aspetos fundamentais da análise de dados em ciências sociais helena martins, 2014...
TRANSCRIPT
![Page 1: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/1.jpg)
Aspetos fundamentais da análise de dados em ciências sociaisHelena Martins, 2014helenagmartins.com
![Page 2: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/2.jpg)
Roteiro
•Introdução•Questões-chave•Cleaning up your act•Pressupostos do Modelo de Equações
Estruturais
![Page 3: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/3.jpg)
AVISO À NAVEGAÇÃO!Isto são noções para leigos e não estatísticos; algumas coisas estão escritas de forma a serem mais compreensivas e são generalidades – tentarei colocar uma nuvem sempre que for esse o caso
![Page 4: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/4.jpg)
Introdução
![Page 5: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/5.jpg)
Desafios
•O modelo vigente de “ciência” é baseado nas ciências exatas ▫Dados observáveis▫Método experimental (condições e
parâmetros controladas) ▫Fenómenos repetíveis e verificáveis com
relativa facilidade ▫Pretende-se prever resultados replicáveis,
gerar regras
![Page 6: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/6.jpg)
Desafios
•Ciências Sociais▫Construtos complexos com grande nível de
subjetividade▫Variáveis que não se medem diretamente
(e.g. amor vs altura)▫Relações entre as variáveis pouco claras▫Egocentrismo de investigação
![Page 7: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/7.jpg)
Questões Chave
![Page 8: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/8.jpg)
Decidir o tipo de testes
•Tenho dados, e agora?▫Qual é a pergunta de investigação? ▫Temos hipóteses? Quais são
Lembrar: hipóteses verificáveis, testáveis, falsificáveis
H0 vs H1▫Árvores de decisão!
Eu queria saber qual é a relação entre o
amor e o stress…
![Page 9: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/9.jpg)
Variáveis Latentes vs variáveis observáveis•Variável observável: pode ser medida
“diretamente”▫Altura, peso, nível de ruído, velocidade,
temperatura, humidade, etc.•Variável latente: é um construto que não se
pode medir diretamente▫Satisfação com o Emprego – implica satisfação
com colegas, local de trabalho, salário, função, responsabilidades… etc!
▫Stress, confiança, liderança, comprometimento, etc!
![Page 10: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/10.jpg)
Variável Latente• As variáveis latentes são construtos, na
medida em que construímos teorias e definimos o conceito para o podermos medir.▫E.g. o que é para vocês a amizade?
• Quando falamos de variáveis latentes é que falamos de qualidades psicométricas das escalas, p.ex.▫O construto do investigador pode não ser
adequado à população em causa▫É também por isto que fazemos adaptação e
validação de escalas, p. ex.
![Page 11: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/11.jpg)
Alfa e Beta: erro tipo I e erro tipo II
•Alfa (ou significância do teste), a probabilidade de estarmos a cometer um erro do tipo um▫Aceitar uma hipótese1 que não é verdadeira
(mnemónica: a maior parte dos investigadores está ansioso por provar a sua hipótese)
▫O p-value refere-se ao erro tipo 1 •Beta (ou potência do teste), a probabilidade
de estarmos a cometer um erro do tipo dois:▫Rejeitar uma hipótese1 que é verdadeira
![Page 12: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/12.jpg)
“Ah, academic writing makes cowards of us all!”
(os estatísticos costumam dizer isto em termos de H0: em vez de dizermos que se prova a nossa hipótese, o mais correto é dizer que se rejeita a H0)
![Page 13: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/13.jpg)
Procedimento Geral dos Testes de hipóteses (adapt. de Pires, 2000)1. Pelo contexto do problema identificar o parâmetro de interesse
▫ O que é que estamos a perguntar exatamente?2. Especificar a hipótese nula
▫ Normalmente H0 é o oposto do que queremos provar;3. Especificar uma hipótese alternativa apropriada4. Escolher o nível de significância, alfa
▫ Normalmente 0.05 ou 0.01, nas ciências sociais5. Escolher uma estatística de teste adequada
▫ Que teste usar?6. Recolher uma amostra e calcular o valor observado da
estatística de teste▫ FAZER o teste
7. Decidir sobre a rejeição ou não de H0▫ Analisar o teste, propriamente dito
![Page 14: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/14.jpg)
Portanto…
•É FUNDAMENTAL saber qual é a pergunta de investigação: o que é que querem saber ao certo?
