Efeitos Moderadores Duplos e Triplos na Análise de Regressão
|
|
- Pedro Lucas Coradelli Fartaria
- 6 Há anos
- Visualizações:
Transcrição
1 Efeitos Moderadores Duplos e Triplos na Análise de Regressão Autoria: Valter Afonso Vieira, Valter da Silva Faia Resumo: Distintos estudos na literatura internacional analisam variáveis mediadoras, moderadoras, moderadora-mediadora, mediadora-moderadora e efeitos indiretos nas relações causais de marketing. Dentre essas possibilidades de interpretação dos dados, compreender o efeito moderador utilizando análise de regressão linear é uma das possibilidades. O objetivo principal neste artigo é discutir e clarificar os conceitos da moderação, quando do uso da análise de regressão múltipla ao invés dos modelos GLM (ex. MANOVA, ANCOVA). O segundo objetivo é aplicar três estimativas, sendo moderação dupla com variáveis contínuas independentes, moderação dupla com variável contínua e métrica como independentes e moderação tripla com variáveis contínuas independentes. 1
2 INTRODUÇÃO Cortina (1993) comenta que cada vez mais a complexidade de examinar relações entre variáveis é crescente. Normal e tradicionalmente as relações são tratadas e testadas de forma linear. Não obstante, é, de fato, possível estabelecer até seis tipos de relação entre duas ou mais variáveis: (1) relação direta onde uma variável independente explica outra variável, a dependente; (2) relação indireta onde a variável independente impacta na variável dependente, e esta impacta em uma variável final dependente; (3) efeito espúrio quando uma correlação entre duas variáveis vem de uma causa comum; (4) relação bidirecional entre duas variáveis; (5) efeitos não analisados e (6) efeitos moderados; onde uma terceira variável interveniente interfere na força da relação de duas outras (Jaccard & Turrisi; 2003). Embora na primeira condição, relação direta onde uma variável independente explica outra variável, é possível discutir diversos tipos de efeitos, tais como exponenciais, diretos, lineares, cúbicos, etc. este trabalho lida com os efeitos moderados; onde uma variável moderadora tende a exercer uma interferência na relação de duas outras. Dos artigos publicados no Journal of Consumer Research e do Journal of Consumer Psychology, aproximadamente 70% desses utilizam a análise de mediação (Iacobucci, Saldanha & Deng, 2007). Nacionalmente, no campo de marketing e comportamento do consumidor, o processo de avaliação de tais variáveis ainda carece de estudos. Portanto, existe um esforço da literatura para incentivar seus exames e distinguir as definições e utilizações das variáveis moderadoras no campo (James & Brett, 1984; Baron & Kenny, 1986; Batra & Stayman, 1990; Chattopadhyay & Basu, 1990; Mackinnon et al., 2002; Henseler & Fassott; 2010). Não obstante, em 27% dos artigos do Journal of Consumer Research pesquisadores buscam estabelecer relações de mediação-moderada, onde uma mediação também assume um papel moderador (Iacobucci et al., 2007). Portanto, nota-se que o percentual de emprego cai drasticamente e o tema é pouco discutido. No emaranhado da escassa utilização nacional de tais testes e da existência de uma confusão dos termos, dos usos, das análises; complicações ainda mais sérias surgem, tais como o teste do efeito moderador. Em outras palavras, a aplicação dos testes pode ser mais complexa, porém melhor, empregando variáveis latentes em modelos de equações estruturais (Iacobucci et al., 2007), do que utilizando variáveis observáveis, tradicionalmente usadas em modelos de regressão (Abbad & Torres, 2002). Não obstante, pesquisadores também defendem o uso de modelos de regressão para exame de efeitos moderadores (Aiken & West, 1991). Diante desse contexto, o objetivo principal neste artigo é discutir e clarificar os conceitos de moderação, quando do uso específico da análise de regressão múltipla, avançando na discussão realizada por Iacobucci, Saldanha e Deng (2007). Para o desenvolvimento do trabalho, os autores propõem os caminhos para o teste de moderação via regressão. Por consequência, há algumas justificativas para a provocação do debate sobre esses conceitos na literatura. Inicialmente, justifica-se este trabalho por existir pouco conhecimento na literatura nacional sobre diferenciação entre mediação versus moderação versus efeito indireto. Logo, a utilização desses conceitos como sinônimos não deve ser feita erroneamente pelos pesquisadores, uma vez que cada uma delas gera resultado diferente. Segundo, justifica-se este trabalho por apresentar a discussão post hoc do efeito moderador, salientando especificamente suas médias e direções. MODERAÇÃO O modelo clássico da análise de regressão linear é dado pela Equação 1. O modelo linear é um dos mais usados em estatística e sugere que a variância explicada da variável 2
3 dependente (VD) é dada pela variabilidade de outra variável, a independente (VI), mais o nível de erro e mais o intercepto. A VD é a variável que se deseja explicar, o α é o intercepto, ou seja, a interceptação da reta com o eixo vertical, o β, outra constante, representa o declive (coeficiente angular) da reta e a VI, conhecida como variável preditora, representa o fator explicativo na equação. (1) Não há na equação 1 um efeito estranho, tal como pode ser considerado o efeito moderador. De acordo com Baron e Kenny (1986), uma variável moderadora, daqui para diante como Mod, seja ela mensurada de forma quantitativa ou qualitativa, é aquela que afeta a direção ou a força da relação entre uma variável dependente e uma variável independente. Portanto, a moderadora é uma terceira variável que afeta a relação entre outras duas, alterando a sua direção. Estruturalmente, a variável moderadora é inserida na equação 1 e afeta a variabilidade da VD. Assim, a moderação ocorre quando o efeito que uma variável independente exerce sobre uma variável dependente depende de uma terceira variável, a moderadora. Estatisticamente, uma variável Mod é moderadora, se a relação entre duas ou mais variáveis, VI e VD for uma função do nível de Mod. Essa definição indica uma relação interativa entre VI e Mod, sendo VD uma função probabilística dada na equação 2. (2), Esse modelo moderador é representado, com mais detalhes, pelo seguinte modelo de regressão linear múltipla (James & Brett, 1984), ver equação 3: (3). Naturalmente, o pesquisador deve estar preocupado com a maneira de mensuração das variáveis independentes e moderadoras para exame da interação. Os quatro casos propostos por Baron e Kenny (1986, p.1175), de mensuração e exame dessas variáveis, são: Caso 1 uma variável independente e uma variável moderadora, ambas dicotômicas sugere-se a ANOVA/ANCOVA em um design 2 2. Nesse caso utilizam-se modelos lineares generalizados, customizando as equações como interativas. Caso 2 uma variável independente contínua e uma variável moderadora dicotômica sugere-se o caso de modelos multigrupos utilizados na modelagem de equação estrutural (Ping, 1996). Esse modelo foi tratado por Vieira (2009) com detalhes e neste artigo, de modo distinto, utiliza-se a análise de regressão linear. Caso 3 uma variável independente dicotômica e uma variável moderadora contínua sugere-se o caso de dicotomizar a moderadora e proceder como no Caso 1 (Paul & Dick, 1993). Caso 4 uma variável independente contínua e uma variável moderadora contínua sugere-se dicotomizar a moderadora e proceder como no Caso 2 ou, mesmo, fazer análises de regressão utilizando interação entre variáveis, ou seja, usando dummies (Kenny & Judd, 1984). Este artigo discute especificamente o caso 4 sem o fator de dicotomização. Fitzsimons (2008) comenta que em uma dicotomização dos dados das variáveis, correlações espúrias podem surgir e salientar efeitos significativos onde, de fato, não existem (erros tipo I e II). 3
