Comparação de Modelos Espaciais na Análise do Consumo Hídrico no Brasil: OLS, Spatial Lag e Spatial Error
DOI:
https://doi.org/10.5281/zenodo.16593645Palavras-chave:
Regressão espacial, Consumo de água., Renda, GeoDa, Comparação de modelosResumo
Este artigo tem como objetivo comparar o desempenho de três abordagens estatísticas: Regressão Linear Clássica (OLS), Spatial Lag Model (SLM) e Spatial Error Model (SEM), aplicadas à análise da relação entre o consumo de água per capita e a renda per capita no Brasil. Utilizando dados georreferenciados e matriz de vizinhança do tipo rainha, os modelos foram estimados no software GeoDa. Os resultados revelam autocorrelação espacial significativa nos resíduos do modelo OLS, o que compromete sua validade. Modelos espaciais melhoraram substancialmente o ajuste, sendo o Modelo de Erro Espacial (SEM) o mais adequado para os dados analisados. A pesquisa destaca a importância de incorporar a dependência espacial em análises territoriais, contribuindo para maior robustez metodológica em estudos socioambientais.
Referências
CARVALHO, M. S.; SOUZA-SANTOS, R. Análise de dados espaciais em saúde pública:
métodos, problemas, perspectivas. Cad. Saúde Pública, Rio de Janeiro, v. 21, n. 2, p. 361-378, mar-abr, 2005. https://doi.org/10.1590/S0102-311X2005000200003
DORMANN, C. F.; MCPHERSON, J. M.; ARAÚJO, M. B.; BIVAND, R.; BOLLIGER, J.; CARL, G.; DAVIES, R. G.; HIRZEL, A., JETZ, W., KISSLING, W. D.; KÜHN, I.; OHLEMÜLLER, R.; PERES-NETO, P. R.; REINEKING, B.; SCHRÖDER, B.; SCHURR, F. M.; WILSON, R. Methods to account for spatial autocorrelation in the analysis of species distributional data: a review. Ecography, v. 30, p. 609-628, 2007. https://doi.org/10.1111/j.2007.0906-7590.05171.x
LESAGE, J.; PACE, R. K. Introduction to Spatial Econometrics. (1ed.). Chapman and Hall/CRC. 2009.
LOPES, T. M. X.M.; SILVA, S. M. O.; SAMPAIO, L. S.; SOARES, R. B. Água e desigualdades socioeconômicas: análise espacial do consumo de água no Brasil. Revista da Água Urbana, v. 21, n. 9, p. 1056–1070, 2024. https://doi.org/10.1080/1573062X.2024.2397791
MILLER, J. A. (2012). Species distribution models: Spatial autocorrelation and non-stationarity. Progress in Physical Geography: Earth and Environment, v. 36, n. 5, p. 681-692, 2012. https://doi.org/10.1177/0309133312442522
PACIOREK, C. J. The Importance of Scale for Spatial-Confounding Bias and Precision of Spatial Regression Estimators. Statical Science, v. 25, n. 1, p. 107-125, 2010. https://doi.org/10.1214/10-STS326
RÜTTENAUER, T. Spatial Data Analysis. Econometric, p. 1-28, 2024. https://doi.org/10.48550/arXiv.2402.09895
ZHANG, Z.; LI, Z.; SONG, Y.. On ignoring the heterogeneity in spatial autocorrelation: consequences and solutions. International Journal of Geographical Information Science, v. 38, n. 12, p. 2545–2571, 2024.. https://doi.org/10.1080/13658816.2024.2391981
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista BIOMAS - Biodiversidade, Meio Ambiente e Sustentabilidade ISSN 2965-5730

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os artigos publicados pela revista são de uso gratuito, destinados a aplicações educacionais e não comerciais. Os direitos autorais são todos cedidos à revista. Os artigos cujos autores são identificados representam a expressão do ponto de vista de seus autores e não a posição oficial da Revista BIOMAS - Biodiversidade, Meio Ambiente e Sustentabilidade.
CC Attribution 4.0 International