5 Resultados e Interpretação do Índice Construído

Documentos relacionados
INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 EXAME: DATA 24 / 02 / NOME DO ALUNO:

4 Análise dos resultados 4.1. Perfil do respondente

4 A Produção do Indicador Sócio Econômico via Teoria da Resposta ao item (TRI).

Módulo 16- Análise de Regressão

Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 2º. Semestre 2006/07

Exame Final de Métodos Estatísticos

Exame de Recorrência de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro

ISCTE IUL Instituto Universitário de Lisboa. Licenciatura em Gestão Estatística I 1º Teste. 26 Outubro de 2013 Duração: 1h 30m

Exame de Recurso de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro

Produtividade do Trabalho na

Associação entre duas variáveis

Anexo I Ofícios Ministérios da Educação e SENAD

Regression and Clinical prediction models

([DPHGH5HFRUUrQFLDGH0pWRGRV(VWDWtVWLFRV

Associação entre duas variáveis

DISTRIPUIÇÃO DA POPULAÇÃO POR CLASSE MUNICÍPIO DE SÃO PAULO

Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.

CONHECIMENTOS ESPECÍFICOS

9 Uma Análise Comparativa: TCT, TRI e TRIN

Agenda Histórico do CCEB Objetivos Modelo estatístico Evolução das classes e os critérios de KM e da SAE

representa o valor da variável dependente; Para este trabalho, o modelo de regressão será assim representado:

Regressão linear múltipla - Correlação parcial

Capítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação

Exame Final de Métodos Estatísticos

UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS CURSO DE ESPECIALIZAÇÃO EM MÉTODOS ESTATÍSTICOS COMPUTACIONAIS

FACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO

Análise de dados, tipos de amostras e análise multivariada

REFORMA DO ESTADO NO BRASIL REGULAÇÃO E CONCORRÊNCIA

Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito

Licenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas

Licenciatura em Gestão Estatística I 1º Teste 10 de Novembro de 2010 Duração: 1h 30m

Título: Mercantilização do gado bovino no Distrito de Chicualacuala. António Júnior

6 Tratamento e análise dos dados

Regressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla

Correlação e Regressão

Estatística Aplicada à Administração II

Nome: Turma: Processo

i j i i Y X X X i j i i i

4 Análise dos Dados. 4.1 Banco de Dados

6 Um estudo de simulação para avaliação dos estimadores associados aos coeficientes de escalonabilidade da TRIN

ECONOMETRIA I. I (12 valores)

BAIXA RENDA A visão do Painel de Consumidores

ANOVA com modelos encaixados

AULA 10 RELACIONAMENTOS ENTRE DUAS VARIÁVEIS

Regressão linear múltipla. Regressão linear múltipla

Regressão Linear Simples

I.1. Seleccionado um passageiro ao acaso, qual a probabilidade de ter idade no intervalo [20 a 50) anos e ser fraudulento?

4.1 Análise Comparativa dos Índices Propostos usando a Abordagem Tradicional

Estatística II Licenciatura em Gestão. Parte I

ME613 - Análise de Regressão

A crise económica e os padrões de mobilidade geográfica da população imigrante em Portugal

Segundo Trabalho de Econometria 2009

NOTA TÉCNICA: Conversão da escala do NSE médio das escolas e criação de grupos. Maria Teresa Gonzaga Alves 1

REGRESSÃO LINEAR Parte I. Flávia F. Feitosa

Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

AVALIAÇÃO DA AÇÃO AFIRMATIVA NA UFBA

MÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor

AULA 17 - Variáveis binárias

UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.

Econometria Semestre

AULA 03 Análise de regressão múltipla: estimação

PESQUISA DE INTENÇÃO DE COMPRA DOS CONSUMIDORES - PICC

Análise de dados em Geociências

Regressão Linear em SPSS

Seguem os principais pontos comentados pelos executivos nas entrevistas:

variável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência

'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV

FACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II

Distribuições Amostrais e Estimação Pontual de Parâmetros

Precificação de apartamentos para o bairro Água Verde em Curitiba

Capacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.