4 Ademais, uma dicotomização dos dados pode diminuir o poder estatístico do teste, gerando outro problema. Diante de tais condições, este trabalho busca aplicar uma condição alternativa a dicotomização das variáveis, empregando a multiplicação. O modelo da figura 1 apresenta três relações causais para variável dependente: o impacto direto da variável independente, o impacto direto da variável moderadora e o impacto multiplicativo da interação entre a independente e a moderadora. West, Aiken e Krull (1996) descrevem que todas as variáveis de primeira ordem que são utilizadas na interação, bem como todas as possíveis combinações entre elas, devem também ser incluídas no modelo para que suas relações diretas com a variável dependente sejam testadas. A hipótese de moderação não será suportada se a interação (isto é, o termo multiplicativo VI Mod) for significante. Isto pois é necessário o exame da direção das médias a posteriore. Além do mais, é desejável que os efeitos das demais relações sejam mínimos ou insignificantes, fortalecendo os resultados encontrados para a moderação (James & Brett, 1984). Normalmente uma variável moderadora é incluída ao modelo justamente quando há uma relação inconsistente ou fraca não esperada entre uma variável independente e outra dependente (Baron & Kenny, 1986). Independente (VI) Moderadora (Mod) Dependente (VD) Termo multiplicativo (VI x Mod) Figura 1. Modelo moderador Fonte: Baron, R.M.; Kenny, D.A. (1986). The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations (p. 1174). Journal of Personality and Social Psychology, 51(6), Segundo Whisman e McClellan (2005), para testar o efeito da moderação sobre a variável dependente deve-se calcular os dois modelos seguintes: o efeito direto salientado na equação 4 e o efeito moderador apresentado na equação 5; objetivando acompanhar o aumento de variância explicada da equação com interação. (4) (5). No primeiro modelo, equação 4, constam apenas as relações diretas envolvendo a variável independente (VI) e a moderadora (Mod). No segundo, equação 5, além dessas relações, consta a interação entre elas, mensurada por meio da multiplicação entre VI e Mod. Para testar se a diferença entre os dois modelos é significativa e suportar a hipótese de moderação, pode-se avaliar se o incremento ocorrido no coeficiente de determinação ( ou se o coeficiente de regressão da variável interativa ( é significativamente diferente de zero. Essa regra valem tanto para interação entre variáveis contínuas, quanto para interações entre variáveis contínuas e categóricas (Whisman & Mcclellan, 2005). 4
5 Uma das grandes preocupações quanto à análise do efeito interativo sobre uma variável dependente é a presença da multicolinearidade, tornando difícil distinguir os efeitos diretos da variável independente, da variável moderadora e da variável interativa sobre a variável dependente (Little, Card, Bovaird, Preacher & Crandall, 2007). Como ressaltam Echambadi e Hess (2007), diversos autores recomendam padronizar, centrar as médias em zero, todas as variáveis independentes que constituem a variável interativa em resposta a esse problema. Tal procedimento seria uma alternativa a inconsistência da multicolinearidade. Portanto, para atender a sugestão de centralização de variáveis contínuas, o pesquisador deve: (a) padronizar as mesmas em escore Z, normalizando-as, (b) criar um termo multiplicativo entre a moderadora e a variável independente e (c) testar a regressão dessa nova variável em conjunto com a moderadora e a independente. Entretanto, enquanto essa solução permite distinguir melhor os efeitos, por outro lado, ela reduz a covariância da variável interativa, prejudicando a determinação do grau de inclinação da relação e a determinação de um grande conjunto de valores importantes para a análise. Além do mais, Echambadi e Hess (2007) destacam que a padronização das variáveis não provoca alterações no grau de precisão da estimação dos coeficientes de regressão, assim como no coeficiente de determinação ( ). Portanto, padronizar variáveis não melhora os parâmetros estatísticos de análise. Para exemplificar a realização de testes com a moderação, serão apresentados três distintos modelos, todos desenvolvidos no software estatístico SPSS versão 20. O primeiro descreve a interação entre duas variáveis intervalares. No segundo, a interação ocorre entre a mesma variável independente intervalar e uma variável nominal dicotômica. No terceiro e último exemplo, será realizado uma interação tripla entre variáveis intervalares. Todos os dados foram criados pelos autores visando demonstrar as interações estaticamente, portanto não há validade empírica. MODERAÇÃO ENTRE DUAS VARIÁVEIS INTERVALARES Neste tópico do texto o foco é discutir a moderação entre duas variáveis intervalares. Para tal fim, considere que a relação entre VI e VD é moderada pela variável Mod. Todas as variáveis são intervalares do tipo likert variando de 0 até 10 pontos e os dados criados estão dispostos na tabela 1. Foram simuladas respostas para uma amostra de 20 respondentes. Tabela 1 Dados para interação dupla de variáveis intervalares n VI Mod Termo multiplicativo VD continua na próxima página... 5
6 Média 4,35 4,95 22,55 4,80 Desvio Padrão 2,64 3,09 25,29 2,24 Como já mencionado, para testar a hipótese de moderação, primeiramente criou-se um modelo de regressão múltipla, testando o grau de predição de VD presente nas variáveis VI e Mod. De acordo com a Tabela 2, ambas as variáveis não são significativas em explicar a variável endógena no efeito direto. Adotando um nível se significância de 95%, os resultados encontrados na análise de regressão evidenciam que a relação direta entre VI e VD não é significativa para nenhum dos modelos (β = 0,27; p>0,16 e β = -0,58; p>0,13). Do mesmo modo, a variável Mod também não possui poder de explicação direta para VD (β = 0,17; p>0,28 e β = -0,62; p>0,08). Tabela 2 Análise de regressão exemplo 1 1º Modelo 2º Modelo Variáveis B 1 Sig. B 1 Sig. Constante 2,742 0,031 7,108 0,002 VI 0,270 0,168-0,587 0,131 Mod 0,179 0,281-0,622 0,085 VI.Mod 0,147 * 0,020 R 2 0,183 0,424 1 Coeficiente não padronizado. * p<0,05. Posteriormente, foi acrescida ao modelo a variável interativa VI.Mod, criada pela multiplicação da resposta de VI com a resposta da variável moderadora