Análise multinível aplicada aos dados do NELS:88
|
|
- Maria Antonieta Cabreira Quintanilha
- 7 Há anos
- Visualizações:
Transcrição
1 Análise multinível aplicada aos dados do NELS:88 JACOB ARIE LAROS UnB JOÃO LUIZ PEREIRA MARCIANO UnB RESUMO Na Psicologia e áreas afins, está aumentando a consciência de que o pressuposto da independência das observações da regressão tradicional nem sempre é refletido pela realidade. O objetivo deste artigo é ilustrar a análise multinível, uma alternativa à regressão tradicional, usando um banco de dados de acesso público: o NELS:88 (National Educational Longitudinal Study). NELS:88 é uma pesquisa conduzida pelo Ministério da Educação dos Estados Unidos com o propósito de identificar o efeito de variáveis socioeconômicas e escolares sobre o desempenho educacional. O banco contém dados de alunos da oitava série do ensino fundamental, provenientes de escolas. Nessa pesquisa, foi aplicado um teste de Matemática, acompanhado por um questionário sobre características socioeconômicas e culturais dos alunos. Pode-se concluir que o banco de dados NELS:88 é muito adequado para ilustrar, de forma prática, como funciona uma análise multinível. Palavras-chave: análise multinível, modelo hierárquico linear, correlação intraclasse, NELS:88. RESUMEN En Psicología y en áreas afines está aumentando la conciencia de que la realidad no siempre refleja el presupuesto de la independencia de las observaciones de la regresión tradicional.el objetivo de este artículo es ilustrar el análisis multinivel, una alternativa a la regresión tradicional, usando un banco de datos de acceso público, NELS:88 (National Educational Longitudinal Study). El NELS:88 es una investigación conducida por el Ministerio de Educación de los Estados Unidos con el propósito de identificar el efecto de variables socioeconómicas y escolares sobre el desempeño educativo. El banco contiene datos de alumnos de la octava serie de 63
2 64 v. 19, n. 40, maio/ago. 008 la educación fundamental, provenientes de escuelas. En la investigación se aplicó un test de Matemática, acompañado de un cuestionario sobre características socioeconómicas y culturales de los alumnos. Se puede concluir que el banco de datos NELS:88 es muy adecuado para ilustrar, de forma práctica, como funciona el análisis multinivel. Palabras clave: análisis multinivel, modelo jerárquico lineal, correlación intraclase, NELS:88. ABSTRACT In Psychology and related fields there is growing awareness that the independent observations derived traditional regression analysis are not always reflected in reality. The objective of this article is to illustrate multilevel analysis, an alternative to traditional regression analysis, using a dataset of public access, NELS:88. (National Educational Longitudinal Study). NELS:88 is conducted by the Ministry of Education of the United States of America and was designed to identify the effect of socio-economic and school variables on educational performance. The dataset contains data of 1,580 eighth grade students of elementary school distributed amongst 1,003 schools. In the NELS:88 study a mathematics test was administered together with a questionnaire about socio-economic and cultural characteristics of the students. It can be concluded that the NELS:88 dataset serves very well to illustrate in a practical way how a multilevel analysis is carried out. Keywords: multilevel analysis, hierarchical linear model, intraclass correlation, NELS:88.
3 Estudos em Avaliação Educacional 65 INTRODUÇÃO A regressão múltipla é uma das técnicas de análise de dados mais utilizadas nas áreas de ciências sociais e humanas. O problema maior em usar a regressão múltipla nessas áreas é o fato de que, em muitas ocasiões, um dos pressupostos centrais, a independência das observações, é violado. Nas ciências sociais e humanas, os dados coletados são freqüentemente de pessoas agrupadas em clusters. Uma conseqüência da dependência entre as observações é a subestimação dos erros padrão dos coeficientes da regressão. Uma alternativa para a técnica de regressão múltipla que leva em consideração a estrutura hierárquica dos dados é a análise multinível. Essa técnica é um tipo de análise de regressão que, simultaneamente, leva em consideração múltiplos níveis de agregação, tornando corretos erros padrão, intervalos de confiança e testes de hipóteses. Quando existe uma estrutura hierárquica na população de interesse, a análise multinível é a opção metodologicamente correta para estabelecer as relações entre as variáveis. A análise multinível também é conhecida como: Modelo Hierárquico Linear, Modelo de Efeitos Mistos, Modelo de Efeitos Aleatórios e Regressão Hierárquica. Ela é uma extensão do modelo de regressão tradicional quando variáveis são analisadas dispostas em vários níveis de agregação. Isso ocorre com freqüência no contexto educacional quando, por exemplo, se deseja estudar o desempenho do aluno com base nas variáveis associadas ao próprio aluno (nível 1), variáveis associadas ao professor ou à turma (nível ) e variáveis associadas ao diretor ou à escola (nível 3). Ao lidar com variáveis em diferentes níveis, o modelo de regressão tradicional pode não ser o mais adequado, pois não leva em consideração a