INDICADOR DE NÍVEL SOCIOECONÔMICO (INSE)

AULAS 14 E 15 Modelo de regressão simples

Estatística II Licenciatura em Gestão TESTE I

QUESTIONÁRIO SÓCIO-CULTURAL-ECONÔMICO-EDUCACIONAL

AULAS 17 E 18 Análise de regressão múltipla: estimação

RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO

Planejamento e Pesquisa 1. Dois Grupos

PARTE 1. Profa. Dra. Alessandra de Ávila Montini

CORRELAÇÃO E REGRESSÃO

i j i i Y X X X i j 1 i 2 i i

RELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE

Group Statistics. residência N Mean Std. Deviation Std. Error Mean. Avaliação Breve do Estado Mental. meio rural 11 27,73 1,849,557

Regressão linear simples

Análise de convergência de renda entre os municípios do Maranhão. Carlos Fernando Quartaroli

AULA 1 - Modelos determinísticos vs Probabiĺısticos

Módulo 19 - Análise Discriminante Geração de Tabelas

AULA 7: ESCALAS E ÍNDICES. A produção de variáveis-síntese. síntese de múltiplas mensurações

INTRODUÇÃO A ECONOMETRIA

Modelos de Escolha Discreta

PESQUISA EM MERCADO DE CAPITAIS. Prof. Patricia Maria Bortolon, D. Sc.

ANÁLISE ESPACIAL E ESTATÍSTICA DA METODOLOGIA DE CONSTRUÇÃO DO ÍNDICE DE EXCLUSÃO SOCIAL PARA O MUNICÍPIO DE SÃO JOSÉ DOS CAMPOS- SP (CENSO IBGE 1991)

Questionário Desconto Taxa de Inscrição COLUNI Colégio de Aplicação da UFV

b) Teste a hipótese de efeito significante do tamanho da população sobre a venda do produto, na presença de renda per capita

Estudar a relação entre duas variáveis quantitativas.

AULA 4 Análise de Dados Legislativos e Eleitorais Utilizando o Programa Stata

Transcrição:

5 Resultados e Interpretação do Índice Construído Apresentam-se, nesta seção, os resultados dos scores e interpretação da escala produzida. O objetivo é responder questões do tipo: O que significa uma família apresentar um score de.38 para o seu nível sócio-econômico, por exemplo? A construção da escala de leitura foi feita através de métodos empíricos e o uso de conhecimentos prévios, baseados em teorias sociológicas. 5. Escalas Para um melhor entendimento sobre o resultado, segue a apresentação das faixas dos scores produzidos pela TRI para a referida população em estudo. Cor Significado Não possui Possui um item com chance menor que 5 % Possui um item com chance maior que 5 % e menor que 7 % Possui um item com chance maior que 7 % ou possui dois itens com chance menor que 3 % Possui mais de um item com chance maior que 5 % e menor que 7 % Chance de possuir dois ou mais itens com chance maior que 7 % Figura 8 - Interpretabilidade para leitura dos scores estimados geladeira itens chuveiro básicos rádio t.v. -4 a -3-3 a -2-2 a - - a -.5 -.5 a.. a.5.5 a a 2 2 a 3 3 a 4 aspirador de pó itens 2 a maquina lavar necessidade videocassete freezer ar condicionado itens empregada conforto carro itens estrutura banheiro casa instrução chefe de A B C D família Figura 8 - Interpretabilidade para leitura dos scores estimados

Onde: A possui primário incompleto; B - possui até colegial incompleto; C - possui superior incompleto; D - possui superior completo. 57 Quanto à divisão Estrutura da casa achamos pertinente deixar de fora do quadro e dar um tratamento especial na leitura da escala. Leitura do score Caracterização -4 score -3 Temos casas com área construída de até 5 m 2. Com paredes de material aproveitado. Grande chance de não possuir banheiro. -3 < score -2 Temos casas nas mesmas condições que a última com pequena chance de possuir um banheiro pelo menos. -2 < score - Temos algumas casas com grandes chances de ter um banheiro e as paredes serem de alvenaria com um banheiro pelo menos e área construída de 5 a 75 m 2. - < score -,5 Observam-se moradias com porte pequeno com um banheiro e paredes de alvenaria. -,5<score, Grande chance de área construída até m 2. Casa modesta porem com condições mínimas de posses., < score,5 Daqui a adiante a probabilidade das paredes serem de alvenaria é maior que 8 %.,5 < score Algumas casas com chance de ter dois banheiros e área superior a m 2. < score 2 Casas com área média de 2 m 2 com chances de possuir mais de dois banheiros. 2 < score 3 Casas com boa infra-estrutura. 3 < score 4 Podemos dizer que são casas acima dos padrões da classe média. Tabela 3 - Interpretabilidade dos scores estimados para o item estrutura da casa