Mod. Os resultados encontrados mostram um efeito significativo (β = 0,14; p<0,02) da variável interativa sobre a variável endógena. No segundo modelo, no qual a moderação foi testada, houve um incremento no índice de ajustamento de 0,241 ( 0,424 0,183), considerada estatisticamente significante (p<0,02). Do mesmo modo, o coeficiente de regressão apresentado para a interação também apresentou significância estatística, suportando a hipótese de moderação. Apesar de que nesse exemplo não se optou pela padronização das variáveis, destaca-se que os pesquisadores devem estar atentos ao problema de multicolinearidade gerado pelo efeito multiplicativo, pois isto infla os valores do beta (Kim, Kaye & Wright; 2001). Para o controle da multicolinearidade, o fator de variância e tolerância podem ser usados. A multicolinearidade pode ser reduzida por meio da padronização das variáveis, fato que reduz a correlação entre as variáveis independentes (Aldwin, 1994). Para melhor interpretação dos dados, sugere-se representar graficamente o modelo de moderação encontrado. Como o efeito da nova variável multiplicada foi significativo, independente do efeito direto da moderadora e da variável independente, então se torna necessário explorar as inclinações da reta da variável independente nas condições baixa, média e alta da variável moderadora. Os valores apresentados são, portanto, para todos os níveis da variável independente, sendo +1 e -1 ponto de desvio padrão da média da moderadora. Para Preacher, Rucker e Hayes (2007) esse procedimento de apresentação dos 6
7 achados facilita a avaliação de modelos mais complexos como é o caso dos modelos de efeito condicional indireto. De acordo Aiken e West (1991) e Friedrich (1982), se as variáveis não são padronizadas no momento de realização da regressão então para apresentar os gráficos devese utilizar dados como médias da variável independente e da variável moderadora, desviopadrão de ambas, e coeficientes não padronizados. Não obstante, se as variáveis são padronizadas então para apresentar os gráficos deve-se utilizar dados como médias da variável independente e da variável moderadora = 0 e desvio-padrão de ambas = 1, e coeficientes não padronizados. Neste exemplo, por utilizar as variáveis não padronizadas, deve-se estimar os valores de VD, considerando os valores de média de VI e 1 desvio padrão acima e abaixo dela. Do mesmo modo, serão também estimados valores baseado na média de Mod e em 1 desvio padrão acima e abaixo (West et al., 1996). Portanto, serão estimados valores de VD para 9 combinações, como demonstrado na tabela 3. Tabela 3 Combinações de valores para estimação de VD Baixo Mod Médio Mod Alto Mod Baixo VI Médio VI Alto VI Os valores serão estimados conforme a equação do modelo de regressão. A equação 6 representa o modelo moderador de regressão para o exemplo 1, na qual, primeiramente, os coeficientes de regressão são multiplicados pelos valores de cada variável e depois somados para estimarem o valor da variável dependente. Como exemplo, são apresentadas as equações 6, 7, 8 e 9 para os seguintes cenários, respectivamente: (a) Baixo VI e Baixo Mod; (b) Médio VI e Médio Mod; e (c) Alto VI e Alto Mod. (6). 7,108 0,587. 0,622. 0,147.. (7) 7,108 0,587. 4,35 2,64 0,622. 4,95 3,09 0,147. 4,35 2,64. 4,95 3,09 5,42 (8) 7,108 0,587.4,35 0,622.4,95 0,147.4,35.4,95 4,65 (9) 7,108 0,587. 4,35 2,64 0,622. 4,95 3,09 0,147. 4,35 2,64. 4,95 3,09 6,29 Na equação 7, foram estimados os valores da variável endógena considerado baixos níveis de VI e Mod e esses foram multiplicados com os coeficientes de regressão os valores de média de cada uma dessas variáveis subtraídos de 1 desvio padrão. Já na equação 8, foram considerados apenas as médias, enquanto na equação 9, para altos níveis de VI e Mod, considerou-se as médias acrescidas de 1 desvio padrão. A tabela 4 apresenta os valores para todos os cenários possíveis. Esse procedimento de apresentar os valores por meio do desvio padrão pode ser visto em Kim et al. (2001). Tabela 4 Estimativa de valores de VD para representação gráfica (exemplo 1) Baixo Mod (-1 DP) Médio Mod (Média) Alto Mod (+1 DP) Baixo VI (-1 DP) 5,42 4,59 3,76 Médio VI (Média) 4,27 4,65 5,03 Alto VI (+1 DP) 3,13 4,71 6,29 7
8 Os resultados encontrados indicam a existência de um efeito cruzado para valores de VD decorrente da interação entre VI e Mod. Os melhores resultados para VD ocorrem quando há uma combinação de altos níveis ( = 6,29) ou baixos níveis ( = 5,42) de VI e Mod. Quando há uma dissociação entre os níveis dessas variáveis, os resultados de VD tendem a ser menores. As combinações Baixo VI e Alto Mod ( = 3,76) e Alto VI e Baixo Mod ( = 3,13) foram as que apresentaram os menores valores para a variável dependente. Portanto, se o objetivo for alcançar maiores valores para VD, deve-se buscar altos índices tanto para VI, quanto para Mod. Na impossibilidade de alcançar esse objetivo para uma dessas variáveis, deve-se optar pela manutenção de baixos índices para ambas. Essas conclusões podem ser mais facilmente interpretadas ao analisar o comportamento das variáveis representado na figura 2. 7,00 6,00 5,00 4,00 3,00 Baixo Mod Médio Mod Alto Mod 6,29 5,42 4,71 5,03 4,65 4,27 4,59 3,76 3,13 2,00 1,00 0,00 Baixo VI Médio VI Alto VI Figura 2. Efeito cruzado da moderação (exemplo 1) Percebe-se na figura 2, claramente, o efeito cruzado existente na interação entre VI e Mod na determinação de VD (cross-over effect). Enquanto no alto nível da variável moderadora o acréscimo no nível da variável independente possui um comportamento crescente para a determinação variável dependente, por outro lado, no baixo nível o comportamento se inverte, tornando-se decrescente. Para um valor médio, o efeito é crescente, porém com baixa intensidade, inclinação. Em suma, após ter encontrado o efeito moderador e ter descoberto as direções das médias das variáveis, o pesquisador pode estar interessado em classificar a moderação. Sharma, Durand e Gur-Arie (1981) definem uma tipologia quádrupla de variáveis moderadoras em que elas se diferenciam em dois pontos: quando afetam a força da relação entre VI VD e quando afetam a forma da relação entre esses dois construtos. Tendo em vista essas circunstâncias, verifica-se, inicialmente, a correlação entre Mod e VD e entre Mod e VI, criando uma combinação 2 2. Os resultados podem ser: variável moderadora interveniente ocorre quando a correlação entre Mod e VD e entre Mod e VI são ambas não significativas; variável moderadora homologizer que afeta a força ocorre quando a correlação entre Mod e VD é não significativa e entre Mod e VI é significativa; variável quasi-moderadora ocorre quando a correlação entre Mod e VD é significativa e afeta a forma e entre Mod e VI também é significativa; e variável moderadora pura ocorre quando a correlação entre Mod e VD é p=ns e entre Mod e VI é significativa, afetando a força. 8
