Buscar

Econometria Trabalho Final

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 3, do total de 19 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 6, do total de 19 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 9, do total de 19 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Prévia do material em texto

UNIVERSIDADE FEDERAL DE UBERLÂNDIA
INSTITUTO DE ECONOMIA
Determinantes da Utilização de Consultas Médicas: Um Estudo Comparativo entre Minas Gerais e Santa Catarina
Ana Kely Souza Resende
Caroline Elisabeth Leme Mantoan
Cesar Tirso
Karolina Vaz Nunes da Silva
Uberlândia – MG
2017
INTRODUÇÃO
As condições de vida e de saúde tem apresentado uma evolução nos últimos anos, sendo isso algo que sustentado por fatores de progresso político, econômico, social e ambiental, além dos avanços realizados na área de medicina. Buss (2000) afirma que na América Latina a expectativa de vida cresceu de 50 anos, após a II Guerra Mundial, para 67 anos em 1990 e para 69 anos em 1995. Ou seja, os dados mostram que o impacto realizado pela evolução na área da saúde é algo positivo para a sociedade.
Com o avanço da medicina em paralelo com o avanço das economias globais, é preciso salientar como o sistema de saúde se tornou cada vez mais de automedicação, onde devido ao curto prazo existente para os cidadãos impede que o cuidado ideal com a questão da saúde seja feito. 
Devido a esse problema localizado na sociedade que é a falta de preocupação com a saúde, estruturou-se esse estudo com o objetivo de analisar os determinantes de consultadas médicas no aspecto microeconômico, ou seja, estaremos analisando valores individuais por cidadão pode poder então chegar a uma conclusão. 
Com isso o presente estudo pretende responder a seguinte pergunta: quais são as características de um cidadão que frequenta as consultas médicas? Os cidadãos que possuem trabalhos remunerados estão menos presentes em consultas médicas? Sendo que a hipótese inicial acredita que sim, uma vez que devido ao modelo de vida que os trabalhadores possuem, o tempo se torna cada vez mais escasso, impedindo os cuidados pessoais e em relação às características, estudos já realizados na área de acesso ao sistema de saúde apontam para homens, brancos, casados com uma maior propensão de frequentarem algum médico. 
Este estudo será realizado em comparação com duas unidades da federação, sendo a primeira, Minas Gerais e a segunda, Santa Catarina, sendo que será explicado posteriormente o motivo da escolha dos Estados. Considera-se importante citar que a base de dados utilizada foi a Pesquisa Nacional de Saúde realizada no ano de 2013.
Assim, o trabalho está dividido em oito capítulos, sendo a primeira esta breve introdução, seguido por uma apresentação das hipóteses e variáveis adotadas. No capitulo três é mostrado a teoria da regressão linear múltipla, para então, o quatro servir como fazer uma análise dessa opção de tratamento econométrico. Os capítulos cinco e seis são utilizados para os tratamentos de dados de Minas Gerais e Santa Catarina respectivamente, para assim o capítulo sete apresentar as conclusões e o oito as referências.
HIPÓTESES E VARIÁVEIS ADOTADAS
Como já comentado na introdução do trabalho, o presente estudo tem como objetivo analisar os determinantes micros que levam uma pessoa a frequentar algum médico. A escolha do estado de Minas Gerais é referente a necessidade de realizar uma explicação para este estado sobre os determinantes, enquanto Santa Catarina foi escolhida por ser a primeira colocada no Índice de Desempenho no Sistema Único de Saúde (IDSUS) em 2013.
 As variáveis foram escolhidas baseadas em uma referência bibliográfica de pesquisadores especializados no assunto, sendo que, de acordo com Buss e Filho (2007) as diversas definições de determinantes sociais de saúde expressam o conceito de que as condições de vida e trabalho dos indivíduos e de grupos da população estão relacionadas com sua situação de saúde.
Para direcionar o estudo, as variáveis utilizadas observam características como gênero, raça, estado civil, situação empregatícia, prevenção quanto a possíveis doenças e também uma visão auto pessoal sobre saúde.	
 	A fim de melhorar o contexto das informações segue um comparativo feito entre os estados na Tabela 1, onde se pode ver que a Unidade da Federação Santa Catarina possui números mais expressivos positivamente, pois nota-se que o gasto por habitante é maior e por isso tende-se a ter um melhor atendimento.