58 5.2 Leitura das escalas para todos os itens A tabela abaixo representa o significado (leitura) do score produzido pela TRI. Leitura do Caracterização score Característica por quase total ausência de todos os itens de consumo -4 score -3 apresentados. Apresentam condições precárias na estrutura da residência. Chefe de família praticamente analfabeto. Estrato social impotente ao consumo de bens. Score neste intervalo ainda caracteriza estrato social não consumidor da maioria -3 < score -2 dos itens. Talvez facilitação de crédito ajudaria ao consumo de itens como t.v. e geladeiras bem como material de construção para suas residências. Chances muito alta do chefe de família ainda ser analfabeto. Característica para tal score é a propensão a consumir aos itens básicos. A área -2 < score - ocupada pelas casas é de porte pequeno ao médio, apontando à um consumo de materiais de construção. O nível de escolaridade do chefe de família ainda é assustador. Neste intervalo as pessoas estão praticamente aptas a consumir itens como t.v, -<score -,5 geladeiras e maq. Lavar. Ainda não podemos caracterizar como consumidores potenciais aos demais itens, embora cresça a chance ao consumo para itens de estrutura da casa. Existe uma pequena melhora no nível de escolaridade do chefe de família. Apesar de não ter mudado praticamente a condição de consumo para itens de 2ª -,5<score, necessidades, conforto e escolaridade. Já se percebe um público alvo para consumir itens como material de construção e básicos. A facilitação de crédito seria uma boa estratégia de marketing para o consumo dos demais itens. Score neste intervalo já caracteriza pessoas a consumir todos os itens básicos,,<score,5 mostrando inclusive a chance de consumo de dois objetos. Chamamos a atenção que o nível de escolaridade do chefe de família já se encontra com boas chances de ter pelo menos o secundário incompleto. Publico consumidor com boas perspectivas de consumo, inclusive de mais de um,5< score item para determinados eletrodomésticos e banheiro.casas com porte médio de área construída. Já era de se esperar que a medida que o índice de escolaridade do chefe de < score 2 família cresce a propensão ao consumo aumenta significativamente. Já podemos caracterizá-lo como score, modesto ainda, de classe média baixa. 2 < score 3 Classe consumista de todos os itens listados. Bom grau de escolaridade do chefe de família. Classe média. Ávida consumista. Classe abastada possuindo com grandes chances de posse de dois ou mais itens 3 < score 4 de cada. Grau superior completo para o chefe de família. Alta infra-estrutura para condições da casa. È completamente o oposto ao score entre -4 a -3. Tabela 4 - Interpretabilidade para leitura (uma 2ª opção) dos scores estimados

59 Como é percebido não existe diferença entre a figura 8 e a tabela 3. Existem apenas duas formas distintas de oferecer ao leitor uma interpretação dos scores estimados. Essa interpretabilidade dos scores é produzida a partir do estudo de todos os gráficos gerados no anexo 5. Basta perceber, por exemplo, que entre os scores -4 e -3 existe uma probabilidade maior que 5 % de um respondente não ter nenhum item dos listados acima; possuir nível de escolaridade baixo e condições da infra-estrutura da casa muito precária. Desta forma podemos seguir na leitura, cuidadosa, para todos os scores da escala. No anexo 2 mostramos as tabelas descritivas para os itens. Abaixo listamos o histograma e box-plot dos resultados dos scores estimados. 4 2 8 Frequencia 6 4 2 2,75 2,25,75,25,75,25 -,25 -,75 -,25 -,75-2,25-2,75 Std. Dev =,94 Mean = -,3 N = 74, SCORES Figura 9 - Histograma dos scores estimados

6 4 3 2 - Normal esperada -2-3 -4-4 -3-2 - 2 3 Valor observado Figura - Normal Q-Q Plot dos scores estimados 4 3 2 77 75 97 923 268 - -2-3 829 432 283-4 N = 74 Scores Figura - Box-Plot dos scores estimados Percebe-se com base nas figuras acima que o pressuposto da normalidade dos scores foi obtida.

