Análise Estatística de Dados

Meta-Análise: O que é e para que serve?

Autor: Mário Rocha

Introdução

As meta-análises são uma das mais importantes metodologias para resumir de forma quantitativa evidências científicas disponíveis de diversos estudos.

Para Borenstein et al. (2009) esta consiste na combinação estatística dos resultados de múltiplos estudos independentes que procuram dar resposta a uma mesma questão de investigação, possibilitando a obtenção de estimativas mais precisas do que aquelas produzidas unicamente por estudos isolados.

Posteriormente um outro autor (Al-Namaeh, 2025) afirmou que a meta-análise é uma ferramenta fundamental para a tomada de decisão baseada na evidência, especialmente em àreas como as ciências da saúde e outras áreas com um elevado volume de investigação publicada.

Qual é, então, o o verdadeiro objectivo de uma meta-análise?

Principal Objectivo de uma Meta-Análise

Toda a meta-análise tem como principal objectivo resumir de modo quantitativo os resultados de vários estudos, recorrendo a medidas de tamanho de efeito que permitam comparar e combinar os resultados obtidos em diferentes investigações (Borenstein et al., 2009).

E neste sentido qual é a sua importância?

Importância das Meta-Análises

Uma das principais vantagens desta metodologia é a possibilidade de aumentar o poder estatístico através da combinação de múltiplas amostras, o que faz com que as estimativas obtidas tendam a apresentar uma maior precisão e uma menor influência do erro amostral (Borenstein et al., 2009).

Ao falarmos de meta-análise é importante considerar questões como a heterogeneidade e os viês de publicação. O que é isso ao certo?

Heterogeneidade

É importante não só avaliar a estimativa global do efeito mas também o grau de consistência entre os estudos incluídos. Para o efeito e conforme indicado no Cochrane Handbook, valores de I² entr 50% e 75% sugerem heterogeneidade substancial, enquanto valores superiores a 75% indicam heterogeneidade elevada (Al-Namaeh, 2025).

Viés de Publicação

Bartos et al (2022) mencionam o vies de publicação como algo que constitui uma ameaça a ter muito em conta para a validade das meta-análises. Este ocorre quando estudos com resultados estatisticamente significativos apresentam maior probabilidade de publicação do que estudos com resultados nulos ou não significativos.

Para além de conhecer estas questões mais metodológicas é, também, importante saber como analisar os resultados numa meta-análise, e como tal quais os sofwares mais comumemente utilizados.

Principais Softwares para Meta-análise

São diversos os softwares utilizados para este tipo de análise, destacando-se alguns mais tradicionais como RevMan, Comprehensive Meta-Analysis e R, e alguns mais atuais e bastante intituivo como o JASP e o Jamovi,  que permitem realizar meta-análises de forma relativamente acessível. O JASP, por exemplo, destaca-se por ser gratuito, open source e disponibilizar uma interface intuitiva para investigadores sem experiência avançada em programação. Um artigo futuro abordará detalhadamente a realização de meta-análises neste software.

Conclusão

Em suma, as meta-análises definem-se como uma das metodologias mais robustas para resumir evidência científica, ao possibilitar combinar resultados de múltiplos estudos e obter conclusões mais precisas e fundamentadas. Para além de elevararem mais o poder estatístico das análises, também permitem uma melhor compreensão dos fenómenos estudados e apoiam a tomada de decisões baseadas na evidência.

Contudo é importante considerar que a realização e interpretação de uma meta-análise exige conhecimentos metodológicos e estatísticos específicos, como a avaliação da heterogeneidade, do viés de publicação e a escolha dos modelos estatísticos mais adequados.

Se pretende realizar uma meta-análise no âmbito de uma dissertação, tese, artigo científico ou projeto de investigação, a Análise Estatística disponibiliza apoio especializado em todas as fases do processo, desde a definição da metodologia até à interpretação e apresentação dos resultados.