Tabela 1 – Comparativa entre Minas Gerais e Santa Catarina (2013)
	
	Minas Gerais
	Santa Catarina
	Consultas por Pessoa
	2,82
	3,11
	Taxa de Mortalidade Infantil
	12,6
	10,1
	Esperança de Vida ao Nascer
	76,4
	78,1
	Despesa per capita em Saúde
	R$730,65
	R$794,11
	Leitos por Mil Habitantes
	2,24
	2,43
Fonte: DataSus (2013). 
Com isso espera-se no momento de realizar a conclusão, que os determinantes do estado de Santa Catarina, possam servir como um exemplo e até mesmo uma crítica ao sistema de saúde de Minas Gerais, porém como a análise está sendo feita com dados micro não serão utilizados variáveis que calculam os efeitos macroeconômicos, pois em um primeiro momento considera-se importante criar um perfil do denominado “cliente” do sistema de saúde, seja ele público ou privado.
REGRESSÃO LINEAR MÚLTIPLA
O método da regressão linear múltipla foi adotado com base na literatura escolhida. Os dados estão organizados em formato de Cross-Section que, como apresentado por Woodridge (2010), trata-se de uma amostra em um dado ponto no tempo, ou seja, uma análise estatística que define apenas um período de tempo no qual diferentes aspectos dos indivíduos analisados serão tratados. Dessa forma, o modelo genérico para o referido modelo de análise é dado por:
Onde Y representa a variável dependente que será explicada por X, ou seja, sofrerá influência do comportamento de X1, X2, ...., Xr, e um termo de erro u, que representa fatores aleatórios não observados associados ao modelo.	
 	De acordo com Gesser apud Dawson-Saunders e Trapp (1996) para iniciar a análise nesse modelo é preciso verificar a significância estatística dos coeficientes testados, que, se for diferente de zero, a análise avançar examinando-se a capacidade explicativa do modelo, qual seja, a capacidade deste explicar os dados reais.	
 	Para isso, usa-se o coeficiente de determinação , que mede a capacidade de explicação do modelo frente aos dados. Quanto maior for o , maior é o grau de explicação do modelo.
ANALISE DA REGRESSÃO LINEAR MÚLTIPLA
Nesta seção, será analisada a regressão linear múltipla no modelo de determinantes de consultas médicas e suas implicações. Assim sendo, será observado o , a estatística F, a significância estatística de cada variável dependente escolhida, os devidos sinais, bem como suas análises, além dos testes realizados para identificação de heterocedasticidade, especificação do modelo e distribuição normal.
A análise da regressão linear múltipla encontra-se fundamentada nas hipóteses clássicas dos Mínimos Quadrados Ordinários (MQO) para a formação dos Melhores Estimadores Lineares Não-Viesados (MELNV). Segundo Woodridge (2010), as hipóteses do MQO são: os parâmetros β são desconhecidos e constantes; o termo de erro u é um fator aleatório não observado; nenhuma das variáveis independe do modelo é constante; não existe colinearidade perfeita entre as variáveis explicativas e; tem-se uma amostra aleatória com u observações, onde o valor de u é zero, dados os valores das variáveis explicativas. Respeitado tais condições, os estimadores são MELNV.
Análise do Modelo Utilizado
Utilizando as variáveis encontradas no Plano Nacional de Saúde (PNS 2013), foi estimado o modelo de regressão linear múltipla no formato abaixo:
No qual:
Y representa quantidade de consultas médicas realizadas nos últimos doze meses (CONSULTAS);
β1 representa uma dummy elaborada para raça (BRANCO);
β2 representa uma dummy elaborada para estado civil (CASADO);
β3 representa uma dummy elaborada para gênero (FEMININO);
β4 representa uma dummy elaborada para os cidadãos que possuem plano de saúde (PLANO);
β5 representa uma dummy elaborada para os cidadãos que classificam sua saúde como um nível bom (SAUDE_BOM);
β6 representa uma dummy elaboradapara os cidadãos que classificam sua saúde com um nível regular (SAUDE_REGULAR);
β7 representa uma dummy elaborada para os cidadãos que classificam sua saúde como um nível ruim (SAUDE_RUIM);
β8 representa uma dummy elaborada para os cidadãos que classificam sua saúde como um nível muito ruim (SAUDE_MUITO_RUIM) e;
β9 representa uma dummy para o cidadão que possui trabalho remunerado (TRABALHO REMUNERADO).