9 INTERAÇÃO ENTRE UMA VARIÁVEL INTERVALAR E OUTRA DUMMY No exemplo 2, os testes são realizados interagindo uma variável intervalar do tipo likert de 10 pontos e uma variável nominal dummy, mas que não foi dicotomizada.vale salientar que para variáveis dicotômicas é possível examinar o modelo interativo utilizando análise de regressão logística, o que não é o caso aqui. Não obstante, no campo da saúde seu uso é bem aplicado. Por exemplo: uma variável dicotômica (fuma vs. não fuma) multiplicada com outra (bebe vs. não bebe) impactando em uma terceira variável (sedentário vs. não sedentário). A interpretação dos resultados neste caso é por meio das combinações das probabilidades (Kleinbaum & Klein, 2010). Sendo assim, nesse exemplo analisou-se a mesma relação entre a VI e VD, agora moderada pela variável dicotômica Mod que representa dois grupos distintos. Os valores para as variáveis estão dispostos na tabela 4. Os valores para VI e VD foram mantidos em relação ao exemplo anterior e o código utilizado para a variável Mod foi 0 para um grupo e 1 para o outro. Tabela 5 Dados para interação dupla de entre variável intervalar e categórica n VI Mod Termo multiplicativo VD Média 4,35-2,15 4,80 Desvio Padrão 2,64-3,01 2,24 Do mesmo modo que no exemplo anterior, a hipótese de moderação foi testada criando dois modelos de regressão múltipla. No primeiro, foram testadas apenas as relações diretas das variáveis VI e Mod com VD, enquanto no segundo, foi incluída a variável interativa mensurada pelo produto das duas (VI.Mod). Os resultados encontrados estão apresentados na tabela 6. 9
10 Tabela 6 Análise de regressão exemplo 2 Variáveis 1º Modelo 2º Modelo B 1 Sig. B 1 Sig. Constante 3,262 0,005 4,878 0,000 VI 0,275 0,169-0,129 0,573 Mod 0,756 0,456-3,128 0,082 VI.Mod 0,879 * 0,017 R 2 0,152 0,413 1 Coeficiente não padronizado. * p<0,05. Os resultados oferecidos pela análise de regressão suportam a hipótese de moderação, uma vez que coeficiente de regressão da variável interativa obteve significância ao nível de 95%. Além do mais, o acréscimo dessa variável moderadora ao modelo de regressão ofereceu um incremento no índice de ajustamento de 0,261 ( 0,413 0,152), também significativo (p<0,02). Para melhor compreensão do comportamento da variável moderadora sobre a relação testada foram estimados os valores para VD. Para tanto, estimou-se valores conforme a combinação entre os dois grupos (0 e 1) da variável Mod e altos valores (1 desvio padrão acima da média) e baixos valores de VI (1 desvio padrão abaixo). Os resultados encontrados estão apresentados na tabela 7. Tabela 7 Estimativa de valores de VD para representação gráfica (exemplo 2) Baixo VI (-1 DP) Alto VI (+1 DP) Grupo 0 4,66 3,98 Grupo 1 3,03 6,99 Como no exemplo 1, os resultados encontrados indicam a existência de um efeito cruzado para valores de VD decorrente da interação entre VI e a variável moderadora Mod. Se o objetivo é obter os maiores valores para VD, o melhor cenário é a presença do elemento categorizado como grupo 1 combinado a um alto nível de VI ( = 6,99). Já a combinação entre grupo 1 e baixo nível de VI apresentou o pior resultado ( = 3,03). Por outro lado, quando o cenário envolve o grupo 0, o melhor resultado encontrado de VD ocorre quando há um baixo nível de VI ( = 4,66). Aumentando o nível de VI, a estimativa para a variável endógena decresce ( = 3,98). Esse efeito cruzado pode ser melhor visto na figura 3. 8,00 Grupo 0 Grupo 1 6,99 6,00 4,00 4,66 3,03 3,98 2,00 0,00 Baixo VI (-1 SD) Figura 3. Efeito cruzado da moderação (exemplo 2) Alto VI (+1 SD) 10
11 Analisando graficamente o exemplo 2, destaca-se que o efeito exercido pela interação entre a variável independente e a moderadora na determinação da variável dependente é maior para o grupo 1. Neste grupo, o acréscimo no nível de VI exerce um comportamento crescente no nível de VD. Já no grupo 0, o efeito é contrário. O acréscimo de VI possui um efeito decrescente no nível de VD, porém com menor intensidade. Tal constatação é possível ao visualizar o grau de inclinação de ambas as retas. MODERAÇÃO TRIPLA A interação tripla sugere que as variáveis interagem em sua totalidade, gerando ao menos 8 efeitos diferentes, no caso de variáveis dicotômicas. A interação tripla pode ser vista por meio de uma tabela de contingência, sendo Diferentemente, no exemplo 3, foi testada a interação entre três variáveis intervalares do tipo likert de 10 pontos. Para esse caso, além da criação da variável interativa das três variáveis, devem-se criar também todas as possíveis interações duplas. Portanto, considerando uma relação direta entre VI e VD, moderada pelas variáveis Mod 1 e Mod 2, foram computadas as seguintes interações: VI. Mod 1, VI. Mod 2, Mod 1. Mod 2, VI. Mod 1. Mod 2. Do mesmo modo, foram simuladas respostas para uma amostra de 20 pessoas, conforme descrição na tabela 8. Tabela 8 Dados para interação tripla de variáveis intervalares N VI Mod 1 Mod 2 VI. Mod 1 VI. Mod 2 Mod 1. Mod 2 VI. Mod 1. Mod 2 VD Média 4,35 4,95 5,95 22,55 24,20 28,05 120,40 4,80 Desvio Padrão 2,64 3,09 2,95 25,29 19,01 23,87 144,42 2,24 Para este exemplo de moderação, foram elaborados três modelos de regressão múltipla. No primeiro modelo, testou-se apenas o efeito das variáveis VI, Mod 1 e Mod 2 enquanto preditoras de VD. No segundo, foram acrescidas as combinações em pares (isto é as 11
12 duplas) e, por fim, na terceira, acrescida a interação tripla. Os resultados encontrados estão apresentados na tabela 9. Tabela 9 Análise de regressão exemplo 3 Variáveis 1º Modelo 2º Modelo 3º Modelo B 1 Sig. B 1 Sig. B 1 Sig. Constante 0,072 0,964 5,292 0,345-12,695 0,094 VI 0,352 0,057-0,621 0,366 2,179 0,052 Mod 1 0,224 0,143-0,488 0,513 2,177 * 0,050 Mod 2 0,351 * 0,038 0,151 0,796 2,826 * 0,011 VI. Mod 1 0,132 0,098-0,290 0,066 VI. Mod 2 0,034 0,563-0,422 * 0,015 Mod 1. Mod 2-0,003 0,966-0,409 * 0,011 VI.Mod 1. Mod 2 0,072 * 0,008 R 2 0,381 0,570 0,768 1 Coeficiente não padronizado. * p<0,05. Observando os resultados, percebe-se que o efeito interativo das três variáveis obteve coeficiente de regressão significativo, evidenciando uma relação linear positiva com VD. Do mesmo, o terceiro modelo apresentou um incremento no índice de ajustamento em relação ao segundo de 0,198 ( 0,768 0,570), significante ao nível de 99% (p.<0,01). Esses resultados suportam a hipótese de moderação tripla, a qual é melhor interpretada a partir da estimação de valores para a variável dependente e da análise gráfica. Para tanto, inicialmente, foram criados dois grupos: alto valor (1 desvio padrão acima da média) e baixo valor (-1 desvio padrão abaixo da média) da variável Mod 2. Em seguida, em cada grupo foram estimados 4 valores conforme as seguintes combinações: Alto VI e Alto Mod 1 ; Alto VI e baixo Mod 1 ; Baixo VI e Alto Mod 1 ; e Baixo VI e Baixo Mod 1. Os resultados encontrados estão descritos na tabela 10. Tabela 10 Estimativa de valores de VD para representação gráfica (exemplo 3) Baixo Mod 2 Alto Mod 2 Baixo Mod 1 Alto Mod 1 Baixo Mod 1 Alto Mod 1 Baixo VI -1,12 3,96 8,14 2,82 Alto VI 2,96 5,62 3,24 9,30 O comportamento da interação tripla sobre VD está representado nas figuras 4 e 5. Quando o nível de Mod 2 é baixo, a relação entre VI e Mod 1 é positiva (crescente) tanto para altos níveis, quanto para baixos níveis. Em outras palavras, quanto maior for a combinação entre VI e Mod 1, maior tenderá a ser o nível de VD. Esse comportamento crescente é maior quando há um baixo nível de VI. 12