Precisa de apoio em Meta-Análises ou outras técnicas de análise estatística? Entre em contacto connosco e descubra como podemos ajudar o seu projeto de investigação.

Referências Bibliográficas

Al-Namaeh, M. (2025). Meta-analysis: A to Z for healthcare professionals. Cureus, 17(3), e80846. https://doi.org/10.7759/cureus.80846 

Bartoš, F., Maier, M., Quintana, D. S., & Wagenmakers, E.-J. (2022). Adjusting for publication bias in JASP and R: Selection models, PET-PEESE, and robust Bayesian meta-analysis. Advances in Methods and Practices in Psychological Science, 5(3). https://doi.org/10.1177/25152459221109259 

Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2009). Introduction to meta-analysis. John Wiley & Sons.

Inteligência Artificial na Investigação Científica: Utilização Responsável, Limitações e Boas Práticas

Autor: Mário Rocha e Flávia Negrini

Introdução

A Inteligência Artificial (IA) tornou-se uma presença cada vez mais frequente no contexto académico e científico e diversas ferramentas como o ChatGPT, Gemini, Claude, Copilot e Perplexity são atualmente utilizadas por estudantes, investigadores e docentes para apoiar tarefas de pesquisa, organização de informação, redação e análise de dados.

Conforme nos refere a Ca’ Foscari University of Venice (2024) o rápido desenvolvimento dos modelos de linguagem de grande dimensão (Large Language Models – LLMs) veio a modificar de modo significativo a forma como a informação é pesquisada, processada e utilizada em contextos científicos.

Assim, apesar do seu potencial, a utilização destas ferramentas levanta importantes questões metodológicas, éticas e científicas e é importante referir que diversas instituições internacionais, como a Wiley, a ETH Zurich, a Comissão Europeia e várias universidades de referência, têm publicado orientações específicas para promover uma utilização responsável da IA na investigação científica. A suas orientações e recomendações convergem numa ideia central, de que a IA pode apoiar o investigador, mas não pode substituir o pensamento crítico, a supervisão humana nem a responsabilidade científica (Wiley, 2025; European Commission, 2025).

Como tal, não é adequado dizer que a IA já substitui o investigador, mas que deve, antes, ser entendida como uma ferramenta de apoio que pode aumentar a produtividade e facilitar determinadas tarefas, ainda que seja sempre necessário supervisão humana, validação rigorosa da informação produzida e respeito pelos princípios da integridade científica. Para a Wiley (2025), os investigadores devem utilizar a IA como um “assistente de investigação”, sendo, contudo, responsáveis pela exatidão dos conteúdos, das referências bibliográficas, das análises e das conclusões apresentadas.

Mas estando a falar de IA, o que é mesmo isso e como funciona?

 O que é a IA Generativa e como funciona?

Os modelos de IA generativa, também conhecidos como Large Language Models (LLMs), são treinados com grandes volumes de texto provenientes de livros, websites, artigos científicos e outras fontes digitais e  modo como operam centra-se essencialmente na identificação de padrões estatísticos da linguagem, permitindo gerar respostas que aparentam ser coerentes, contextualizadas e linguisticamente corretas.

Porém, é fundamental salientar que estes sistemas não compreendem verdadeiramente a informação da mesma forma que os seres humanos, sendo o seu objetivo principal prever a sequência mais provável de palavras com base nos dados utilizados durante o treino, sendo que, como consequência, a qualidade da resposta depende dos padrões identificados durante esse processo, não resultando de raciocínio científico autónomo ou de compreensão conceptual genuína (Ca’ Foscari University of Venice, 2024).

É esta característica que nos permite compreender como os sistemas de IA conseguem produzir textos aparentemente credíveis, mas também cometer diversos erros factuais, interpretações incorretas ou referências inexistentes. É neste âmbito que a ETH Zurich (2025) já alertou para o facto de estes sistemas não saberem nem pensarem no sentido humano do termo, produzindo antes respostas probabilísticas, o que pode originar fenómenos conhecidos como alucinações, nos quais informação falsa é apresentada como verdadeira. Por esse motivo, qualquer informação produzida por ferramentas de IA deve ser considerada um ponto de partida para análise e nunca uma fonte científica primária.