correlação entre indivíduos associados a um mesmo nível de agregação. É o caso da correlação entre alunos de uma mesma turma ou escola. Quanto maior for a correlação entre indivíduos maior a inadequação do modelo de regressão tradicional. Análise multinível aplica-se a uma população com estrutura hierárquica. A obtenção de uma amostra de tal população se dá pela escolha aleatória dentre unidades do nível macro (por exemplo, hospitais). Uma vez selecionadas essas unidades, o segundo passo seria escolher, também de modo aleatório, as unidades do nível micro (por exemplo, pacientes dentro dos hospitais). Este procedimento descreve sumariamente a técnica adequada para se conseguir uma amostra na qual o pressuposto de independência entre os sujeitos não é violado; porém, por motivos práticos, de natureza financeira ou logística, o que é feito freqüentemente é proceder a uma amostragem de todos os indivíduos disponíveis, depois de escolhidas as unidades do nível macro. É bom enfatizar que, algumas vezes, nem mesmo a escolha das unida-
4 66 v. 19, n. 40, maio/ago. 008 des do nível macro é feita de maneira aleatória, mas de acordo com a conveniência ou disponibilidade de recursos. Obviamente, nesses casos, ocorre a violação do pressuposto de independência das observações, o que pode levar a resultados espúrios. Os testes estatísticos tradicionais confiam pesadamente no pressuposto da independência das observações. Portanto, o modelo de regressão tradicional pode não ser o mais adequado, pois não leva em consideração a dependência das observações entre os membros de um mesmo grupo. Quanto maior essa dependência, mais a análise multinível se torna necessária. A dependência entre as observações é indicada pela chamada correlação intraclasse, a qual representa a homogeneidade em um mesmo grupo, e, ao mesmo tempo, a heterogeneidade entre grupos distintos. A fim de ilustrar a dependência entre observações, pode-se citar o exemplo de pesquisas educacionais nas quais alunos são aninhados ou agrupados em escolas. Os alunos de uma mesma escola tendem a ser similares, em razão do processo de seleção por ela empregado (por exemplo, algumas escolas podem atrair alunos de níveis socioeconômicos mais elevados, enquanto outras atraem alunos de níveis socioeconômicos mais baixos), e do ambiente e da história comuns que os alunos compartilham por freqüentar a mesma escola. Estruturas hierárquicas também podem ser encontradas nos estudos transnacionais, nos quais os indivíduos são aninhados em suas unidades nacionais; na pesquisa organizacional, em que os indivíduos são agrupados em departamentos, e estes, por sua vez, em organizações; na pesquisa familiar, com os membros agrupados em famílias; e na pesquisa metodológica, quanto aos efeitos do entrevistador, com os respondentes agrupados por entrevistadores. Exemplos de dados hierárquicos menos óbvios são pesquisas longitudinais e pesquisas de curvas de crescimento, nas quais séries de observações distintas são vistas como aninhadas por indivíduos; e metanálise, em que os objetos de análise são agrupados em diferentes estudos (Hox, 00). Nos estudos do tipo survey, segundo esse autor, a dependência entre observações no nível micro acontece, muitas vezes, em virtude do uso freqüente de amostragens de grupos por áreas geográficas. Respondentes de uma mesma área geográfica tendem a ser mais similares do que respondentes de áreas geográficas diferentes. A homogeneidade entre as observações conduz a estimativas erradas para os erros padrão. Esse tipo de erro é conhecido como o efeito do delineamento (Kish, 1965, 1987). Um procedimento de correção usualmente aplicado consiste em calcular os erros padrão por métodos de análise tradicionais, estimar a correlação intraclasse entre os respondentes dentro dos clusters, e, finalmente, empregar uma fórmula de correção para os erros padrão. Hox (00) aponta que uma amostra de 00 alunos
5 Estudos em Avaliação Educacional 67 agrupados em 10 classes, com correlação intraclasse igual a 0,10, resulta, após a correção, em uma amostra de tamanho real igual a 69 alunos, ou seja, o tamanho factual da amostra diminuiu 66%. O ESTUDO NELS:88 Em 1988, o governo norte-americano realizou a primeira etapa de uma extensa pesquisa longitudinal com estudantes da oitava série do primeiro ciclo educacional, intitulada National Education Longitudinal Study of 1988 (NELS:88). Amostras dos respondentes desta pesquisa foram submetidas a novos surveys em 1990, 199, 1994 e 000. No questionário inicial, os estudantes responderam sobre ampla gama de temas, incluindo experiências na escola, no trabalho e em casa; recursos e suporte educacional; o papel de seus pais e colegas em sua educação; características de sua vizinhança; anseios educacionais e profissionais; e outras percepções. Tópicos adicionais incluíam ainda autopercepção quanto ao tabagismo, uso de drogas e álcool e atividades extracurriculares (NCES, 1988). Ita Kreft e Jan de Leeuw (1998), para ilustrar exemplos de seu livro, utilizaram parte dos dados do NELS:88, correspondentes a estudantes de escolas, tornando-os disponíveis em sua página na internet. Para este artigo, alguns dados foram recodificados em razão de sua origem categórica (como etnia) e outros em virtude do grande número de categorias presentes (como a relação alunos/professor). Também se utilizou uma codificação que originasse coeficientes positivos quando da geração dos modelos. OBJETIVO O presente artigo visa a ilustrar a elaboração de um modelo de regressão multinível, com base nos dados do NELS:88, tomando como variável dependente a nota obtida no teste de matemática. MÉTODO O modelo multinível da regressão para dois níveis é dado pela equação (1), conforme Hox (00, p. 49): Y γ + e (1) ij = 00 + γ p0 X pij + γ 0qZ qj + γ pq Z qj X pij + u pj X pij + u 0 j O método utilizado para a elaboração do modelo, neste trabalho, é o mesmo apresentado por esse autor (p ). Tal método é composto de cinco passos, desij