13 ,96 Baixo Mod1-1,12 Baixo Mod 2 5,62 3,96 Alto Mod Alto Mod 2 8,14 3,24 Baixo Mod1 9,30 2,82 Alto Mod1 Baixo VI Alto VI Figuras 4 e 5. Moderação tripla (exemplo 3) Baixo VI Alto VI Por outro lado, as maiores estimativas de VD ocorrem para o cenário com alto nível de Mod 2. O maior valor foi encontrado na combinação entre alto VI e Alto Mod 1 ( = 9,30), seguido da combinação entre baixo VI e baixo Mod 1 ( = 8,14). Assim, quando o nível de Mod 2 é alto, percebe-se um efeito cruzado entre as combinações entre VI e Mod 1. Com o acréscimo do nível Mod 1, para uma situação de baixo nível de VI a relação é negativa (decrescente), enquanto para um alto nível de VI a relação é positiva (crescente). Assim, quando VI é baixo, o melhor resultado é também para um baixo nível de Mod 1. A medida que o nível de Mod 1 cresce, as estimativas para VD vão decrescendo. Já quando VI é alto, o melhor resultado é também para um alto nível de Mod 1. Com a queda do nível de Mod 1, as estimativas de VD também decrescem. Se o objetivo é obter um maior nível para a variável endógena, os resultados encontrados permitem apontar a melhor combinação para cada cenário (alto ou baixo) para cada variável utilizada na interação. Essa análise é descrita na tabela 11, a qual apresenta as melhores combinações em pares para cada cenário possível. Tabela 11 Cenários para maiores valores de VD Cenário VI Mod 1 Mod 2 Alto VI - Alto Alto Baixo VI - Baixo Alto Alto Mod 1 Alto - Alto Baixo Mod 1 Baixo - Alto Alto Mod 2 Alto Alto - Baixo Mod 2 Alto Alto - Portanto, ressaltando que se o objetivo é um maior nível de VD, o melhor cenário será a combinação entre alto nível de VI, alto nível de Mod e alto nível de Mod 2. Já o menor valor, se dá pelo oposto para cada variável, baixos níveis de VI, Mod 1 e Mod 2. Esse tipo de análise deverá ser realizada observando de forma empírica as restrições para cada variável. CONSIDERAÇÕES FINAIS Em ciências sociais, a busca pela explicação de resultados por vezes é limitada ao fato da existência das relações lineares, deixando de lado efeitos curvilineares (também 13
14 conhecidos como não lineares, tais como cúbicos, quadráticos positivos, quadráticos negativos, etc.) e efeitos interativos (cruzados ou ordinais). Neste texto buscou-se discutir uma possibilidade de trabalhar com efeitos interativos como possibilidade de explicação dos resultados dos trabalhos, visando sua explicação. A análise de regressão com os efeitos interativos busca apresentar que a variabilidade do efeito da variável endógena depende também de uma combinação de resultados, sendo, portanto, esse o efeito interativo uma combinação de múltiplos resultados. Diante disso, o efeito de uma variável em outra é condicionada a variações de uma terceira, salientando assim que a moderação pode descortinar um efeito estranho. Têm-se então regressões alternativas estimadas com multiplicações e se houver significância dos efeitos interativos na variável de resultado; torna-se necessário verificar a combinação de múltiplos resultados (baixo vs. alto; alto vs. alto; etc.). O pesquisador deve estar atento a não apenas encontrar significância na regressão, mas também em explicar em que ponto da combinação, o efeito se torna nulo, positivo ou negativo. Todas essas combinações são plausíveis de serem encontradas e devem estar claras para o cientista. Em algum nível da moderadora, a equação pode ser extremamente forte e positiva, e em outra tornar-se, no extremo, nula. Explicar com embasamento científico é visar interpretações aguçadas dos fenômenos em marketing. É fato que há um grande erro em buscar regressões e efeitos interativos sem haver teoria e explicações plausíveis por detrás. A ciência busca explicar e predizer fenômenos em ciência social e para tal, compreender o motivo, razão e argumentação que sustenta um resultado é algo extremamente necessário. Efeitos interativos cruzados mostram que em um nível da variável moderadora, o resultado é negativo e ao passar para o outro nível da variável moderadora, o resultado, contrariamente, é positivo. Explicar, com argumentos convincentes e teoria coerente, esta sistemática é algo necessário para o cientista. Complementarmente, efeitos interativos ordinais mostram que em um nível da variável moderadora, o resultado é negativo e ao passar para o outro nível da variável moderadora, o resultado, coerentemente se torna ainda mais negativo, aumentando a discrepância entre os níveis. REFERÊNCIAS Abbad, G.; Torres, C.V. (2002). Regressão múltipla stepwise e hierárquica em psicologia organizacional: aplicações, problemas e soluções. Estudos em Psicologia Natal, 7, Edição Especial, Aiken, L. S., Stephen, G. West (1991). Multiple regression: Testing and interpreting interactions, 75-87, Sage, New York. Aldwin, C. M. (1994). Stress, coping, and development: An integrative perspective. New York: Guilford. Baron, R.M.; Kenny, D.A. (1986). The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), Batra, R.; Stayman, D.M. (1990). The role of mood in advertising effectiveness. Journal of Consumer Research, 17(2), Chattopadhyay, A.; Basu, K. (1990). Humor in advertising: the moderating role of prior brand evaluation. Journal of Marketing Research, 27(3), Cortina, J. M. (1993). Interaction, nonlinearity, and multicollinearity: Implications for multiple regression. Journal of Management, 19(3), Echambadi, R., Hess, J.D. (2007). Mean-centering does nothing for moderated multiple regression. Marketing Science, 26(3),
15 Friedrich (1982), R. J. (1982). In Defense of Multiplicative Terms in Multiple Regression Equations. American Journal of Political Science, 26(4), Henseler, J., Fassott, G. (2010). Testing Moderating Effects in PLS Path Models: An Illustration of Available Procedures. In: V. Esposito Vinzi et al. (eds.), Handbook of Partial Least Squares, Springer Handbooks of Computational Statistics, DOI / , Iacobucci, D.; Saldanha, N.; Deng, X. (2007). Meditation on mediation: evidence that structural equation models perform better than regressions. Journal of Consumer Psychology, 17(2), Jaccard, J., & Turrisi, R. (2003). Interaction effects in multiple regression, 2nd Edn. Thousand Oaks: Sage. James, L.R.; Brett, J.M. (1984). Mediators, moderators, and tests for mediation. Journal of Applied Psychology, 69(2), Kenny, D.; Judd, C.M. (1984). Estimating the nonlinear and interactive effects of latent variables. Psychological Bulletin, 96(1), Kim, J.S., Kaye, J.K., Wright, L.K. (2001). Moderating and mediating effects in causal models. Issues in Mental Health Nursing, 22, 63 75, Kleinbaum, D.G., Klein, M. (2010). Logistic regression: statistics for biology and health. 