E então em que a IA pode apoiar a Investigação Ciêntifica?

Como pode a IA apoiar a investigação científica?

A IA pode ser útil em diferentes fases do processo científico, contribuindo para aumentar a eficiência e reduzir o tempo necessário para determinadas tarefas operacionais. São diversas as suas aplicações como:

• Pesquisa bibliográfica e identificação de palavras-chave;
• Organização de conceitos e elaboração de mapas temáticos;
• Resumo preliminar de artigos científicos;
• Apoio à redação e revisão linguística;
• Tradução académica;
• Apoio à programação em R, Python, SPSS Syntax ou outras linguagens;
• Explicação de procedimentos estatísticos e metodológicos;
• Apoio à construção de questionários e guiões de entrevista;
• Organização de dados qualitativos e quantitativos.

Segundo a Ca’ Foscari University of Venice (2024) a IA pode ter bastante utilidade em tarefas repetitivas, demoradas ou de reduzida complexidade intelectual, o que possibilita ao investigadores dedicar-se mais às atividades que exigem pensamento crítico, criatividade e tomada de decisão científica.

Conforme referiu a Wiley (2025) a IA pode apoiar processos como revisões preliminares da literatura, organização de ideias, formatação de referências e revisão linguística de manuscritos. Porém reforçam o facto de estas ferramentas deverem ser utilizadas como complemento ao trabalho do investigador e não como substituto da análise científica.

Apesar de facilitar o processo é muito importante que as fontes originais sejam consultadas e verificadas pelo investigador. A utilização acrítica de resumos produzidos por IA pode conduzir à interpretação incorreta dos resultados de estudos científicos ou à propagação de informação imprecisa.

Neste caso, será que podemos dizer que a IA já substitui totalmente a revisão da literatura por parte dos próprios investigadores?

A IA substitui a pesquisa e revisão da literatura?

Não totalmente.

A IA já consegue apoiar na síntese de artigos científicos e na identificação de literatura potencialmente relevante, através de diversas ferramentas como Perplexity, Elicit, Consensus e Research Rabbit que têm vindo a ganhar popularidade devido à sua capacidade para acelerar as fases iniciais da pesquisa bibliográfica.

Porém é bom esclarecer que uma correcta revisão da literatura é muito mais do que um simples resumo de artigos, implicando também análise crítica, comparação de resultados, identificação de lacunas de investigação, avaliação da qualidade metodológica dos estudos e integração de evidência científica proveniente de múltiplas fontes.

Segundo as orientações da Ca’ Foscari University of Venice (2024), a IA pode ser utilizada para apoiar a identificação inicial de literatura ou para fazer resumos preliminares, mas os investigadores não devem citar ou utilizar trabalhos científicos sem proceder à leitura integral das fontes originais. É importante também alertar, igualmente, para o risco de a IA ignorar estudos relevantes, interpretar incorretamente resultados ou produzir referências inexistentes.

A Wiley (2025) recomenda que qualquer informação obtida através de IA seja posteriormente validada através da consulta direta dos artigos científicos originais, sendo da inteira responsabilidade do autor do trabalho a seleção, interpretação e integração da evidência científica. Assim, a IA pode apoiar a revisão da literatura, mas não substitui as competências científicas necessárias para avaliar criticamente a qualidade e a relevância dos estudos incluídos numa investigação.

E no que respeita à componente empírica e prática dos estudos científicos. A IA já substitui a análise estatística por parte do investigador?

A IA substitui a análise estatística?

Consideramos que também não.

Embora a IA consiga sugerir testes estatísticos, interpretar outputs e gerar código para diferentes softwares, a escolha da análise adequada depende do desenho do estudo, dos objetivos da investigação, das características da amostra e dos pressupostos estatísticos aplicáveis, o que implica conhecimento mais técnico e já alguma experiência.