6 68 v. 19, n. 40, maio/ago. 008 critos sumariamente a seguir. Para a elaboração dos modelos, usou-se a versão.0 do software MLwiN, e o método utilizado foi o IGLS - Iterative Generalised Least Squares (Rasbash et al., 005). Passo 1 Analisa-se um modelo sem nenhuma variável explicativa. Esse modelo, dito modelo somente de intercepto ou modelo vazio, é dado pela equação (): Y ij = g 00 + u 0j + e ij () Na equação (), g 00 é o intercepto da regressão, e u 0j e e ij são os resíduos usuais nos níveis da escola (nível ) e nível do aluno (nível 1), respectivamente. O modelo vazio é útil porque proporciona uma estimativa da correlação intraclasse r pela aplicação da equação (3): s u0 r = (3) ( s + s ) u 0 onde s u 0 é a variância dos resíduos u 0j do nível de escola, e s é a variância dos resíduos e ij e do nível de aluno. O modelo vazio proporciona também uma medida de referência do deviance, o qual é uma medida do grau de desajuste do modelo e que pode ser usado para comparar modelos: quanto menor o deviance, maior o ajuste obtido. e Passo Analisa-se um modelo com todas as variáveis explicativas fixas do nível mais baixo. Isso significa que os componentes de variância correspondentes aos coeficientes são fixados em zero. A decisão de inserir primeiramente as variáveis do nível mais baixo deve-se ao maior número de observações disponíveis neste nível, gerando coeficientes mais acurados. Este modelo é descrito pela equação (4): Y ij = g 00 + g p0 X pij + u 0j + e ij (4) onde os X pij são as p variáveis explicativas do nível do aluno. Neste passo, estima-se a contribuição de cada variável explicativa deste nível. Passo 3 Acrescentam-se as variáveis explicativas do nível da escola:
7 Estudos em Avaliação Educacional 69 Y ij = g 00 + g p0 X pij + g 0q Z qj + u 0j + e ij (5) onde os Z qj são as q variáveis explicativas do nível da escola. Os modelos dos passos e 3 são chamados modelos de componentes de variância, por decomporem a variância do intercepto em componentes distintos de variância para cada nível hierárquico; nesses modelos, assume-se que o intercepto varia entre as escolas, mas os coeficientes de regressão são considerados fixos. Passo 4 Avalia-se se algum dos coeficientes de regressão das variáveis explicativas do nível micro tem um componente significativo de variância (ou seja, diferente de zero) entre as escolas. Este modelo, chamado modelo de coeficientes randômicos, é dado pela equação (6): Y ij = g 00 + g p0 X pij + g 0q Z qj + u pj X pij + u 0j + e ij (6) onde os u pj são os resíduos do nível de escola dos coeficientes das variáveis explicativas X pij do nível de aluno. Passo 5 Adicionam-se as interações entre-níveis entre variáveis explicativas do nível da escola e aquelas variáveis explicativas do nível do aluno que tiveram variância significativa de coeficientes no passo 4. Isso conduz ao modelo completo formulado na equação (7): Y ij = g 00 + g p0 X pij + g 0q Z qj + g pq Z qj X pij + u pj X pij + u 0j + e ij (7) Mais detalhes sobre os modelos de regressão multinível podem ser encontrados em Snijders e Bosker (1999), Hox (00), Raudenbush e Bryk (00), Rasbash et al. (005), Tabachnick e Fidell (007) e De Leeuw e Meijer (008). RESULTADOS A construção do modelo vazio gerou os resultados exibidos na tabela 1. A correlação intraclasse é dada por: s u0 6,56 r = = 0,6 s + s (6, ,6) u0 e
8 70 v. 19, n. 40, maio/ago. 008 Tabela 1 Modelo sem variáveis explicativas inseridas - modelo vazio (M1) Variáveis explicativas Modelo 1 (M1) Efeito fixo Efeito E.P. Razão-t Intercepto 50,80 0,18 - Efeito Randômico - nível - σ u0 Variância - intercepto 6,56 1,36 19,53 Efeito Randômico - nível 1 - σ e Variância de R ij 76,6 0,76 100,8 Correlação intraclasse 0,6 Deviance M Número de parâmetros estimados no modelo 3 A tabela 1 indica um valor de 50,80 para o intercepto. Isso pode ser interpretado como a média geral dos alunos no teste de Matemática. A variância do intercepto mostra que esta média não é igual para todas as escolas. O teste de Wald revela que a variância do intercepto é significativamente diferente de zero, uma vez que a razão entre a variância e o erro-padrão (razão-t) é igual a 19,53. Este valor é consideravelmente superior ao valor crítico de 1,96. A variância R ij (igual a 76,6) revela que dentro das escolas existe variabilidade entre os escores dos alunos no teste de Matemática. Uma vez mais, o teste de Wald mostra que esta variância é significativamente diferente de zero. A correlação intraclasse de 0,6 significa que aproximadamente 6% da variância