ANÁLISE PARA O ESTADO DE MINAS GERAIS
Neste tópico, encontra-se a regressão dos determinantes de consultas no estado de Minas Gerais com seus testes. O valor do ajustado é 0,117, isto implica que as variações marginais nas variáveis independentes explicam 11,7% na variável dependente. O valor de Durbin-Watson foi de 1,75 (bem próximo de 2). A estatística F da regressão tem o valor p 0.0000, ou seja, a hipótese nula de que os coeficientes estimados são iguais à zero a um nível de significância de 0,05 (ou 5%) diz que as variáveis do modelo têm relação com o Y.
Imagens 1 – Coeficientes, Estatísticas t e valores de p para as variáveis independentes de Minas Gerais.
Fonte: Elaboração Própria.
Analisando as probabilidades, elas podem informar se as varáveis são ou não individualmente significantes. Olhando para as probabilidades do modelo, as variáveis: CASADO, FEMININO, PLANO, SAUDE_BOM, SAUDE_MUITO_RUIM, SAUDE_REGULAR, SAUDE_RUIM e TRABALHO_REMUNERADO são estatisticamente significantes a 5%, pois suas probabilidades são menores que 0,05. A variável BRANCO não é estatisticamente significante no modelo.
Em relação aos coeficientes estimados, todos eles exceto TRABALHO_REMUNERADO afetam positivamente a variável independente. BRANCO, CASADO, FEMININO, PLANO, SAUDE_BOM, SAUDE_MUITO_RUIM, SAUDE_REGULAR e SAUDE_RUIM aumentam 5,03%, 37,03%, 76,09%, 72,69%, 43,02%, 492,30%, 203,60%, 486,34%, respectivamente.
Testes e Correções de Problemas no Modelo.
Nesta seção são apresentados os testes que podem encontrar possíveis problemas no modelo proposto. O primeiro teste analisado é o teste de White. Ele permite encontrar heterocedasticidade corrigindo-a pela matriz de White, sendo sua hipótese nula (H0) a ausência de heterocedasticidade (ou seja, caso H0 seja aceita, o modelo é homocedástico).
Imagem 2 – Detecção de Heterocedasticidade pelo teste de White
Fonte: Elaboração Própria.
Ao analisar o resultado do teste de White, a probabilidade do qui-quadrado é menor que 0,05. Sendo assim, ao nível de significância de 5%, H0 é rejeitado, mostrando que ele sofre do problema de heterocedasticidade. Corrigindo o modelo pela Matriz de White, têm-se a Imagem 3.
Com o modelo devidamente corrigido, vê-se com não houve importantes alterações nos resultados encontrados. Os coeficientes estimados não se alteraram e as probabilidades continuaram em sua maioria as mesmas, somente CASADO obteve uma variação irrisória continuando individualmente significante a 5% e, a variável BRANCO aumentou sua probabilidade, tornando-se ainda mais insignificante a 5% (individualmente).
Imagem 3 – Modelo corrigido pela Matriz de White
Fonte: Elaboração Própria.
O segundo teste feito no modelo é o teste de erro da especificação da regressão (RESET). A hipótese nula do modelo é a de que existe um problema de especificação no modelo, ou seja, pode haver a possibilidade de se excluir variáveis tecnicamente importantes no modelo. O termo de erro u pode estar correlacionado com as variáveis independentes, viesando os coeficientes.
Imagem 4 – Detecção de Problemas de Especificação pelo teste RESET
Fonte: Elaboração Própria.
Neste resultado encontrado, a probabilidade estimada do teste é 0,0037, ou seja, é menor que 0,05 havendo problema de especificação no modelo. Para corrigir este problema, foram acrescentadas variáveis de escolaridade no modelo, pois alguns especialistas afirmam esse ser um determinante de acesso a saúde. As novas variáveis são: ensinos superior, médio, fundamental, completos e pessoas sem instrução (SUP_COM, MEDIO_COM, FUND_COM e S_INSTRUCAO). O modelo tornou-se então:
Imagem 5 – Coeficientes, Estatísticas t e valores de p para as variáveis independentes de Minas Gerais.
Fonte: Elaboração Própria.
No novo modelo rodado, se forem analisadas as probabilidades, as variáveis CASADO, FEMININO, PLANO, SAUDE_BOM, SAUDE_MUITO_RUIM, SAUDE_REGULAR, SAUDE_RUIM, TRABALHO_REMUNERADO e SUP_COM são individualmente significantes no modelo, pois todas são menores que 0,05. As variáveis BRANCO, MED_COMP, FUND_COM e S_INSTRUCAO não são individualmente significantes.
