UTILIZAÇÃO DE MODELOS LINEARES GENERALIZADOS PARA AVALIAÇÃO DE

DESEMPENHO DE VACAS DE CRIA NO PANTANAL, AO LONGO DO TEMPO.

Urbano G. P. de Abreu, Embrapa Pantanal, urbano@cpap.embrapa.br

Paulo S. Lopes, Universidade Federal de Viçosa (UFV), plopes@ufv.br

Robledo de A.Torres, Universidade Federal de Viçosa, rtorres@ufv.br

Heleno do N. Santos, Universidade Federal De Viçosa, hns@ufv.br

RESUMO
O desempenho produtivo de 1.075 matrizes foi monitorado durante cinco anos (maio de 1994 a
maio de 1999), em fazenda com sistema extensivo de cria de bovinos de corte da região do
Pantanal. No período acompanhado, tecnologias foram introduzidas com o objetivo de modificar o
sistema tradicional de produção. As vacas eram numeradas e monitoradas durante a realização dos
trabalhos de gado, sendo classificadas como Solteira (vazia-0) ou Parida (parida com bezerro ao pé
– 1). Os resultados foram modelados por meio de equações de estimação generalizadas (EEG),
extensão do modelo linear generalizado, que possibilita a modelagem das estruturas de covariâncias
na estimativa dos parâmetros. Ao se utilizar modelo linear generalizado com a função de ligação
logística e a distribuição binomial, os dados foram modelados como regressão logística com a
inclusão do efeito de covariância entre as informações coletadas na mesma vaca ao longo do tempo.
As estatísticas de Wald para os efeitos das variáveis exploratórias, invernada, ordem de trabalho,
idade da vaca linear e quadrático, foram significativos (p<0,01). Isto indica que a introdução de
tecnologias não é um processo simples, havendo necessidade de se ter conhecimento dos sistemas
de produção reais para ajustar as tecnologias para situações particulares
Palavras chave: sistema extensivo, estimação de equação generalizada, regressão logística

ABSTRACT
The productive performance of 1075 cows was monitored during five years (May 1994 to May
1999) in a ranch with an extensive cow-calf system in the Pantanal region. During the period
technologies were introduced, with the objective of modifying the traditional system and improving
the herd performance. The cows received a number, and they were monitored by “cattle works”
(CW). The cows were classified as open (0) or pregnant (1). The results were modelled through
generalized estimating equation (GEE) that is an extension of generalized linear models (GLIM).
The GEE approach takes into account the structure of covariance of categorical repeated
measurements in the subject for parameter estimates. The link function and distribution were
logistic and binomial. The data were modelled as a logistic regression, with the inclusion of the
repeated measurement covariance of each subject. The Wald statistics for the pastures, CW order,
linear and quadratic cow age effect were significant (p<0,01). This indicates that the technology
introduction is not an easy process, and it is necessary to know the real production system to adjust
the technologies.
Keywords: extensive system, generalized estimating equation, logistic regression

1. INTRODUÇÃO
A estrutura central na cadeia produtiva da pecuária de corte é o sistema biológico de
produção de bovinos, englobando as diferentes etapas da criação (cria, recria e engorda), em
combinações, em torno das quais se agrupam os produtores.
 A pecuária de corte vem sendo pressionada a aumentar os desempenhos produtivo e
econômico da atividade. A Embrapa Pantanal vem trabalhando ao encontro deste objetivo, tendo
desenvolvido e adaptado, diversas tecnologias para serem implantadas na região (Catto, et al.,
1997). Visando conhecer o sistema de produção desenvolvido pelo produtor e implantar
tecnologias, foi desenvolvido projeto de monitoramento de fazendas na região, tornando possível
avaliar em sistemas reais o processo de adoção de tecnologias e seus impactos sobre o sistema como
um todo.
O presente trabalho tem como objetivo avaliar os impactos da introdução de diferentes
tecnologias no sistema de produção tradicional de cria extensiva do Pantanal ao longo do tempo,
fornecendo informações básicas para o desenvolvimento de novas tecnologias por meio de
equações de estimação generalizadas (EEG).