Apesar de várias ferramentas de IA como ChatGPT, Claude e Copilot conseguirem fornecer explicações detalhadas sobre técnicas estatísticas, auxiliar na programação em R ou Python e até sugerir procedimentos de análise as suas recomendações nem sempre são adequadas ao contexto específico do estudo e podem conter erros metodológicos significativos.

Deste modo, a responsabilidade pela definição metodológica continua a pertencer ao investigador, uma vez que a escolha incorreta de um teste estatístico, a violação de pressupostos ou a interpretação inadequada dos resultados podem comprometer toda a investigação e conduzir a conclusões inválidas.

Sobre este assunto pode consultar outro artigo nosso intitulado:

Importância da Escolha Metodológica na Investigação Científica e a sua Relação com a Análise Estatística

As orientações internacionais sobre utilização responsável da IA sublinham que a supervisão humana é indispensável em tarefas que envolvem tomada de decisão científica, interpretação de resultados e elaboração de conclusões (European Commission, 2025; Wiley, 2025).

Em resumo, a IA até pode facilitar a aprendizagem de métodos estatísticos e apoiar a execução de análises, mas não substitui totalmente o conhecimento especializado necessário para garantir a validade científica dos resultados obtidos.

Assim, quais são as suas principais limitações e riscos?

Principais limitações e riscos

Entre os principais riscos associados à utilização da IA na investigação científica destacam-se:

• Alucinações, isto é, informação falsa apresentada como verdadeira;
• Referências bibliográficas inexistentes;
• DOI incorretos;
• Enviesamentos presentes nos dados de treino;
• Falta de transparência sobre a origem da informação;
• Dependência excessiva da tecnologia;
• Redução do pensamento crítico quando utilizada de forma inadequada;
• Possível exposição de dados pessoais, confidenciais ou ainda não publicados.

Assim, um dos problemas debatidos com bastante frequência na literatura recente é a possibilidade de os sistemas de IA generativa produzirem respostas plausíveis, mas incorretas. Sobre esta questão, a ETH Zurich (2025) alerta que estas ferramentas não “sabem” nem “pensam” criticamente, mas conseguem produzir conteúdos com base em probabilidades, o que podem levar a que misturem factos com ficção, criem referências inexistentes, apresentem ligações incorretas ou formulem afirmações que parecem cientificamente válidas, mas que não resistem a uma verificação rigorosa.

A Ca’ Foscari University of Venice (2024) também sublinha que os modelos de IA podem dar origem a documentos sintaticamente corretos, mas metodologicamente frágeis, contendo informação falsa, enviesada, incompleta ou difícil de identificar, o que se torna um risco particularmente relevante na investigação científica, uma vez que uma referência inventada, uma interpretação estatística incorreta ou uma conclusão mal fundamentada pode comprometer a credibilidade de todo o trabalho.

Outro risco relevante prende-se com os enviesamentos presentes nos dados de treino, dado que como os modelos de IA são treinados com grandes volumes de informação disponível online, podem reproduzir desigualdades, estereótipos, perspetivas dominantes ou lacunas existentes na própria produção científica. Hagendorff (2020), ao analisar várias orientações internacionais sobre ética da IA, demonstrou que princípios como transparência, justiça, responsabilidade, privacidade e não discriminação são frequentemente mencionados, mas nem sempre são fáceis de aplicar na prática, o que significa que a existência de diretrizes éticas não garante, por si só, uma utilização responsável da tecnologia.

Também a dependência excessiva da IA representa igualmente um risco importante. Llerena-Izquierdo e Ayala-Carabajo (2025) referem que a integração da IA em contextos académicos pode constituir oportunidades significativas, como a otimização da investigação e a personalização da aprendizagem, mas também riscos humanos e éticos, incluindo perda de pensamento crítico, dependência tecnológica e homogeneização de ideias. Assim, quando o investigador passa a aceitar respostas geradas pela IA sem questionar, perde-se uma parte essencial do processo científico,  que é a dúvida, a análise crítica e a capacidade de construir conhecimento de forma autónoma.