Quanto aos coeficientes, somente as variáveis TRABALHO_REMUNERADO, FUN_COM e S_INSTRUCAO são negativas dentro do modelo, ou seja, em geral pessoas dentro destas categorias procuram consultas médicas em torno de 62,57%, 11,18% e 25% menos, respectivamente.
Imagem 6 - Detecção de Heterocedasticidade pelo teste de White
Fonte: Elaboração Própria.
Ao analisar novamente o resultado do teste de White, de acordo com os princípios especificados anteriormente, a probabilidade do qui-quadrado é 0,00 (menor que 0,05). Sendo assim, ao nível de significância de 5%, H0 é rejeitado, mostrando que ele sofre do problema de heterocedasticidade. Portando, deve-se corrigir novamente pela matriz de White:
Imagem 7 - Modelo corrigido pela Matriz de White
Fonte: Elaboração Própria.
Como na primeira análise, não houve modificações significativas. Quanto às probabilidades, somente e variável BRANCO mais uma vez teve seu nível de significância aumentado para 0,90, ou seja, a variável individualmente não é significativa a 5% no modelo estimado. SUP_COM e FUN_COM diminuíram suas probabilidades, mas a primeira ainda continua significativa e a segunda não. MED_COM e S_INSTRUCAO quando corrigidos, aumentaram suas probabilidades, mantendo a mesma classificação dada anteriormente. Os coeficientes não se alteraram.
Agora, utilizando o teste RESET para encontrar problemas de especificidade na regressão, a nova probabilidade estimada é 0,0002, ou seja, é bem menor que 0,05 havendo problema de especificação no modelo. O problema pode estar em variáveis omitidas, que são importantes ao modelo ou inclusão de variáveis irrelevantes, sendo neste caso inclusão de variáveis irrelevantes o contratempo.
Imagem 8 – Detecção de Problemas de Especificação pelo teste RESET
Fonte: Elaboração Própria.
É possível notar o aumento da estatística F no segundo modelo, tendo alterado de 5,61 para 8,69. Com isso, conclui-se que a capacidade conjunta de significância do novo modelo aponta ser maior que o primeiro e, portanto, o modelo anterior realmente sofria de omissão de variável relevante, porém mesmo assim, percebe-se que o teste como já dito rejeita a hipótese nula, ou seja, ainda incorre em problema de especificação.
ANÁLISE PARA O ESTADO DE SANTA CATARINA
A seguir encontra-se a regressão para o estado de Santa Catarina com seus respectivos testes. O valor ajustado é de 0,136, ou seja, as variações marginais nas variáveis independentes explicam 13,6% das variações nas consultas médicas. O valor de Durbin-Watson foi de 1,42. A estatística F da regressão tem o valor p de 0,0000, rejeitando a hipótese nula de que os coeficientes são iguais à zero a um nível de significância de 0,05, o que indicia que as variáveis escolhidas possuem relação com a variável dependente;
Imagens 9 – Coeficientes, estatísticas t e valores de p para as variáveis de Santa Catarina
Fonte: Elaboração Própria.
Como a estatística t e a probabilidade p indicam se cada variável é individualmente significante, a Imagem 9 indica t e p para se medir tais níveis de significância. As variáveis: FEMININO, PLANO, TRABALHO_REMUNERADO, SAUDE_RUIM, SAUDE_REGULAR e SAUDE_MUITO_RUIM são estatisticamente significantes uma vez que possuem p menor que 0,05. Já as variáveis: BRANCO, CASADO e SAUDE_BOM apresentam p maior que 0,05, portanto, não são estatisticamente significantes para o modelo.
 Testes e Correções de Problemas do Modelo de Santa Catarina.
Nesta seção, apresentam-sealguns testes que foram feitos para reconhecer problemas que possam existir no modelo proposto, quer seja Teste White para reconhecimento de heterocedasticidade; correção de heterocedasticidade pela matriz de White ou teste RESET para detecção de problemas de especificação do modelo.
No Teste White a hipótese nula é de que o modelo é homocedástico, ou seja, a variância dos termos de erro u é a mesma para qualquer valor das variáveis explicativas. Nesse caso, o teste rejeita essa hipótese nula (p<0,05) e o modelo sofre de heterocedasticidades, isto é, seus erros não são normalmente distribuídos, sendo que variam conforme os valores assumidos pelas variáveis explicativas.