2. METODOLOGIA
O trabalho foi desenvolvido em fazenda do Pantanal, na sub-região da Nhecolândia, em
Mato Grosso do Sul , durante cinco anos (maio de 1994 a maio de 1999), sendo realizados 11
trabalhos de gado. A bovinocultura de corte tradicional se resume aos “trabalhos de gado” (TG)
anuais: o primeiro em maio ou junho e o segundo em novembro ou dezembro. As tecnologias
desenvolvidas pela Embrapa Pantanal foram implantadas de forma paulatina ao longo do
monitoramento, conforme descrito por Abreu et al., (2000).
As vacas, ao longo do tempo no qual foram implantadas as tecnologias, modificando o
sistema de produção, foram classificadas em Parida (1) ou Solteira (0), caracterizando uma
resposta dicotômica. Dados resultantes deste tipo de análise podem ser considerados como
provenientes de uma distribuição binomial com probabilidade π , que é a probabilidade de
ocorrência do evento, ou seja, Yi ∼Bin (mi , πi) então o objetivo da análise é modelar a probabilidade
(π ) das matrizes serem classificadas como Paridas (1) como função de variáveis exploratórias ao
longo do tempo.
As equações de estimação generalizadas (EEG) são uma extensão do modelo linear
generalizado (Stokes et al., 2000). A metodologia EEG leva em consideração as correlações entre as
variáveis respostas em análises nas quais as mesmas são: dados binários, dados de contagens e
dados ordinais (Liang e Zeger, 1986). Seja Yi = (Yi1 ,...., Yini )T o vetor das ni mensurações do i-

ésimo indivíduo e Xi = ( xi1 ,..., xip )T ser os p vetores das variáveis independentes (p variáveis

explanatórias) de cada i-ésimo indivíduo.

 O método EEG permite modelar a regressão de dados que não possuem distribuição
multinormal, os dados são modelados através de modelo linear generalizado, excetuando-se a
matriz de correlação entre as respostas. Apenas a distribuição marginal é modelada
parametricamente. A média do vetor Yi é assumida como sendo µi = η -1(Xi β) onde η é a função
de ligação, e a equação de estimação para β é:

Σ( ∂µ ∂β ) V
n
T
i
i
−1
(Yi − µi ) = 0
i
i =1

onde Vi é a covariância de “trabalho” para o vetor Yi, sendo dado por:

Vi = φ Ai1/ 2 Ri Ai1/ 2
onde φ é uma escalar estimada de acordo com a metodologia de quase- verossimilhança (Hardin e
Hilbe, 2003). A variância de Yij é expressa como uma função conhecida de esperança µij , isto é,
var(Yij ) = φ g(µij ) , onde φ é tratado como parâmetro de dispersão (nuisance), e o foco é a
inferência sobre β. Ai é uma matriz diagonal ni x ni com g(µij ) como sendo o j-ésimo elemento na
diagonal. Ri é uma matriz de correlação de “trabalho” para Yi. Ri é considerado como uma matriz
de correlação de “trabalho” por não ser corretamente especificada, sendo assumida como estrutura
de correlações aproximada.
Na modelagem realizada por EEG, o modelo é ajustado através da estimação inicial de β ,
por exemplo, considerando um modelo linear generalizado sem medida repetida (independente),
estima-se o parâmetro de dispersão φ dos resíduos padronizados, e calcula-se a matriz Ri baseado
nestes resíduos padronizados assumindo uma determinada estrutura. Estes passos são iterativos e
seguem até ocorrer convergência.
Liang e Zeger (1986) demonstraram que o estimador para β é consistente e
assintoticamente normal, sendo que sua variância pode ser estimada através de M. Este é chamado
)
de estimador robusto da matriz de covariância de β sendo calculado por M= I 0−1 I1 I 0−1 sendo:

∂µ ⎞ V −1 cov(Y )V −1 ∂µi
T
I1 = ∑ ⎛⎜ i
n

∂β ⎟ i ∂β
i =1 ⎝ ⎠
i i

Tal procedimento possui a propriedade de criar um estimador consistente da matriz de

)
covariância empírica de β , mesmo se a matriz Ri ser especificada errada, isto é, se cov(Yi) ≠ Vi .
)
Enquanto que o estimador baseado no modelo de cov( β ) é consistente apenas se a média e
)
a matriz de correlação são corretamente especificadas. O estimador baseado no modelo é cov( β )
)
e cov M( β )=I0-1 onde:
 ⎛ ∂µi ⎞ V −1 ∂µi
n T
I0= ∑ ⎜
i =1 ⎝
∂β ⎟ i
⎠ ∂β