dos escores no teste de Matemática podem ser atribuídos ao nível da escola. O valor relativamente elevado da correlação intraclasse justifica a utilização de uma abordagem multinível de análise em vez de uma regressão tradicional. O deviance, uma medida do desajuste do modelo em relação aos dados, não pode ser interpretrado isoladamente, mas sim comparado com os modelos posteriores. Espera-se que o ajuste melhore com a introdução de variáveis explicativas. No modelo atual são estimados três parâmetros: o intercepto, a variância dos resíduos do nível da escola e a variância dos resíduos do nível do aluno. O número de parâmetros é utilizado para determinar o número de graus de liberdade para a comparação do ajuste do modelo. Com a inserção das variáveis do nível do aluno, obtém-se o modelo M, resumido na tabela. Foram inseridas as cinco variáveis seguintes: nível socioeconômico
9 Estudos em Avaliação Educacional 71 do aluno; etnia; horas gastas com o dever de casa, por semana; escolaridade dos pais e gênero. O modelo mostra que alunos de alto nível socioeconômico, de etnia asiática ou branca, do gênero masculino, com mais horas semanais dedicadas ao dever de casa, e pais com elevada escolaridade, apresentam melhor desempenho no teste de Matemática. Todos esses efeitos são significativos no nível de 5%. Observa-se sensível diminuição na variância do nível da escola, de 6,56 para 7,3. Isso se deve ao fato de que a proporção de cada uma das variáveis inseridas é desigualmente distribuída entre as escolas. Por exemplo, com relação ao gênero, existem escolas com proporções bastante variadas entre meninas e meninos. De modo semelhante, também a variância do nível do aluno diminuiu no segundo modelo (de 76,6 para 66,07). Com a diminuição da variância, tanto no nível da escola quanto no nível do aluno, a correlação intraclasse diminui de 0,6 para 0,10. O deviance do modelo é igual a 15.87, o que representa uma diminuição de em relação ao modelo anterior. Foram estimados oito parâmetros no modelo, o que em comparação com os três parâmetros estimados no modelo 1 resulta em cinco graus de liberdade. O quociente dado pela diferença entre os deviances e os graus de liberdade é igual a 818,80 (teste qui-quadrado, representado pelo símbolo c ). Este resultado significa que o modelo se ajusta muito melhor aos dados do que o modelo 1. Com a introdução das variáveis do nível da escola, obteve-se o modelo M3, também resumido na tabela. Com a introdução das variáveis do nível socioeconômico agregado, etnia agregada, porcentagem de minorias raciais e região geográfica, a variância entre as escolas diminuiu de 7,3 para 4,89. Ao mesmo tempo, a variância entre os alunos apresentou pequena diminuição de 66,07 para 65,9. Conseqüentemente, a correlação intraclasse diminuiu de 0,10 para 0,07. O teste c, entre os modelos M e M3, resultou no valor de 77,00. Isso significa que o modelo M3 ajusta-se aos dados de modo significativamente melhor que o modelo M. A última informação da tabela refere-se à variância explicada no nível do aluno e no nível da escola pelos modelos M e M3. Segundo Hox (00, p. 64), a variância explicada no nível do aluno é dada pela equação: R 1 s e b s s e b = e m
10 7 v. 19, n. 40, maio/ago. 008 onde σ e b é a variância residual do nível de aluno para o modelo de linha de base, que é o modelo vazio (M1), e σ e m é a variância residual do nível de aluno no modelo de comparação (M). Então: R 76,6 66,07 = 76,6 1 0,138 Tabela - Modelos com as variáveis explicativas do nível 1 (M) e do nível (M3) inseridas Variáveis explicativas Modelo (M) Modelo 3 (M3) Efeito fixo Efeito E.P. Razão-t Efeito E.P. Razão-t Intercepto 43,71 0,33-41,9 0,77 - Nível socioeconômico do aluno 3,16 0,15 1,07,69 0,15 17,93 (NSE) Etnia (outras vs. asiático e branco) 3,59 0,16,44,97 0,18 16,50 Dever de casa (número de horas 1,3 0,04 30,75 1,0 0,04 30,00 semanais) Escolaridade dos pais 0,70 0,09 7,78 0,67 0,09 7,44 Gênero 0,5 0,11 4,73 0,51 0,11 4,64 Nível socioeconômico agregado 3,08 0,3 13,39 Etnia agregada 3,0 0,66 4,58 Porcentagem de minorias 0,3 0,08,88 Região (Sul e Oeste vs. demais) 0,54 0,19,84 Efeito Randômico nível - σ u 0 Variância - intercepto 7,3 0,47 15,57 4,89 0,36 13,58 Efeito Randômico nível 1 - σ e Variância de R ij 66,07 0,65 101,65 65,9 0,65 101,4 Correlação intraclasse condicional 0,10 0,07 Deviance Número de parâmetros estimados 8 1 Diferença Deviance M1 - Deviance M Diferença de parâmetros M M1 5 Teste χ 818,80 Diferença Deviance M - Deviance M3 308 Diferença de parâmetros M3 - M 4 Teste χ 77,00 Variância do nível 1 explicada 13,8% 14,0% Variância do nível explicada 7,4% 81,6%