6 5.3 Critério Brasil versus TRI Para ajudar no entendimento da comparação do score produzido pela TRI com o Critério Brasil, deixamos aqui um exemplo da amostra usada no trabalho bem como uma representação gráfica para as famílias rotuladas com os dois critérios em questão: Observa-se na tabela abaixo alguns respondentes ( θ j ), que foram selecionados aleatoriamente, classificados nos critérios: Critério Brasil e TRI. θ θ θ 2 3 θ θ 4 5 θ 6 θ 7 θ 8 Tv 2 2 3 Radio Banheiro 3 3 4 Carro 3 2 2 Empregada 2 2 aspirador Maq.roupa Vídeo 2 Geladeira 2 Freezer Instrucão 4. 5 4 5 5 npbrasil 8 7. 5 2 2 26 32 clbrasil B2 D E C B A2 A Score,89 -,4 -,35 -,53 -,25,78,63 2,57 Erro,27,33,33,34,34,22,23,23 Tabela 5 - Comparação entre o Critério Brasil e os scores estimados via TRI Observa-se na tabela acima que para respondentes com missing case a classificação no Critério Brasil fica impossibilitada, já na TRI o mesmo não acontece. Ou seja, mesmo que haja missing case, a estimação para este respondente é feita. É claro que tal estimação é provida de menos precisão, mas mesmo assim não precisamos removê-lo da amostra. Observa-se também que para o respondente θ (cujos pertences são: uma tv; um rádio; um banheiro; três carros; uma máquina de lavar; um vídeo cassete; uma geladeira; e o chefe de família

62 possui grau de instrução quatro (até superior incompleto)) sua pontuação no Critério Brasil (tabela 4) foi de dezoito pontos, o que corresponde a classe B2. Já o mesmo na TRI obteve um indicador.89, o que de acordo com a tabela 3, caracteriza o respondente como um consumidor potencial. No gráfico abaixo é mostrado uma nuvem entre a pontuação no critério Brasil e o score estimado pela TRI para toda a amostra de trabalho. 3 2 CLBRASIL E D - C B2 SCORES -2-3 - 2 3 4 B A2 A NPBRASIL Figura 2 - Comparação entre o Critério Brasil e os scores estimados via TRI SCORES são os valores produzidos pela TRI. NPBRASIL pontuação do Critério Brasil. A a E são os rótulos do Critério Brasil A figura 2 nos leva a perceber a forte correlação existente entre os dois critérios (o que já era esperado). Tentaremos explicar esta correlação na seção seguinte. Uma vantagem da TRI é podermos estimar o erro padrão dos scores de cada respondente. Isso já não é possível no Critério Brasil.

Abaixo apresenta-se a distribuição dos escores segundo valores de percentis: 63 Percentis 5 % % 25 % 5 % 75 % 9 % 95 % scores - - - -.574.287.5484.649.2767.6597.33 Tabela 6 Valores dos Percentis Pode-se perceber que a grande maioria da população em estudo se concentra entre os scores -,66 e,57. O que na descrição das escalas implica em uma população com baixo consumo para alguns itens. Para uma boa percepção da magnitude do score produzido pela TRI apresentamos um exemplo prático: um indivíduo que possui uma tv; um banheiro; uma máquina de lavar; uma geladeira e não tenha respondido quanto ao seu grau de instrução fica impossibilitado de traçar seu estrato sócio econômico pelo Critério Brasil( ou na pior das hipóteses faz-se os cálculos com os aparelhos listados, ignorando missing e sua pontuação seria sete isto é, classe D). Já na TRI, o mesmo recebeu um score -,29 (erro padrão de,23) o que já dá para inferir a que estrato o respondente está ou compará-lo com a classe D. De acordo com a tabela de leitura de scores da TRI, nos parece que tal respondente não seria um consumidor rotulado como classe D! 5.4 Análise de regressão Por fim, mostra-se que o Critério Brasil e os scores produzidos pela TRI são altamente correlacionados o que, de certa forma, já era esperado - através da construção de um modelo clássico de regressão linear simples, tomando-se como variável dependente os escores obtidos pelo critério Brasil, e como variável independente os escores obtidos com o modelo para resposta graduadas.

64 Model Model Summary Adjusted Std. Error of R R Square R Square the Estimate,92 a,84,84 2,338 a. Predictors: (Constant), ESCOREES Model (Constant) ESCOREES Unstandardized Coefficients a. Dependent Variable: NPBRASIL Coefficients a Standardized Coefficients B Std. Error Beta t Sig.,682,78 37,637, 4,626,8,92 57,557, Model Regression Residual Total a. Predictors: (Constant), ESCOREES b. Dependent Variable: NPBRASIL ANOVA b Sum of Squares df Mean Square F Sig. 549,435 549,435 332,828, a 3429,796 755 4,543 8479,23 756 Figura 3 - Análise de regressão