Uma importante propriedade da metodologia EEG é que a estimativa da média

permanece consistente mesmo se a estrutura de correlação ou covariância forem especificadas
erradas. Por outro lado, um dos pontos insatisfatório é a falta de teste estatístico visando análise da
qualidade de ajuste para a seleção das variáveis explanatórias e da estrutura da matriz de correlação
de “trabalho” mais condizente com o modelo (Stoke et al., 2000; Costa, 2003).
A análise foi realizada utilizando o procedure GENMOD do pacote estatístico SAS (1999),
com o comando REPEATED visando modelar as estruturas covariância intra-indivíduo após
analisar três tipos de matrizes de correlação do trabalho, optou se trabalhar com a matriz do tipo
EXCHANGEABLE
.
3. RESULTADOS E DISCUSSÃO
Na Tabela 1, são apresentadas as estatísticas de Wald para análise das variáveis
explanatórias (independentes) que influenciam a probabilidade da matriz ser classificada como
Parida (1). Os efeitos de invernada, ordem de trabalho e idade da vaca foram altamente
significativos (P < 0.01). Demonstrando que a introdução de tecnologia não é um processo simples,
pois as tecnologias introduzidas apresentaram efeitos diferentes em relação a todas as variáveis
independentes. Tal complexidade mostra concordância com a proposta de Cezar et al., (2000), que
desenvolve novo modelo de contemplar demandas tecnológicas de diferentes grupos sociais de
pecuaristas levando em consideração a crescente utilização de enfoques participativos nas decisões
agroambientais.
Tabela 1 – Tabela de análise das variáveis exploratórias, com as estatísticas de Wald, que
influenciaram a probabilidade da vaca ser considerada Parida.
Fontes de Variação Grau de Liberdade Qui-quadrado P>Qui-quadrado
Invernada 5 209,77 > 0,0001
Ordem de Trabalho 10 158,12 > 0,0001
Id. Da vaca – linear 1 306,47 > 0,0001
Id. da vaca – quadrático 1 200,87 > 0,0001
Id. da vaca - idade da vaca em meses.
Apesar das mesmas tecnologias terem sido implantadas em todas invernadas, o efeito
destas, reflete a diferença de unidades de paisagem no Pantanal, pois apesar da diversidade vegetal
existente os bovinos utilizam para pastoreio poucas unidades da paisagem (Santos, 2001). Em
invernada com maior área de preferência para bovinos, os animais tende a apresentar desempenho
superior, tendo em vista que os animais permanecem praticamente toda vida produtiva em
determinada invernada.
As estimativas dos contrastes entre invernadas são apresentadas na Tabela 5. Verificamos,
que a probabilidade das matrizes das invernadas 1, 2, 3 ,4 e Baitaca serem classificadas como
Paridas foi 1,3569; 2,0653; 2,0721; 2,4597 e 2,6884, vezes maior que a probabilidade das matrizes
da invernada Cocho Novo, respectivamente, no período avaliado. Refletindo o manejo de utilizar a
invernada citada como invernada de matrizes mais novas, e conseqüentemente de pior desempenho
produtivo.
Tabela 2 – Estimativa dos contrastes entre as invernadas.
Exponencial da estimativa
Estimativa Erro Padrão da estimativa
(Razão de chances)
Inv 1 x Inv C. Novo 0,3052 1,3569 0,0770
Inv 2 x Inv C. Novo 0,7253 2,0653 0,1045
Inv 3 x Inv C. Novo 0,7286 2,0721 0,0830
Inv 4 x Inv C. Novo 0,9001 2,4597 0,2093
Inv Baitaca x Inv C. Novo 0,9889 2,6884 0,2103
Inv – invernada; C. Novo – Cocho Novo
As estimativas dos contrastes do primeiro TG realizado em relação aos subseqüentes são
mostradas na Tabela 6. A primeira introdução de tecnologia causa um impacto relativamente grande
na probabilidade das matrizes serem classificadas como Paridas, provavelmente devido à
introdução do manejo de desmama aos 6 meses de idade do bezerro, em sistema de produção que
não realizava tal prática de manejo. Com a introdução do período de monta a partir do sexto TG,
com o encurtamento progressivo dos meses de monta levou a diminuição da probabilidade das
vacas serem classificadas como Paridas, devido provavelmente ao ajuste do ciclo reprodutivo das
matrizes em relação ao novo sistema de manejo reprodutivo.
Entretanto a estação de monta é uma prática de manejo de fundamental importância para o
controle do ciclo reprodutivo das vacas e o manejo mais eficiente de touros e bezerros. Apesar da
necessidade do ajuste da estação de monta a diferentes sistemas de produção, e diminuição inicial
do desempenho das vacas devido ao novo sistema. (Abreu et al., 2003).
Por outro lado, dentro do enfoque sistêmico, a introdução de uma única tecnologia, não
garante o aumento da eficiência e produtividade do sistema como um todo, havendo necessidade de
realizar melhorias no sistema de produção em seus diferentes aspectos, desde a metodologia de
introdução e ajuste de tecnologias, até a forma mais eficiente de comercialização do produto
(Wadsworth, 1997).
Tabela 3 – Estimativa dos contrastes entre o TG 1 e os subseqüentes.
Exponencial da estimativa
Estimativa Erro Padrão da estimativa
(Razão de chances)
TG 1 x TG 2 0,7295 2,0741 0,1170
TG 1 x TG 3 0,1940 1,2141 0,1201
TG 1 x TG 4 0,4256 1,5305 0,1106
TG 1 x TG 5 0,1774 1,1941 0,1095
TG 1 x TG 6 0,5272 1,6942 0,1117
TG 1 x TG 7 0,2968 1,3456 0,1108
TG 1 x TG 8 0,2035 1,2256 0,1061
TG 1 x TG 9 -0,1599 0,8523 0,1088
TG 1 x TG 10 0,5560 1,7437 0,1164
TG 1 x TG 11 -0,0917 0,9124 0,1121