É neste sentido que a importância da validação humana se tornou particularmente evidente em casos recentes de retratação de artigos científicos associados à utilização inadequada de ferramentas de IA. Como exemplo mais recente temos um artigo, deste mesmo ano, submetido à revista IJC Heart & Vasculature (mais info) que foi retratado após os seus revisores terem identificado múltiplas referências com títulos, autores, revistas e DOI incompatíveis, bem como várias referências que simplesmente não existiam. No aviso de retratação, os editores referiram explicitamente que não conseguiram identificar durante o processo de revisão o uso indevido de ferramentas de IA na elaboração do manuscrito. Este caso demonstra que, embora a IA possa facilitar a redação e a organização da informação, a responsabilidade pela verificação das referências, da qualidade das fontes e da exatidão do conteúdo continua a pertencer integralmente aos autores.

É por este motivo que toda a informação produzida por IA deve ser cuidadosamente verificada, sendo que A IA apesar de poder acelerar tarefas, organizar informação e sugerir caminhos de análise não deve ser utilizada como fonte final de verdade científica e a validação das fontes, a leitura dos documentos originais, a confirmação dos DOI, a análise dos métodos e a interpretação dos resultados continuam a ser responsabilidades humanas.

Questões éticas e integridade científica

As principais orientações internacionais sobre a utilização da Inteligência Artificial na investigação científica convergem em quatro princípios fundamentais: transparência, responsabilidade, supervisão humana e proteção da privacidade (European Commission, 2025; Wiley, 2025; Ca’ Foscari University of Venice, 2024). Como tal voltamos a referir, que embora a IA possa apoiar diversas etapas do processo científico, a responsabilidade pelas decisões metodológicas, interpretações e conclusões permanece sempre do lado do investigador.

A transparência constitui outro elemento central da integridade científica, o que faz com que as orientações da Ca’ Foscari University of Venice (2024) sejam no sentido de os investigadores descreverem claramente de que forma utilizaram ferramentas de IA, especificando, sempre que relevante, os sistemas utilizados, as versões empregues e o papel desempenhado pela tecnologia no desenvolvimento da investigação. Esta transparência é fundamental para garantir a reprodutibilidade científica e permitir que outros investigadores compreendam adequadamente os procedimentos adotados.

Outra preocupação crescente e muito relevante é a proteção da privacidade e da confidencialidade, e neste aspecto a ETH Zurich (2025) alerta para o facto de muitos sistemas de IA armazenarem ou utilizarem os dados introduzidos pelos utilizadores para fins de melhoria dos modelos. Consequentemente, os investigadores devem evitar inserir informações confidenciais, dados pessoais identificáveis, resultados ainda não publicados, informação protegida por acordos de confidencialidade ou conteúdos sujeitos a propriedade intelectual sem as devidas salvaguardas.

Estes preocupações éticas tornam-se particularmente relevantes em áreas que envolvem dados sensíveis ou participantes humanos, e a Wiley (2025) reforça esta questão ao recomendar que os investigadores avaliem cuidadosamente os riscos associados à utilização de IA em projetos que envolvam dados pessoais, informações clínicas, entrevistas, imagens identificáveis ou qualquer conteúdo cuja divulgação possa comprometer a privacidade dos participantes. Em alguns contextos, poderá mesmo ser necessário obter pareceres adicionais das comissões de ética ou rever os consentimentos informados inicialmente obtidos.

Outro aspeto frequentemente discutido refere-se à autoria científica, existindo, na atualidade, um consenso alargado entre universidades, editoras científicas e organismos internacionais de que as ferramentas de IA não podem ser consideradas autoras de artigos científicos. A ETH Zurich (2025) menciona mesmo que os sistemas de IA não podem assumir responsabilidade intelectual pelo conteúdo produzido, não participam conscientemente no processo científico e não podem responder por eventuais erros ou violações éticas, não cumprindo como tal os critérios normalmente exigidos para atribuição de autoria académica.

