Modelos preditivos para insegurança alimentar

Abstract

Resumo: Este trabalho aborda o desenvolvimento de modelos preditivos para a insegurança alimentar utilizando dados da Pesquisa Nacional por Amostra de Domicílios Contínua (PNADc) de 2023, que incluiu o questionário da Escala Brasileira de Insegurança Alimentar (EBIA). Foram empregadas duas metodologias principais: Redes Causais (também conhecidas como redes Bayesianas) e Regressão Logística. O objetivo foi modelar e prever a situação de segurança ou insegurança alimentar dos domicílios brasileiros. Os resultados demonstraram que ambas as abordagens apresentaram acurácias preditivas muito próximas, com a Rede Causal alcançando 67.19% e a Regressão Logística 67.37%. A análise dos modelos reforça a forte ligação da insegurança alimentar com a capacidade financeira do domicílio, evidenciando a renda e o recebimento de benefícios como o Bolsa Família como os preditores mais significativos. Além da predição, as Redes Causais permitiram uma inferência mais profunda e causal, avaliando a influência de intervenções e as relações causa-efeito, uma distinção fundamental no raciocínio sob incerteza

Abstract: This work addresses the development of predictive models for food insecurity using data from the 2023 Continuous National Household Sample Survey (PNADc), which included the Brazilian Food Insecurity Scale (EBIA) questionnaire. Two main methodologies were employed: Causal Networks (also known as Bayesian Networks) and Logistic Regression. The objective was to model and predict the food security status of Brazilian households. The results showed that both approaches achieved very similar predictive accuracies, with the Causal Network reaching 67.19% and Logistic Regression 67.37%. Model analysis reinforces the strong link between food insecurity and household financial capacity, highlighting income and the receipt of benefits such as Bolsa Família as the most significant predictors. Beyond prediction, Causal Networks allowed for deeper, causal inference, assessing the impact of interventions and the robustness of cause-effect relationships, a fundamental distinction in reasoning under uncertainty