Imagem 10 - Detecção de heterocedasticidade pelo Teste White
Fonte: Elaboração própria.
Depois de identificado a presença de heterocedasticidade, o que pode invalidar as estatísticas t devido à perturbação dos erros padrão, corrige-se o problema pela Matriz de White. O modelo que se segue é o Teste de White corrigido.
Imagem 11 - Modelo corrigido pela Matriz White
Fonte: Elaboração própria.
Nesse modelo corrigido, algumas variáveis mudaram sua estatística t e probabilidade p. A variável BRANCA e FEMININA passou de 0,3657 e 0,4190 no Teste White para 0,4105 e 0,4151 na matriz corrigida, e a variável SAUDE_BOM passou de 0,5124 para 0,4181.
Além disso, testa-se também a especificação do modelo por meio do teste RESET, cuja hipótese nula é de que existe um problema de especificação no modelo, isto é, existe a chance de ser excluir variáveis potencialmente importantes para o modelo, ou seja, de que o termo de erro u apresente correlação com as variáveis independentes, fazendo com que seus coeficientes fiquem viesados. 
Imagem 12 - Detecção de problemas de especificação pelo teste RESET
Fonte: Elaboração própria.
A hipótese nula do teste é rejeitada, o que mostra que o modelo apresentado tem erro de especificação. Desse modo, o problema de especificação pode estar associado a dois problemas distintos: omissão de variável relevante ou inclusão de variável irrelevante. Para tanto, foram incluídas novas variáveis sobre o nível de escolaridade no modelo original, são elas: ensino superior completo, ensino médio completo e sem instrução. Esse novo modelo que se apresenta foi o seguinte apresentada na imagem 13.
Nessa nova regressão o valor ajustado não sofreu alteração significativa sendo de 0,137, ou seja, as variações marginais nas variáveis independentes explicam 13,7% das variações nas consultas médicas. O valor de Durbin-Watson foi de 1,42. A estatística F da regressão tem o valor p de 0,0000, rejeitando a hipótese nula de que os coeficientes são iguais a zero a um nível de significância de 0,05, o que indicia que as variáveis escolhidas possuem relação com a variável dependente.
Imagens 13 - Coeficientes, estatísticas t e valores de p para as variáveis de Santa Catarina.
Fonte: Elaboração própria.
Nessa nova regressão o valor ajustado não sofreu alteração significativa sendo de 0,137, ou seja, as variações marginais nas variáveis independentes explicam 13,7% das variações nas consultas médicas. O valor de Durbin-Watson foi de 1,42. A estatística F da regressão tem o valor p de 0,0000, rejeitando a hipótese nula de que os coeficientes são iguais a zero a um nível de significância de 0,05, o que indicia que as variáveis escolhidas possuem relação com a variável dependente.
Como a estatística t e a probabilidade p indicam se cada variável é individualmente significante, a Imagem 14 acima indica t e p para se medir tais níveis de significância. As variáveis: FEMININO, PLANO, TRABALHO_REMUNERADO, SAUDE_RUIM, SAUDE_REGULAR e SAUDE_MUITO_RUIM são estatisticamente significantes uma vez que possuem p menor que 0,05. Já as variáveis: BRANCO, CASADO, SAUDE_BOM e as novas variáveis SUP_COM, MED_COM, FUN_COM e S_INSTRUCAO apresentam p maior que 0,05, portanto, não são estatisticamente significantes para o modelo. 
Imagem 14 - Detecção de heterocedasticidade pelo Teste White
Fonte: Elaboração própria.
Nesse teste White, o teste rejeita essa hipótese nula (p<0,05) e o modelo sofre de heterocedasticidade. Como feito anteriormente, depois de identificado a presença de heterocedasticidade, corrige-se o problema pela Matriz de White. Segue o modelo do Teste de White corrigido.
Imagem 15 - Modelo corrigido pela Matriz White
Fonte: Elaboração própria.
Nesse modelo corrigido, algumas variáveis mudaram sua estatística t e probabilidade p. A variável BRANCA e FEMININA passou de 0,2487 e 0,4491 no Teste White para 0,2952 e 0,4467 na matriz corrigida. A variável SUP_COM passou de 0,0642 para 0,0405, ou seja, a variável passou a ser estatisticamente significante para o modelo, pois seu p foi menor que 0,05.
A especificação do modelo é testada pelo teste RESET, cuja hipótese nula é de que existe um problema de especificação no modelo. Abaixo segue o novo modelo do teste RESET.