Além disso, Hagendorff (2020) chamou a atenção para uma questão frequentemente ignorada nos debates sobre IA, que é o facto de a existência de princípios éticos não garantir automaticamente comportamentos éticos. Embora muitas organizações e empresas adotam diretrizes sobre transparência, justiça ou responsabilidade a aplicação prática desses princípios continua a ser um desafio. Assim, a utilização responsável da IA depende não apenas da tecnologia, mas também da formação, do julgamento crítico e do compromisso ético dos próprios investigadores.

Em resumo a integridade científica continua a assentar nos mesmos princípios que orientam a investigação tradicional que são o rigor metodológico, a honestidade intelectual, a transparência, a responsabilidade e o respeito pelos participantes e pela comunidade científica e a IA pode apoiar estes objetivos quando utilizada de forma adequada, embora também possa, igualmente, criar novos riscos quando utilizada sem supervisão ou validação crítica.

E relativamente a outra questão que tantas dores de cabeça tem dado a investigadores e estudantes universitários. Os famosos detectores de IA funcionam realmente?

Detetores de IA: funcionam realmente?

Com o elevado e constante crescimento da utilização de ferramentas de IA generativa também foram surgindo paralelamente diversos sistemas de deteção automática, como Turnitin AI, GPTZero, Copyleaks e ZeroGPT, plataformas que procuram identificar padrões linguísticos que permitam distinguir textos produzidos por humanos de conteúdos gerados por Inteligência Artificial. Contudo, é importante ressalvar que a evidência científica mais recente sugere que a eficácia destes sistemas continua a apresentar limitações significativas.

Num estudo muito recente (Giray et al., 2026) foi analisado o desempenho de vários detetores de IA, tendo-se concluido que a precisão dos resultados varia consideravelmente entre plataformas. Os autores verificaram que alguns sistemas apresentam taxas elevadas de falsos positivos, classificando incorretamente textos produzidos por humanos como conteúdos gerados por IA. Simultaneamente, também foram observados falsos negativos, nos quais textos produzidos por ferramentas de IA não foram identificados corretamente. Tais resultados demonstram que a deteção automática continua longe de oferecer níveis de fiabilidade suficientes para servir como prova definitiva de autoria. Os autores também fazem referência à facilidade com que determinados conteúdos podem escapar à deteção, uma vez que pequenas alterações realizadas pelo utilizador, como reformulações, reorganização de frases ou introdução de exemplos próprios, podem alterar significativamente a classificação atribuída pelos sistemas, sendo também de destacar o facto de que à medida que os modelos de linguagem evoluem e produzem textos cada vez mais semelhantes à escrita humana, os desafios enfrentados pelos detetores tornam-se ainda maiores.

Para além das limitações técnicas, Deep et al. (2025) alertaram para importantes implicações éticas associadas à utilização destes mecanismos em contextos académicos, afirmando que muitos detetores funcionam como sistemas pouco transparentes, não permitindo compreender claramente os critérios utilizados para classificar um texto como humano ou artificial, falta de transparência esta que levanta grandes preocupações relativamente à justiça, à responsabilidade institucional e ao direito dos utilizadores contestarem decisões potencialmente incorretas.

Os problemas tornam-se particularmente relevantes para estudantes multilíngues ou não nativos de inglês e neste caso para Deep et al. (2025), algumas características linguísticas frequentemente presentes nestes grupos podem ser interpretadas pelos algoritmos como indícios de escrita produzida por IA, aumentando o risco de classificações incorretas. Como consequência, determinados estudantes podem ser injustamente penalizados, mesmo quando produziram os seus trabalhos de forma autónoma.

