se análise fatorial com as variáveis independentes, através da análise dos componentes principais com o objetivo de reduzirmos o número de variáveis e ao mesmo tempo criarmos um conjunto menor de variáveis que pudessem expressar todas estas unidas. O objetivo geral da técnica de análise fatorial é encontrar um modo de condensar a informação contida em diversas variáveis originais em um conjunto reduzido de novas dimensões compostas ou variáveis estatísticas com perda mínima de informação (BLACK et al., 2009). As novas variáveis estatísticas formadas maximizarão sua explicação do conjunto inteiro de variáveis.

Testes de Kaiser-Meyer-Olkin (KMO) e Bartlett foram utilizados para avaliar a adequação do emprego da análise fatorial considerando o conjunto de dados analisados. O KMO é considerado adequado quando superior a 0,5 e Bartlett com a rejeição da hipótese nula. A comunalidade de cada variável foi observada, visto que esta representa a quantia de variância explicada pela solução fatorial para cada variável, portanto seus valores não poderiam ser inferiores a 0,5, sendo os valores ideais aqueles mais próximos de 1. A carga fatorial considerada foi acima de 0,5 para contribuir significativamente para o fator, após a rotação ortogonal pelo método varimax. Como a carga fatorial é a correlação da variável e do fator, a carga ao quadrado é a quantia da variância total explicada pelo fator. Logo, uma carga de 0,5 denota que 25% da variância é explicada pelo fator (BLACK et al., 2009).

Neste estudo, as oito variáveis independentes métricas foram reduzidas a duas novas variáveis estatísticas, as quais foram empregadas, juntamente com a fluoretação das águas de abastecimento, nas análises posteriores. A seguir, teste de correlação de Pearson entre as variáveis foi realizado para observar a existência de correlações estatisticamente significativas, o tipo de relação (positiva ou negativa) e a força da relação (a dispersão dos

casos) entre as variáveis dependentes e as novas variáveis independentes obtidas na análise fatorial.

As novas variáveis estatísticas independentes que mostraram valor de significância na matriz de correlação acima de 0,20 foram então selecionadas para análise de regressão linear múltipla, levando em consideração que a ordem de entrada das variáveis independentes no modelo de regressão foi definida de acordo com a ordem crescente de significância da correlação com a variável dependente. A variável presença de água fluoretada, por ser uma variável dicotômica, não foi inclusa na matriz de correlação e para determinação de sua ordem de entrada na modelo de regressão linear múltiplo realizou-se um teste de diferença de médias, teste t de student, para obtenção do valor de sua significância estatística, a qual serviu de parâmetro para ranquear a sua entrada na regressão linear múltipla.

Três modelos de regressão linear múltipla foram propostos: o primeiro modelo explicativo para o índice CPO-D aos 12 anos das capitais brasileiras de acordo com as características socioeconômicas e de política pública de saúde oral relevantes, o segundo modelo explicativo para a média de dentes perdidos aos 12 anos nas capitais brasileiras também de acordo com suas condições de vida e política pública de saúde bucal e o terceiro modelo para a taxa da população livre de cárie das capitais com as mesmas variáveis explicativas.