3 rd. edition. Springler Science: New York. Little, T.D., Card, N.A., Bovaird, J.A., Preacher, K.J., Crandall, C.S. (2007). Structural Equation Modeling of Mediation and Moderation With Contextual Factors. Chapter 9, Mackinnon, D.P.; Lockwood, C.M.; Hoffman, J.M.; West, S.G.; Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7(1), Morgan-Lopez, A.A. (2003). A simulation study of the mediated baseline by treatment interaction effect in preventive intervention trials. Unpublished doctoral dissertation. Arizona State University, Fitzsimons, G. J. (2008). Editorial: Death to dichotomizing. Journal of Consumer Research, 35(1), 5-8. Muller, D., Judd, C.M., Yzerbyt, V.Y. (2005). When moderation is mediated and mediation is moderated. Journal of Personality and Social Psychology, 89(6), Paul, L.S.; Dick, A. (1993). Using moderator variables in structural equation models. In: Mcalister, L.; Rothschild, M.L. (Ed.). Advances in Consumer Research. Provo, UT: Association for Consumer Research, v.20, p Ping, R. A. (1996). Latent variable interaction and quadratic effect estimation: a two-step technique using structural equation analysis. Psychological Bulletin, 119(1), Preacher, K. J., Rucker, D.D., & Hayes, A.F. (2007). Addressing moderated mediation hypotheses: theory, methods and prescriptions. Multivariate Behavioral Research. 42(1), Sharma, S.; Durand, R.M.; Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), Vieira, V. A. (2009). Moderação, mediação, moderadora-mediadora e efeitos indiretos em modelagem de equações estruturais: uma aplicação no modelo de desconfirmação de expectativas. Revista de Administração (USP), 44(1), West, Stephen G.; Aiken, Leona S.; Krull, Jennifer L. (1996). Experimental personality designs: analyzing categorical by continuous variable interactions. Journal of Personality, 64(1),
16 Whisman, Mark A.; Mcclelland, Gary H. (2005). Designing, testing, and interpreting interactions and moderator effects in family research. Journal of Family Psychology, 19(1),
Análise de Mediação e Moderação. Prof. Dr. Valter Afonso Vieira (PPA/UEM)
Análise de Mediação e Moderação Prof. Dr. Valter Afonso Vieira (PPA/UEM) ASSOCIAÇÃO ENTRE VARIÁVEIS É possível estabelecer ao menos seis tipos de relação entre variáveis: (1) relação direta onde X explica
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisMÉTODOS QUANTITATIVOS APLICADOS À AVALIAÇÃO DE POLÍTICAS PÚBLICAS USANDO STATA. Prof. Leonardo Sangali Barone
MÉTODOS QUANTITATIVOS APLICADOS À AVALIAÇÃO DE POLÍTICAS PÚBLICAS USANDO STATA Prof. Leonardo Sangali Barone Objetivos do Curso O curso tem como objetivo oferecer ao participante instrumental básico para
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisO efeito interacção em modelos de equações estruturais
O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisEstatística aplicada ao Melhoramento animal
Qual é a herdabilidade para uma característica? Qual é a variabilidade de desempenho para essa característica? Selecionando para a característica X, característica Y será afetada? Como predizer os valores
Leia maisRisco x Retorno. Fundamentos de Risco e Retorno: Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos.
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisA UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS NO PLANEJAMENTO E ANÁLISE DE ESTUDOS EXPERIMENTAIS EM ENGENHARIA DE SOFTWARE (FONTE:
A UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS NO PLANEJAMENTO E ANÁLISE DE ESTUDOS EXPERIMENTAIS EM ENGENHARIA DE SOFTWARE (FONTE: ESELAW 09 MARCOS ANTÔNIO P. & GUILHERME H. TRAVASSOS) 1 Aluna: Luana Peixoto Annibal
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisINSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 EXAME: DATA 24 / 02 / NOME DO ALUNO:
INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 Estudos de Mercado EXAME: DATA 24 / 02 / 20010 NOME DO ALUNO: Nº INFORMÁTICO: TURMA: PÁG. 1_ PROFESSOR: ÉPOCA: Grupo I (10
Leia maisLinha Técnica Sessão I: Inferência Causal
Impact Evaluation Linha Técnica Sessão I: Inferência Causal Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation Fund www.worldbank.org/sief
Leia maisPERCEÇÕES DE RESPONSABILIDADE SOCIAL, CAPITAL PSICOLÓGICO E DESEMPENHO
1 PERCEÇÕES DE RESPONSABILIDADE SOCIAL, CAPITAL PSICOLÓGICO E DESEMPENHO Susana Leal susana.leal@esg.ipsantarem.pt Orientação de: Prof. Arménio Rego (Universidade de Aveiro) Prof. Arnaldo Coelho (Universidade
Leia mais4 Resultados. 4.1 Resultados das Regressões Estruturais
37 4 Resultados 4.1 Resultados das Regressões Estruturais A tabela 4.1.1 apresenta os resultados das regressões estruturais realizadas de acordo com as equações (1) e (2). As variáveis dependentes são
Leia maisOBJETIVOS DOS CAPÍTULOS
OBJETIVOS DOS CAPÍTULOS Capítulo 1 Nesse capítulo, você notará como muitas situações práticas nas áreas de administração, economia e ciências contábeis podem ser representadas por funções matemáticas.
Leia maisMaterial exclusivo para o livro ESTATÍSTICA (São Paulo, Pleiade, 2008). Proibida a reprodução, sob pena da lei.
Regressão Linear marcoscgarcia@gmail.com 2008). Proibida a reprodução, sob pena da lei. 1 O modelo estatístico de Regressão Linear Simples Regressão linear simples é usado para analisar o comportamento
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisAULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas
1 AULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas Ernesto F. L. Amaral 07 e 09 de dezembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisMINICURSO. Uso da Calculadora Científica Casio Fx. Prof. Ms. Renato Francisco Merli
MINICURSO Uso da Calculadora Científica Casio Fx Prof. Ms. Renato Francisco Merli Sumário Antes de Começar Algumas Configurações Cálculos Básicos Cálculos com Memória Cálculos com Funções Cálculos Estatísticos
Leia maisCarga Horária: 80 horas (correspondem a aulas e atividades extra-classe)
Curso: Economia Disciplina: ECONOMETRIA Turma 4ECO Carga Horária: 80 horas (correspondem a aulas e atividades extra-classe) Período Letivo: 2014/1 Professor: Hedibert Freitas Lopes (www.hedibert.org) OBJETIVO:
Leia maisCONCEITOS FUNDAMENTAIS
CONCEITOS FUNDAMENTAIS ECONOMETRIA É a aplicação de métodos estatísticos e matemáticos na análise de dados econômicos com o propósito de dar conteúdo empírico a teorias econômicas e confirmá-las ou não.
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisPlanejamento de experimentos (DOE)
Planejamento de experimentos (DOE) 1 Terminologia Independent vs. Dependent variables Categorical vs. Continuous variables Between- vs. Within-subjects manipulations Experimental vs. Control conditions
Leia maisGabarito da 1 a Lista de Exercícios de Econometria II
Gabarito da 1 a Lista de Exercícios de Econometria II Professor: Rogério Silva Mattos Monitor: Delano H. A. Cortez Questão 1 Considerando que o modelo verdadeiro inicialmente seja o seguinte: C = a + 2Y
Leia maisDimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações
Dimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações Introdução Arminda Lucia Siqueira Dimensionamento de amostras, importante elemento
Leia maisTema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e medidas de liquidez.