•AJUDA MUITO, pelo menos terem uma ideia dos resultados expectáveis▫Sendo que teoricamente, as hipóteses
deviam estar definidas à partida!!▫Terem pelo menos uma ideia, ajuda-vos a
saberem “para onde ir”
![Page 15: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/15.jpg)
Testes paramétricos vs testes não paramétricos
![Page 16: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/16.jpg)
Pressupostos básicos
![Page 17: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/17.jpg)
Questões com bases de dados
•Questões na construção de questionários▫Tentar ter o máximo de variáveis
contínuas/”puras” possível•Tipos de variáveis no SPSS
▫Nominal▫Ordinal▫Scale
•Labels: prós e contras•Transformação e computação de variáveis
![Page 18: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/18.jpg)
Cleaning up your actBaseado em Tabachnik e Fidell, 2007
![Page 19: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/19.jpg)
Detectar Missings
•Proof reading (small data sets) or analyse descriptives+univariates
•Correlations (inflated? Deflated?)•Analisar o tipo de Missing data.
![Page 20: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/20.jpg)
Tipos de Missings
•MCAR - Missing completely at Random•MAR – Missing at Random (ignorable non
response)•MNAR – Missing Not at Random (non
ignorable non response).▫In MNAR, the missing is related to the DV,
and cannot be ignored.
![Page 21: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/21.jpg)
•If the missings are 5% or less in a random pattern in a large sample, pretty much any procedure for replacing data is pretty much the same.
•There are not yet any firm guidelines for how much data can be tolerated for a sample of a given size.
![Page 22: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/22.jpg)
Deleting cases or variables
•O ideal é ter tão poucos missings numa amostra tão grande que se possam apagar esses casos.
•Nem sempre isso é possível.▫A amostra não é grande os suficiente▫O missings não são aleatórios (já vimos
esta questão)
![Page 23: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/23.jpg)
Estimating Missing Data•Prior knowledge – when a researcher
replaces a missing value with a value from a “well educated guess”;
•Mean substitution – in the absense of all other information, the mean is the best guess at missing values. It’s less commonly used now that there are more desirable methods feasible through computer programs.▫Group mean (spss não faz)▫Grand mean
![Page 24: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/24.jpg)
Estimating Missing Data• Regression – other variables are used as Ivs to write a
regression equation for the variable with missing data serving as DV;
• Expectation Maximization – forms a missing data correlation (or covariance) matrix by assuming the shape of a distribution (such as normal) for the partially missing data and basing inferences about missing values on the likelihooh under that distribution
• Multiple imputation – takes several steps to estimate missing data. 1st logistic regression and then a random sample is taken from the cases with cpomplete responses to id the distribution of the variable with missing data.
![Page 25: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/25.jpg)
Choosing among methods to deal with Missing Data1. Is the missing data randomly missing?
▫ No: don´t delet it. Treat missing data as data, and analyse why it’s missing
▫ Yes: Delete – only a few cases are missing
random data from different variables; Don’t delete if:
The variable is critical to the analysis (create a dummy variable that recodes missings with mean substitution so you can still the data)
![Page 26: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/26.jpg)
Choosing among methods to deal with Missing Data•EM (Expectation Maximization) – for data
sets in which there is not a great deal of missing data and inferential results (eg p values) are interpreted with caution.
•Multiple Imputation – is currently considered the most respectable of dealing data BUT it’s more difficult to implement and does not provide the full richness of output that is typical with other methods.
![Page 27: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/27.jpg)
SPSS
•Transform▫Replace Missing Values
Replace with Mean…
![Page 28: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/28.jpg)
Outliers
![Page 29: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/29.jpg)
Inverted Items
![Page 30: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/30.jpg)
UMA BOA BASE É COMPLETAMENTE FUNDAMENTAL!!! NINGUÉM PODE COZINHAR BONS PRATOS COM INGREDIENTES PODRES!
![Page 31: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/31.jpg)
Pressupostos básicos da análise com Modelo de Equações Estruturais
![Page 32: Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com](https://reader035.vdocuments.pub/reader035/viewer/2022062700/552fc171497959413d8ee5a1/html5/thumbnails/32.jpg)
Referências