期刊名称：Revista Brasileira de Engenharia Agrícola e Ambiental
印刷版ISSN：1415-4366
电子版ISSN：1807-1929
出版年度：2014
卷号：18
期号：10
页码：1065-1071
DOI：10.1590/1807-1929/agriambi.v18n10p1065-1071
出版社：Departamento de Engenharia Agrícola - UFCG / Cnpq
摘要：Este estudo foi conduzido com o objetivo de investigar a incidência de carne PSE (pale, soft and exudative) em suínos abatidos em um abatedouro comercial, localizado em Mato Grosso do Sul, no período de maio de 2009 a julho de 2010. A partir do banco de dados (n = 854 carcaças), aplicou-se a regressão logística múltipla com a finalidade de desenvolver um modelo para constatar a influência das variáveis selecionadas na probabilidade de risco de incidência de carne PSE. Desta forma, a variável dependente foi construída pela identificação de carne PSE em carcaças de suínos com valores de pH45 inferior ou igual a 5,8. Para obtenção do modelo com maior capacidade de predição foram aplicados o método de máxima verossimilhança para estimação de parâmetros e a técnica stepwise para seleção de variáveis explicativas. As variáveis selecionadas com maior poder de predição foram: temperatura de carcaça, tempo de embarque, velocidade média durante o transporte e o tempo de descanso médio dos animais nas baias. O modelo obtido apresentou capacidade de predição de 91,8%.
其他摘要：The aim of this study was to investigate the occurrence of PSE (Pale, Soft and Exudative) meat in pigs slaughtered in a commercial slaughterhouse located in the Mato Grosso do Sul, from May 2009 to July 2010. Based on a database (n = 854 carcasses), multiple logistic regression was applied for the purpose of developing a model to verify the effect of the selected variables on the probable risk of occurrence of PSE meat. Thus, the dependent variable was constructed through the identification of PSE meat in pig carcasses with pH45 values less than or equal to 5.8. In addition, the maximum likelihood method for estimation of parameters and the stepwise technique for selection of covariates were applied to obtain the model with the highest predictive ability. The variables selected with the greatest predictive capability were: carcass temperature, time of shipping, average speed during transport and the average resting time of the animals in the stalls. The obtained model presented predictive capability of 91.8%.