11 Estudos em Avaliação Educacional 73 De acordo com Hox (00, p. 64), para a proporção da variância explicada no nível da escola, usa-se: σ u 0 b σ u σ u 0 b = onde σ u 0 b é a variância residual do nível de escola para o modelo de linha de base (M1), e σ u 0 m é a variância residual do nível de escola para o modelo de comparação (M). Então: R Para o modelo com as variáveis explicativas do nível de escola (M3), tem-se, para o nível do aluno: R Ainda no modelo M3, para o nível da escola tem-se: R 6,56 7,3 = 6,56 Os modelos de coeficientes randômicos (M4) e de interações entre variáveis dos níveis 1 e (M5) são mostrados na tabela 3. Quatro variáveis do nível do aluno apresentaram um coeficiente randômico significativo, ou seja, o efeito dos coeficientes de NSE, etnia, dever de casa e gênero não é igual entre todas as escolas. Por exemplo, a influência do nível socioeconômico do aluno sobre o seu desempenho no teste de matemática é menor em algumas escolas do que em outras. O teste c, entre os modelos M3 e M4, resultou no valor de 7,1. Isto indica que o modelo, depois da inclusão dos efeitos randômicos, se ajusta melhor aos dados, em comparação com o modelo anterior. A única interação entre variáveis dos níveis micro e macro a apresentar um valor significativamente diferente de zero foi a interação entre NSE e etnia agregada. A inclusão desta interação no modelo, resultando no modelo final (M5), melhorou o ajuste, conforme indica o valor do teste c com valor igual a 48,00. 0 m 76,6 65,9 = 76,6 1 R 6,56 4,89 = 6,56 0,74 0,139 0,816
12 74 v. 19, n. 40, maio/ago. 008 Tabela 3 - Modelos de coeficientes randômicos (M4) e com interações entre os níveis 1 e (M5) Variáveis explicativas Modelo 4 (M4) Modelo 5 (M5) Efeito fixo Efeito E.P. Razão-t Efeito E.P. Razão-t Intercepto 41,3 0,77-40,49 0,78 - Nível socioeconômico do aluno (NSE),65 0,15 17,67 1,16 0,6 4,46 Etnia (outras vs. asiático e branco),93 0,0 14,65 3,0 0,0 15,10 Dever de casa (n. de horas semanais) 1,0 0,04 30,00 1,19 0,04 9,75 Escolaridade dos pais 0,67 0,09 7,44 0,63 0,09 7,00 Gênero 0,5 0,13 4,00 0,53 0,13 4,08 Nível socioeconômico agregado 3,15 0,3 13,70,96 0,3 1,87 Etnia agregada,99 0,67 4,46 3,97 0,68 5,84 Porcentagem de minorias 0,3 0,08,88 0,4 0,08 3,00 Região (Sul e Oeste vs. demais) 0,58 0,19 3,05 0,5 0,19,74 NSE x etnia agregada,10 0,30 7,00 σ Efeito Randômico nível - u0 Variância intercepto 7,77 1,7 6,1 7,5 1,3 5,89 Variância inclinação NSE 0,73 0,34,15 0,48 0,33 1,44 Variância inclinação etnia 5,40 1,5 4,3 5,3 1,3 4,5 Variância inclinação dever de casa 0,33 0,08 4,13 0,33 0,08 4,13 Variância inclinação gênero 3,73 0,73 5,11 3,71 0,73 5,11 σ Efeito Randômico nível 1 - e Variância de R ij 63,54 0,67 94,84 63,77 0,66 96,6 Deviance Número de parâmetros estimados 6 7 Diferença Deviance M3 Deviance M4 101 Diferença de parâmetros M4 M3 14 Teste χ 7,1 Diferença Deviance M4 - Deviance M5 48 Diferença de parâmetros M5 - M4 1 Teste χ 48,00 Na tabela 3 não constam os valores das variâncias explicadas dos níveis micro e macro. Isso se deve ao fato de que a decomposição da variância com a presença de coeficientes randômicos e de interações entre os níveis é extremamente complexa (Snijders, Bosker, 1999, p. 108). A diferença entre os modelos M4 e M5 é a presença do efeito de interação entre as variáveis NSE do aluno e etnia agregada. O efeito de interação pode ser resumido
13 Estudos em Avaliação Educacional 75 pela afirmação efeitos diferentes para grupos diferentes (Miles, Shevlin, 001, p. 165). Neste caso, a influência do nível socioeconômico do aluno é diferente entre escolas de etnia predominantemente branca e asiática versus as demais etnias. Observe-se ainda o efeito da recodificação empregada, a qual produziu coeficientes de regressão positivos. Especificamente quanto ao gênero (codificado na forma 0 = meninas e 1 = meninos), depreende-se que os meninos têm desempenho médio geral, no teste de matemática, superior ao desempenho médio geral das meninas. Raciocínio análogo pode ser empregado no tocante à variável região, em que a recodificação permite avaliar que o desempenho médio geral das regiões Sul e Oeste (codificadas com o valor 0) é inferior ao desempenho médio geral das regiões Nordeste e Centro-norte (codificadas com o valor 1), no teste de matemática. O teste c, entre os modelos M1 e M5, mostra o seguinte resultado: DevianceM1 DevianceM = 189,6 ParâmetrosM 5 ParâmetrosM1 7 3 Uma vez que o teste c resultou em um valor muito superior ao valor crítico de 1,96, fica claramente demonstrado que o modelo final se ajusta muito melhor aos dados do que o modelo inicial. Também merece comentário a relação entre o valor e o erro-padrão dos coeficientes randômicos da variável nível socioeconômico do aluno (NSE), no modelo M5. Embora essa relação seja igual a 1,44 (tabela 3), portanto não significativa para um intervalo de confiança de 95%, considerou-se que o deviance do modelo como um todo foi melhorado, decidindo-se desse modo pela permanência desses coeficientes no modelo. Essa decisão é baseada na recomendação de Kreft e Leeuw (1998) de que nas ciências sociais, com alto grau de inter-relação de variáveis, é mais adequado avaliar o ajuste do modelo como um todo do que depender da razão-t de variáveis individuais. VERIFICAÇÃO DE PRESSUPOSTOS Um dos pressupostos principais da análise multinível é a distribuição normal dos resíduos de cada nível. A normalidade pode ser verificada por meio de um gráfico mostrando os resíduos ordenados versus escores gerados aleatoriamente em uma distribuição normal. Se o pressuposto da normalidade é válido, os pontos no gráfico estarão dispostos em uma linha reta. A figura 1 ilustra o gráfico dos resíduos do nível 1 para o modelo final (M5). Uma vez que nesta análise multinível existem resíduos em dois níveis, a verificação também deve ser repetida para o segundo nível.