Apesar da introdução de tecnologias no sistema de produção ter, de maneira geral,

aumentado a probabilidade das matrizes serem classificada como Paridas, em relação ao início da
implantação das tecnologias (TG 1), observamos que após o impacto inicial da introdução (TG 2),
a resposta tende a ser mais lentas. Podendo ser considerado dois principais motivos: primeiro, o
sistema de cria extensivo responde lentamente a introdução de tecnologias e/ou as tecnologias
implantadas não seriam aquelas que dariam maior impacto no sistema de produção.

4. CONCLUSÃO
As tecnologias implantadas, no sistema extensivo de cria de bovinos de corte do Pantanal,
causaram impactos positivos na atividade. Aumentando ao longo do monitoramento realizado, a
probabilidade das matrizes serem classificadas como Paridas. As estimativas dos contrates entre os
trabalhos de gado ao longo do tempo mostraram que o crescimento foi lento, havendo necessidade
do desenvolvimento de tecnologias que levem a uma menor idade à primeira cria, envolvendo
aspectos de manejo de recria, nutrição na fase de recria de novilhas e seleção para linhagens mais
precoces de fêmeas no Pantanal.

REFERÊNCIAS BIBLIOGRÁFICAS
ABREU, U. G. P. de; CEZAR, I. M.; TORRES, R. de A . (2003). Análise Bioeconômica da
Introdução de Período de Monta no Sistema de Produção de Rebanhos de Cria na Região do
Brasil Central. Revista Brasileira de Zootecnia, 32, 1198-1206.
ABREU, U.G.P. de; CHALITA, L.V.A.S.; MORAES, A.S.; LOUREIRO, J.M.F. (2000).
Introdução de tecnologia no sistema de produção de bovinos de corte no Pantanal, sub-região
de Nhecolândia, MS. Corumbá: Embrapa-Pantanal, (Embrapa Pantanal. Circular Técnica, 25).

CATTO, J. B.; SERENO, J. R. B.; COMASTRI FILHO, J. A .(1997). Tecnologias e informações

para a pecuária de corte no Pantanal. Corumbá, MS: EMBRAPA CPAP.

CEZAR, I.M.; SKERRATT, S.; DENT; J.B. (2000). Sistema participativo de geração e
transferência de tecnologia para pecuaristas: o caso aplicado a Embrapa Gado de Corte. Caderno
de Ciência & Tecnologia, Brasília, 17, 135-170.

COSTA, S. C. da (2003). Modelos lineares generalizados mistos para dados longitudinais.

Piracicaba: ESALQ-USP, 110p. Tese (Doutorado em Agronomia) – Universidade de São Paulo.

HARDIN, J. H.; HILBE, J. M. (2003). Generalized estimating equations. 1° ed. Chapman & Hall.

LIANG, K. Y.; ZEGER, S. L. (1986). Longitudinal data analysis using generalized linear models.
Biometrika, 73 , 13-22.

SANTOS, S. A. (2001). Caracterização dos recursos forrageiros nativos da sub-região da

Nhecolândia Pantanal, Mato Grosso do Sul, Brasil. Botucatu: UNESP, Dissertação
(Doutoramento em Zootecnia) – Universidade Estadual Paulista, SP.

STOKES, M. E.; DAVIS, C.S.; KOCH, G.G. (2000). Categorical Data Analysis Using SAS System.
Segunda edição, Cary, NC: SAS Institute Inc.

WADSWORTH, J. (1997). Análisis de sistemas de producción animal. Tomo1: Las bases

conceptuales. 1º Ed. ESTUDIO FAO – Producción y Sanidad Animal. Roma.