Aluno: Rafael Milanesi Caldeira Professor Orientador: Adriana Bruscato Bortoluzzo Tema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e
Leia maisObjetivo: Determinar experimentalmente a resistência elétrica de um resistor a partir da curva V x I.
Determinação da resistência elétrica de um resistor Universidade Tecnológica Federal do Paraná - Curitiba Departamento Acadêmico de Física Física Experimental Eletricidade Prof. Ricardo Canute Kamikawachi
Leia maisAULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisFATORES EXPLICATIVOS DO SALDO DA BALANÇA COMERCIAL DO BRASIL 1990 A 1997
Economia e Desenvolvimento, nº 11, março/2000 Artigo Acadêmico FATORES EXPLICATIVOS DO SALDO DA BALANÇA COMERCIAL DO BRASIL 1990 A 1997 Zenir Adornes da Silva * Resumo: Neste artigo, analisa-se a influência
Leia maisAbordagem "quantitativa" Utilização de grandes amostras Seleção aleatória das unidades de análise Preferência por teorias parcimoniosas e dotadas de alto grau de generalidade Redução da complexidade social
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA
Leia maisRio de Janeiro, 31 de março de (Finalizando a aula anterior) AULA 3: A IMPORTÂNCIA DO INSTRUMENTO A VALIDADE DE CONTUDO DE UMA ESCALA
Prof. Landeira-Fernandez Bioestatística Rio de Janeiro, 31 de março de 2014. (Finalizando a aula anterior) AULA 3: A IMPORTÂNCIA DO INSTRUMENTO A VALIDADE DE CONTUDO DE UMA ESCALA Quando constrói uma nova
Leia maisPlanificação a médio e longo prazo. Matemática B. 11º Ano de escolaridade. Total de aulas previstas: 193. Ano letivo 2015/2016
Planificação a médio e longo prazo Matemática B 11º Ano de escolaridade. Total de aulas previstas: 193 Ano letivo 2015/2016 Professor responsável: Paulo Sousa I O programa Matemática B do 11º Ano - Página
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisCONFIRMAÇÃO DA IMPRECISÃO DE RESULTADOS ESTATÍSTICOS OBTIDOS COM A UTILIZAÇÃO DO SOFTWARE EXCEL, ATRAVÉS DE SIMULAÇÃO DE DADOS
CONFIRMAÇÃO DA IMPRECISÃO DE RESULTADOS ESTATÍSTICOS OBTIDOS COM A UTILIZAÇÃO DO SOFTWARE EXCEL, ATRAVÉS DE SIMULAÇÃO DE DADOS LUCIANA DO NASCIMENTO LANCHOTE 1 Iniciação Científica, Bolsista CNPq, UFLA
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Leia mais1 Desenho da investigação. 1.1 Definição e objectivos 1.2 Elementos do desenho
1 Desenho da investigação 1.1 Definição e objectivos 1.2 Elementos do desenho Definição: Plano e estrutura do trabalho de investigação; Conjunto de directivas associadas ao tipo de estudo escolhido Objectivos:
Leia maisTeoria da Correlação. Luiz Carlos Terra
Luiz Carlos Terra Você poderá, através de cálculos matemáticos, verificar a forma como a variação de um dado observado pode estar associada às alterações de outra variável. (Luiz Carlos Terra) 1 Objetivo
Leia maisESTATÍSTICA INFERENCIAL. Prof. Dr. Guanis de Barros Vilela Junior
ESTATÍSTICA INFERENCIAL Prof. Dr. Guanis de Barros Vilela Junior As Hipóteses A Hipótese Nula (H 0 ) é, em geral, uma afirmação conservadora sobre uma situação da pesquisa. Por exemplo, se você quer testar
Leia maisAPONTAMENTOS DE SPSS
Instituto de Ciências Biomédicas de Abel Salazar APONTAMENTOS DE SPSS Rui Magalhães 2010-1 - - 2 - Menu DATA Opção SPLIT FILE Permite dividir, de uma forma virtual, o ficheiro em diferentes ficheiros com
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisExercícios. Finanças Benjamin M. Tabak
Exercícios Finanças Benjamin M. Tabak ESAF BACEN - 2002 Uma carteira de ações é formada pelos seguintes ativos: Ações Retorno esperado Desvio Padrão Beta A 18% 16% 1,10 B 22% 15% 0,90 Também se sabe que
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisANOVA FACTORIAL EXEMPLO 1. ANOVA TWO-WAY COM O SPSS. a capacidade de reconhecimento do odor materno
ANOVA FACTORIAL Quando a variável dependente é influenciada por mais do que uma variável independente (Factor) estamos interessados em estudar o efeito não só de cada um dos factores mas e também a possível
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisHomocedasticidade? Exemplo: consumo vs peso de automóveis
REGRESSÃO Análise de resíduos Homocedasticidade? Exemplo: consumo vs peso de automóveis 60 50 Consumo (mpg) 40 30 0 10 0 1500 000 500 3000 3500 4000 4500 Peso 0 Diagrama de resíduos 15 10 Resíduos 5 0-5
Leia maisModelo de Variáveis discretas. Regressão com uma variável dependente Binária. Variáveis dependentes Binárias. Modelo de Probabilidade Linear
Regressão com uma variável dependente Binária Capítulo 9 Stock e Watson. Econometria. Modelo de Variáveis discretas P(y = 1 x) = G(β 0 + xβ) y* = β 0 + xβ + u, y = max(0,y*) 1 2 Variáveis dependentes Binárias
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia mais4 Análise dos resultados 4.1. Perfil do respondente
4 Análise dos resultados 4.. Perfil do respondente Através da análise dos questionários aplicados, verificou-se que o perfil típico do respondente foi: mulher, entre 3 e 40 anos, remunerações de até oito
Leia maisECONOMETRIA I. I (11 valores)
Faculdade de Economia Universidade Nova de Lisboa ECONOMETRIA I Exame de 1ª Época 14 de Janeiro de 2005 Duração: 2 horas I (11 valores) Com base numa amostra aleatória de 88 alunos que fizeram o exame
Leia maisImportantes propriedades da Média, da Variância e do Desvio Padrão:
Importantes propriedades da Média, da Variância e do Desvio Padrão: É importantíssimo o perfeito conhecimento de algumas propriedades da Média, da Variância e do Desvio Padrão para resolver, com facilidade,
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 9 Modelos de Regressão com Variáveis Binárias Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Variáveis
Leia maisREGRAS ELEITORAIS, COMPETIÇÃO POLÍTICA E POLÍTICA FISCAL: EVIDÊNCIA DOS MUNICÍPIOS BRASILEIROS
REGRAS ELEITORAIS, COMPETIÇÃO POLÍTICA E POLÍTICA FISCAL: EVIDÊNCIA DOS MUNICÍPIOS BRASILEIROS Aluno: Rafael Tavares Guimarães Orientador: João Manoel Pinho de Mello Introdução No Brasil, em cidades com
Leia maisPROPAGAÇÃO DE ERROS Conceitos básicos. Limitação das medições experimentais: há sempre uma incerteza associada.