14 76 v. 19, n. 40, maio/ago. 008 O gráfico mostra que os resíduos se distribuem linearmente ao longo dos valores, sem a presença de outliers extremos, ou seja, o modelo de regressão linear é adequado, com os resíduos de nível 1 seguindo uma distribuição bastante aproximada da normal. Figura 1 - Resíduos padronizados X escores normais para o modelo M5 A figura ilustra o gráfico dos resíduos padronizados x valores preditos para o modelo final. Como os resíduos são distribuídos de modo uniforme em torno da média (zero), o gráfico mostra que os pressupostos de normalidade, linearidade e homocedasticidade não são violados pelo modelo gerado (Raudenbush; Bryk, 00, p. 131). CONCLUSÕES O banco de dados do NELS:88 mostrou-se adequado para ilustrar a utilização de uma análise multinível. Primeiramente, os dados não violam os pressupostos da análise multinível. Além disso, o banco possui um número elevado de unidades de ambos os níveis. Muitas vezes, em situações práticas, o nível macro não possui um número mínimo necessário de unidades, o qual, segundo Kreft (1996), seria de 30 a 50. Também existem variáveis em número suficiente, com efeitos
15 Estudos em Avaliação Educacional 77 significativos em ambos os níveis. Por fim, o banco de dados permite identificar um efeito de interação. Figura - Resíduos padronizados X escores preditos para o modelo M5 REFERÊNCIAS BIBLIOGRÁFICAS DE LEEUW, J.; MEIJER, E. Handbook of multilevel analysis. New York, NY: Springer Science + Business Media, 008. HOX, J. Multilevel analysis: techniques and applications. Mahwah, NJ: Lawrence Erlbaum Associates, 00. KISH, L. Statistical design for research. New York: Wiley, Survey sampling. New York: Wiley, KREFT, I. G. G. Are multilevel techniques necessary? An overview, including simulation studies Disponível em: < multilevel> Acesso em: 3 out KREFT, I. G. G.; DE LEEUW, J. Introducing multilevel modeling Disponível em: < stat.ucla.edu/~deleeuw/sagebook> Acesso em: 3 out MILES, J.; SHEVLIN, M. Applying regression and correlation: a guide for students and researchers. London: Sage Publications, 001. NCES. National Education Longitudinal Study of 1988 (Rel. Tec.). Washington: National Center for Education Statistics, Disponível em: < Acesso em: 14 nov RASBASH, J. et al. A User s guide to MLwiN v..0. London. Centre for Multilevel Modelling.
16 78 v. 19, n. 40, maio/ago. 008 University of Bristol, UK, 005. RAUDENBUSH, S. W.; BRYK, A. S. Hierarchical Linear Models: applications and data analysis methods. Thousand Oaks: Sage Publications, 00. SNIJDERS, T. A. B.; BOSKER, R. J. Multilevel analysis: an introduction to basic and advanced multilevel modeling. London: Sage Publications, TABACHNICK, B. G.; FIDELL, L. S. Multilevel Linear Modeling. In: (orgs.) Using Multivariate Statistics. Boston: Pearson Education, 007. p Recebido em: setembro 007 Aprovado para publicação em: março 008 Jacob Arie Laros é Professor da Pós-graduação em Psicologia Social do Trabalho e das Organizações (PSTD) da Universidade de Brasília (jalaros@unb.br); João Luiz Pereira Marciano é doutor em Ciência da Informação na Universidade de Brasília (joao.marciano@camara.gov.br).