No novo teste RESET a estatística F é 0,328, portanto, hipótese nula do teste não é rejeitada o que representa então que o modelo não possui mais erro de especificação.
Imagem 16 - Detecção de problemas de especificação pelo teste RESET
Fonte: Elaboração própria.
É possível notar uma queda da estatística F no segundo modelo, tendo alterado de 20 para 1,1. Com isso, conclui-se que a capacidade conjunta de significância do novo modelo aponta ser menor que o primeiro e, portanto, o modelo atual deve sofrer de omissão de variável relevante e de inclusão de variável irrelevante, por isso, percebe-se que o teste como já dito rejeita a hipótese nula, ou seja, ainda incorre em problema de especificação.
CONCLUSÕES
O presente trabalho tinha como objetivo localizar alguns dos determinantes micros que levam um cidadão a realizar consultas médicas. É importante salientar de apesar da quantidade de consultas por cidadão ser considera pouca, esse valor vem em uma constante crescente desde 1996 de acordo com o INDSUS.
Observando as variáveis analisas, tem-se que a utilizada para medir a raça não apresentou significância em nenhum dos modelos apresentados, logo não se podem afirmar o perfil em relação à raça. Quando falamos em relação ao estado civil, é possível dizer que o cidadão casado, pelo menos em Minas Gerais apresenta uma possibilidade maior de realizar consultas ao médico, o que é reforçado pela literatura, uma vez que o casamento gera um “efeito preocupação” em relação a esposa ou marido, principalmente quando existem filhos, sendo essa uma variável que deverá ser analisas em próximos estudos. No estado de Santa Catarina, essa variável de estado civil não apresentou significância. 
A variável de medida do gênero apresentou significância em todos os modelos, além de ser positiva, mostrando que a mulher em comparação com o homem tem uma tendência maior a frequentar consultar médicas, algo que é reforçado pela literatura, pois alguns médicos específicos para atendimentos femininos como ginecologistas precisam ser visitados com frequência, o que acaba aumentando a média para as mulheres.
A variável, plano de saúde foi significante em todos os modelos, sendo sempre positiva, algo já esperado, justamente devido ao direito que o plano de saúde passa ao cidadão que o possui. E a variável do trabalho remunerado mostra como a dinâmica do mercado trabalhista afeta a saúde do trabalhador, uma vez que devido a escassez de tempo o trabalhador, mesmo tendo condições financeiras para ter acesso a um médico ou plano de qualidade acaba não utilizando esse beneficio devido ao ritmo de seu emprego. 
As variáveis de autojulgamento realizaram seu trabalho, mostrando que as pessoas que mais frequentas consultas médicas são aquelas que consideram sua saúde muito ruim em basicamente todos os modelos, enquanto as pessoas que consideram sua saúde boa frequentam menos. As variáveis de escolaridade mostram que os cidadãos que possuem ensino superior completo possuem mais chances de frequentar os hospitais na maioria dos modelos.Fazendo uma comparação entre os estados é possível dizer que as variáveis femininas e planas possuem um efeito maior em Santa Catarina do que em Minas Gerais, enquanto a relação negativa trabalho e consultas afetam os cidadãos de forma mais significativa em MG. Os comportamentos das variáveis que apresentaram significância foram relativamente parecidos, mostrando assim que a diferença entre a utilização do sistema de saúde não é completamente respondido por variáveis micros, é necessário realizar-se um estudo semelhante que analisa os determinantes macros de consultas médicas.
REFERÊNCIAS
BUSS, Paulo Marchiori; PELLEGRINI FILHO, Alberto. A saúde e seus determinantes sociais. Physis, v. 17, n. 1, p. 77-93, 2007.
BUSS, Paulo Marchiori. Promoçäo da saúde e qualidade de vida. Ciênc. saúde coletiva, p. 163-77, 2000.
Macroplan. Os Melhores Estados em Indicadores de Saúde. Disponível em http://www.macroplan.com.br/ Acesso: 09 de fev. 2017
Pesquina Nacional de Saúde. Disponível em http://www.ibge.gov.br/home/ Acesso: 05 de fev. 2017
TRAVASSOS, Cláudia; CASTRO, Mônica Silva Monteiro de. Determinantes e desigualdades sociais no acesso e na utilização de serviços de saúde. Políticas e sistemas de saúde no Brasil, p. 215-243, 2008.

Outros materiais

Outros materiais