Erro: Existência Será possível obter o valor verdadeiro pela medição? Não Limitação das medições experimentais: há sempre uma incerteza associada. Qualquer processo experimental está sujeito a erros com
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisMódulo IV Medidas de Variabilidade ESTATÍSTICA
Módulo IV Medidas de Variabilidade ESTATÍSTICA Objetivos do Módulo IV Compreender o significado das medidas de variabilidade em um conjunto de dados Encontrar a amplitude total de um conjunto de dados
Leia maisDados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 4º PERÍODO 7º MÓDULO AVALIAÇÃO A2 DATA 08/10/2009 ESTATÍSTICA 2009/2 Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO
Leia maisAULA 01 Principais Conceitos em Econometria
1 AULA 01 Principais Conceitos em Econometria Ernesto F. L. Amaral 02 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisM l u t l i t c i oli l n i e n arid i a d de
Multicolinearidade 1 Multicolinearidade Quando existem relação linear exata entre as variáveis independentes será impossível calcular os estimadores de MQO. O procedimento MQO utilizado para estimação
Leia maisPaulo Jorge Silveira Ferreira. Princípios de Econometria
Paulo Jorge Silveira Ferreira Princípios de Econometria FICHA TÉCNICA TÍTULO: Princípios de Econometria AUTOR: Paulo Ferreira ISBN: 978-84-9916-654-4 DEPÓSITO LEGAL: M-15833-2010 IDIOMA: Português EDITOR:
Leia maisUNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL LISTA DE EXERCÍCIOS 5
UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Disciplina: Estatística II LISTA DE EXERCÍCIOS 5 1. Quando que as amostras são consideradas grandes o suficiente,
Leia maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisObjetivo: Determinar experimentalmente a resistividade elétrica do Constantan.
Determinação da resistividade elétrica do Constantan Universidade Tecnológica Federal do Paraná - Curitiba Departamento Acadêmico de Física Física Experimental Eletricidade Prof. Ricardo Canute Kamikawachi
Leia mais9 Previsão da taxa de câmbio no Brasil
84 9 Previsão da taxa de câmbio no Brasil Uma questão deixada em aberto pelos modelos apresentados nos Capítulos anteriores diz respeito à capacidade dos mesmos de prever os movimentos futuros da taxa
Leia maisIntervalos de Confiança
Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisProcessos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 7 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Relações de interdependência entre variáveis quantitativas: A Análise Factorial Análise Factorial: técnica
Leia maisTécnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada
Leia maisAula 25: Análise Fatorial. Prof. Eduardo A. Haddad
Aula 25: Análise Fatorial Prof. Eduardo A. Haddad Utilização específica Como identificar o potencial de desenvolvimento agropecuário dos municípios brasileiros? Banco de dados municipais: Tamanho do rebanho,
Leia maisMetas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
DEPARTAMENTO DE MATEMÁTICA E INFORMÁTICA DISCIPLINA: Matemática A (11º Ano) METAS CURRICULARES/CONTEÚDOS... 1º Período (15 de setembro a 16 de dezembro) Metas/ Objetivos Conceitos/ Conteúdos Aulas Previstas
Leia maisRelações lineares entre caracteres de tremoço branco
Relações lineares entre caracteres de tremoço branco Alberto Cargnelutti Filho 1 Marcos Toebe 2 Cláudia Burin 2 Bruna Mendonça Alves 2 Giovani Facco 2 Gabriele Casarotto 3 1 - Introdução Por apresentar
Leia maisInferência Estatística: Conceitos Básicos I
Inferência Estatística: Conceitos Básicos I Introdução, Medidas de Tendência Central, Medidas de Variabilidade, Distribuições de Frequência e Probabilidade Flávia F. Feitosa BH1350 Métodos e Técnicas de
Leia maisPERFIL DOS AUTORES... XVII PREFÁCIO... XIX INTRODUÇÃO... XXI
Sumário PERFIL DOS AUTORES... XVII PREFÁCIO... XIX INTRODUÇÃO... XXI CAPÍTULO 1 O processo de pesquisa e os enfoques quantitativo e qualitativo rumo a um modelo integral... 2 Que enfoques foram apresentados
Leia mais1.2 Roteiro para obter um gráfico de qualidade
CAPÍTULO 1 Análise Gráfica de Resultados Experimentais Prof. Cláudio Graça, Dep. Física UFSM 1.1 Objetivos encontrar uma função que represente um modelo físico a partir de medidas feitas em laboratório;
Leia maisDelineamento, Tipos de Pesquisa, Amostragem. Prof. Alejandro Martins
Delineamento, Tipos de Pesquisa, Amostragem Prof. Alejandro Martins DELINEAMENTO DA PESQUISA Conceituação Refere-se ao planejamento da pesquisa em sua dimensão mais ampla O elemento mais importante para
Leia maisAnálise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013
Análise da Regressão múltipla: Inferência Revisão da graduação Aula 4 6 de maio de 2013 Hipóteses do modelo linear clássico (MLC) Sabemos que, dadas as hipóteses de Gauss- Markov, MQO é BLUE. Para realizarmos
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO. Escola Básica e Secundária Dr. Vieira de Carvalho. Departamento de Matemática e Ciências Experimentais
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO Escola Básica e Secundária Dr. Vieira de Carvalho Departamento de Matemática e Ciências Experimentais Planificação Anual de Matemática A 10º ano Ano Letivo
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisIntrodução à estatística univariada através da linguagem R
Introdução à estatística univariada através da linguagem R 1. Profesores Professora Doutora Maite Mascaró (mmm@ciencias.unam.mx) (Universidad Nacional Autónoma de México) Doutora Marta Rufino (marta.m.rufino@gmail.com)
Leia maisPesquisa Científica. Pesquisa Científica. Classificação das Pesquisas... Pesquisa Científica... Interpretar resultados. Realizar a pesquisa
Pesquisa Científica Pesquisa Científica! Procedimento reflexivo sistemático, controlado e crítico, que permite descobrir novos fatos ou dados, relações ou leis, em qualquer campo do conhecimento.! É um
Leia maisExploração e Transformação de dados
Exploração e Transformação de dados A DISTRIBUIÇÃO NORMAL Normal 99% 95% 68% Z-score -3,29-2,58-1,96 1,96 2,58 3,29 Normal A distribuição normal corresponde a um modelo teórico ou ideal obtido a partir
Leia maisPesquisa Científica. Atividade da Aula Passada... Pesquisa Científica. Pesquisa Científica...
Atividade da Aula Passada... Qual a relação entre Conhecimento, Ciência e Metodologia? Qual a relação do Conhecimento Empírico com a Ciência? Com base na sua experiência de vida, seu empirismo, existe
Leia maisMétodos quantitativos aplicados à pesquisa em ensino Seminário 3. Prof. Fernando Lang da Silveira
Métodos quantitativos aplicados à pesquisa em ensino Seminário 3 Prof. Fernando Lang da Silveira www.if.ufrgs.br/mpef/lang/ Comparando grupos de alunos em média Quando a partir de N medidas da variável
Leia maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
Leia maisExemplo (tabela um) distribuições marginais enquanto que. Distribuição Conjunta
Distribuição Conjunta Suponha que se queira analisar o comportamento conjunto das variáveis = de Instrução e = Região de procedência. Neste caso, a distribuição de freqüências é apresentada como uma tabela
Leia maisMATEMÁTICA NÍVEL MÉDIO
MATEMÁTICA NÍVEL MÉDIO 1. CONJUNTOS 1.1. Representação e relação: pertinência, inclusão e igualdade. 1.2. Operações: união, intercessão, diferença e complementar. 1.3. Conjuntos numéricos: Naturais, Inteiros,
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia mais