Jacob Arie Laros 1 - Universidade de Brasília João Luiz Marciano - Universidade de Brasília
ÍNDICES EDUCACIONAIS ASSOCIADOS À PROFICIÊNCIA EM LÍNGUA PORTUGUESA: UM ESTUDO MULTINÍVEL Jacob Arie Laros 1 - Universidade de Brasília João Luiz Marciano - Universidade de Brasília 371 RESUMO A identificação
Fatores associados ao desempenho escolar em Português: um estudo multinível por regiões
Fatores associados ao desempenho escolar em Português: um estudo multinível por regiões Jacob Arie Laros * João Luiz Marciano ** Josemberg Moura de Andrade *** Resumo No presente estudo objetivou-se identificar
7 Modelos Multinível Introdução
7 Modelos Multinível 7.1. Introdução Segundo a literatura internacional, são muitos os fatores que podem influenciar o desempenho escolar dos alunos. Estas influências podem ser classificados em três grandes
Modelos Lineares Mistos
Modelos Lineares Mistos Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 131 99, Brasil email: lucambio@ufpr.br Setembro de 1 Introdução O modelo de regressão linear
Josemberg M. de Andrade 2 Jacob A. Laros Universidade de Brasília
Psicologia: Teoria e Pesquisa Jan-Mar 2007, Vol. 23 n. 1, pp. 033-042 Fatores Associados ao Desempenho Escolar: Estudo Multinível com Dados do SAEB/2001 1 Josemberg M. de Andrade 2 Jacob A. Laros Universidade
Métodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Correlação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Análise de Modelos de Multinível
Análise de Modelos de Multinível Ciclo 2016-I de Seminários de Pesquisa Economics and Politics Research Group Ana Collares (anacollares@unb.br) Exemplos de populações organizadas hierarquicamente: Alunos
Análise multinível: contribuições para estudos sobre efeito do contexto social no comportamento individual
Análise multinível: contribuições para estudos sobre efeito do contexto social no comportamento individual Multilevel analysis: contributions to studies investigating the effects of social context on individual
Introdução. Teste e avaliação de modelos. Teste e avaliação de modelos. Teste de modelos. Avaliação de modelos
Universidade Federal do Paraná Programa de Pós-Graduação em Ciências Veterinárias AZ 7 Tópicos em Produção Animal Introdução Qual o interesse em desenvolver modelos? Comparação de valores medidos e simulados
INTRODUÇÃO 1. Avaliação Psicológica, 2010, 9(2), pp
173 FATORES QUE AFETAM O DESEMPENHO NA PROVA DE MATEMÁTICA DO SAEB: UM ESTUDO MULTINÍVEL 1 Jacob A. Laros - Universidade de Brasília, Brasília Brasil João Luiz Pereira Marciano - Universidade de Brasília,
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente
Regression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Regressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
4 Metodologia. 1 Recordemos que o Geres é um estudo longitudinal que avalia alunos em Leitura e Matemática do
4 Metodologia Em razão da disponibilidade de dados longitudinais propiciada pelo Geres 2005 1, que acompanha a escolarização de um painel de alunos ao longo de quatro anos, a presente pesquisa pôde fazer
Meta-análise: comparação de proporções para o caso de duas amostras independentes
Meta-análise: comparação de proporções para o caso de duas amostras independentes Arminda Lucia Siqueira 1 Edna Afonso Reis 1 Ilka Afonso Reis 1 Luana Sílvia dos Santos 1 Pollyanna Vieira Gomes da Silva
AULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Predição do preço médio anual do frango por intermédio de regressão linear
Predição do preço médio anual do frango por intermédio de regressão linear João Flávio A. Silva 1 Tatiane Gomes Araújo 2 Janser Moura Pereira 3 1 Introdução Visando atender de maneira simultânea e harmônica
REGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Correlação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
1 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
Análise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Disciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Análise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Mais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Análise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Capítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Análise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
ÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2
COMO USAR ESTE LIVRO ÍNDICE PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 Variáveis, Populações e Amostras 1.1. VARIÁVEIS ESTATÍSTICAS E ESCALAS DE MEDIDA 27 1.2. POPULAÇÃO VS. AMOSTRA
RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO
RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO Regressão simples: desvantagem de apenas uma variável independente explicando y mantendo ceteris paribus as demais (ou
Nível socioeconômico e cor/raça em pesquisas sobre efeito-escola
Nível socioeconômico e cor/raça em pesquisas sobre efeito-escola CRISTINA COURI* RESUMO o texto apresenta uma proposta para a desagregação do índice de nível socioeconômico utilizado nas investigações
Modelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Eficácia escolar: Regressão Multinível com Dados de Avaliação em Larga Escala
Avaliação Psicológica, 2004, 3(2), p p. 93-106 93 Eficácia escolar: Regressão Multinível com Dados de Avaliação em Larga Escala School effectiveness: Multilevel regression of large scale assessment data
FICHA DE COMPONENTE CURRICULAR
UNIVERSIDADE FEDERAL DE UBERLÂNDIA PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO FICHA DE COMPONENTE CURRICULAR CÓDIGO: FAGEN41037 COMPONENTE CURRICULAR: Tópicos Especiais IV em Gestão Organizacional e Regionalidade
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Modelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Aula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
MAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
AULA 03 Análise de regressão múltipla: estimação
1 AULA 03 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 17 de julho de 2013 Análise de Regressão Linear (MQ 2013) www.ernestoamaral.com/mq13reg.html Fonte: Cohen, Ernesto, e Rolando Franco.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Modelos lineares mistos para análise de dados longitudinais provenientes de ensaios agronômicos
Modelos lineares mistos para análise de dados longitudinais provenientes de ensaios agronômicos Ezequiel Abraham López Bautista FAUSAC, LCE-ESALQ-USP 1, Edilan de Sant Ana Quaresma ICED/UFOPA, LCE-ESALQ-USP
ANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Cruzamento de Dados. Lorí Viali, Dr. DESTAT/FAMAT/PUCRS
Cruzamento de Dados Lorí Viali, Dr. DESTAT/FAMAT/PUCRS viali@pucrs.br http://www.pucrs.br/famat/viali Distribuições Conjuntas (Tabelas de Contingência) Distribuição Conjunta Suponha que se queira analisar
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Estatística Aplicada
Estatística Aplicada Correlação e Regressão Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada REGRESSÃO Correlação não implica Causalidade! O coeficiente de correlação não mede
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG Robson de Souza Vieira 1 ; Rogério Silva Pimentel 1 ; Emerson Wruck 2
ESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05
ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância
Econometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Regressão Múltipla Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. 1. definimos uma medida de associação
Renda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
6 Metodologia para a associação entre as práticas de Língua Portuguesa e a proficiência nas diferentes habilidades de leitura
6 Metodologia para a associação entre as práticas de Língua Portuguesa e a proficiência nas diferentes habilidades de leitura Neste capítulo, inicialmente, discuto a pertinência do uso da Modelagem Hierárquica
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
Construção De Um Modelo De Regressão Hierárquico Para Os Dados Do Simave-2000 Márcia Cristina Meneghin Mendonça Colégio de Aplicação João XXIII Universidade Federal de Juiz de Fora UFJF marcia@dynamiccad.com.br
EXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br CARACTERIZAÇÃO o Em alguns experimentos pode-se ter fatores que estão interferindo na variável resposta,
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
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
Mario de Andrade Lira Junior
Mario de Andrade Lira Junior http:\\lira.pro.br\wordpress 1 Item da avaliação 2010-1 Média avaliações semanais 2 Condução e análise do trabalho prático 2 Apresentação e artigo do trabalho prático 3 Prova
Procedimento 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
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Tratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
INSTITUTO 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
Hoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Correlação e Regressão Hoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. Vamos 1. definir uma medida de associação entre duas
Modelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Esse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Modelos 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
TRANSIÇÃO NA ESTRUTURA ETÁRIA- EDUCACIONAL E MERCADO DE TRABALHO NO BRASIL
TRANSIÇÃO NA ESTRUTURA ETÁRIA- EDUCACIONAL E MERCADO DE TRABALHO NO BRASIL Ernesto F. L. Amaral, Daniel S. Hamermesh, Joseph E. Potter e Eduardo L. G. Rios-Neto Population Research Center - Universidade
Fatores associados ao desempenho escolar em Matemática do SAEB 2013 para alunos do 3 o ano do Ensino Médio no Distrito Federal:
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Fatores associados ao desempenho escolar em Matemática do SAEB 2013 para alunos do 3 o ano do Ensino Médio no Distrito
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA 2 o. semestre de 2010
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA 2 o. semestre de 2010 Professores: Antônio Augusto Moura da Silva Carga horária: 60 horas Alcione Miranda dos Santos 1. APRESENTAÇÃO A disciplina
Distribuição T - Student. Prof. Herondino S. F.
Distribuição T - Student Prof. Herondino S. F. Distribuição T-Student A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um autor que se chamou de Student, pseudônimo
ESTUDOS CORRELACIONAIS E ESTUDOS CAUSAL-COMPARATIVOS. Ana Henriques Carla Neves Idália Pesquita Mestrado em Educação Didáctica da Matemática
1 ESTUDOS CORRELACIONAIS E ESTUDOS CAUSAL-COMPARATIVOS Ana Henriques Carla Neves Idália Pesquita Mestrado em Educação Didáctica da Matemática 1. Introdução A compreensão do comportamento humano tanto a
Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
USO 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.
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA
PROGRAMA DE DISCIPLINA MÉTODOS ESTATÍSTICOS EM EPIDEMIOLOGIA Professores: Antônio Moura da Silva Carga horária: 60 horas Miranda dos Santos 1. APRESENTAÇÃO A disciplina pretende capacitar o aluno com técnicas
Análise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Princípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Econometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
variável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência
REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística
Capítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Comparando equações de regressão em dados de saúde
Comparando equações de regressão em dados de saúde Terezinha Aparecida Guedes*, Ivan Ludgero Ivanqui e Ana Beatriz Tozzo Martins Departamento de Estatística, Universidade Estadual de Maringá, Av Colombo,
i j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
4 Análise dos dados Perfil dos participantes
4 Análise dos dados 4.1. Perfil dos participantes A Tabela 1 apresenta a distribuição dos participantes do experimento por grau de escolaridade, curso, gênero e faixa etária. Os participantes foram predominantemente
Modelagem 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
A Importância do Desenho Amostral. Donald Pianto Departamento de Estatística UnB
A Importância do Desenho Amostral Donald Pianto Departamento de Estatística UnB Objetivo dessa aula Explicar os tipos básicos de amostragem e a razão pelo uso de cada um Contemplar o uso simultaneo de
MÉTODOS 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
Mario de Andrade Lira Junior lira.pro.br\wordpress
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress autorais. 27/04/2009 1 Modelo simplificação da realidade Linear formato de reta Generalizado não específico Cada delineamento experimental
UNIVERSIDADE 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,
5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
English version at the end of this document
English version at the end of this document Ano Letivo 2017-18 Unidade Curricular METODOLOGIAS DE INVESTIGAÇÃO Cursos ECONOMIA FINANCEIRA (2.º ciclo) Unidade Orgânica Faculdade de Economia Código da Unidade
i j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br\wordpress REGRESSÃO X CORRELAÇÃO Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
AULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Econometria Lista 1 Regressão Linear Simples
Econometria Lista 1 Regressão Linear Simples Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 (2.9 do Wooldridge 4ed - Modificado)
AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Estatística CORRELAÇÃO E REGRESSÃO LINEAR. Prof. Walter Sousa
Estatística CORRELAÇÃO E REGRESSÃO LINEAR Prof. Walter Sousa CORRELAÇÃO LINEAR A CORRELAÇÃO mede a força, a intensidade ou grau de relacionamento entre duas ou mais variáveis. Exemplo: Os dados a seguir