Em suma, tanto Giray et al. (2026) como Deep et al. (2025) defendem que os resultados produzidos pelos detetores de IA não devem ser utilizados como prova única em processos disciplinares ou decisões relacionadas com integridade académica, devendo, antes pelo contrário, ser encarados como indicadores complementares que necessitam sempre de validação humana, análise contextual e avaliação crítica por parte dos docentes ou investigadores envolvidos.

A tendência mais recente nas instituições de ensino superior aponta para uma mudança de paradigma. Em vez de depender exclusivamente da deteção automática, muitas universidades estão a privilegiar estratégias centradas na literacia digital, na utilização ética da IA e na reformulação dos métodos de avaliação, sendo o principal objetivo passa promover uma utilização responsável destas tecnologias, reconhecendo simultaneamente os benefícios que podem trazer para a aprendizagem e para a investigação científica.

É possivel então concluir que os detetores de IA podem constituir uma ferramenta útil de apoio à integridade académica, mas não são infalíveis, uma vez que a evidência científica disponível sugere que devem ser utilizados com prudência, complementados por avaliação humana e enquadrados por políticas institucionais transparentes e justas. Deste modo o maior desafio não é apenas identificar a utilização da IA, mas sobretudo promover uma cultura de responsabilidade, ética e utilização crítica destas tecnologias no contexto académico e científico.

E como podemos referir a utilização de IA?

Como referenciar a utilização de IA?

A crecente utilização de ferramentas de IA generativa na investigação científica levou universidades, editoras e organizações internacionais a desenvolver orientações específicas para garantir transparência e integridade académica e apesar de não existir ainda uma norma universal aplicável a todas as áreas científicas, existe um consenso crescente de que a utilização da IA deve ser declarada sempre que tenha contribuído de forma relevante para a elaboração do trabalho (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024).

Conforme já foi referido, a transparência é um princípio fundamental da investigação científica e tal como os investigadores descrevem os métodos, os instrumentos utilizados e os procedimentos adotados, também a utilização de ferramentas de IA deve ser comunicada de forma clara quando influencia a redação, organização, análise ou interpretação da informação. Com esta prática leitores, revisores e outros investigadores podem compreender adequadamente o processo de produção científica e avaliar a qualidade do trabalho realizado.

Segundo as orientações da Wiley (2025), a utilização de IA deve ser declarada especialmente quando as ferramentas são utilizadas para produzir texto, reorganizar argumentos, traduzir conteúdos ou apoiar processos metodológicos. A organização recomenda que estas informações sejam incluídas nas secções apropriadas do manuscrito, como os agradecimentos, os métodos ou outras secções destinadas à descrição dos procedimentos utilizados.

A Ca’ Foscari University of Venice (2024) vai ainda mais longe ao recomendar que os investigadores descrevam não apenas a ferramenta utilizada, mas também a sua versão, os objetivos da sua utilização e, sempre que relevante, os prompts ou instruções fornecidas ao sistema, referindo mesmo que é esta transparência que contribui para aumentar a reprodutibilidade da investigação e facilita a avaliação crítica dos resultados obtidos.

Por sua vez, a ETH Zurich (2025) destaca que a utilização não declarada de ferramentas de IA pode constituir uma forma de ocultação da verdadeira origem de determinados conteúdos, defendendo que os autores devem assumir total responsabilidade pelos textos produzidos e indicar claramente quando recorreram a sistemas de IA para apoiar tarefas específicas. Esta necessidade de transparência

A American Psychological Association (APA) também reconhece a necessidade de transparência relativamente à utilização de IA generativa, apontando para o facto de apesar de as ferramentas de IA não serem consideradas autores e não possam ser citadas como fontes científicas convencionais, a sua utilização deve ser descrita quando tiver desempenhado um papel relevante na elaboração do trabalho.

Um exemplo simples de declaração poderá ser:

Foi utilizada uma ferramenta de inteligência artificial para apoio na organização preliminar de ideias, revisão linguística e melhoria da clareza textual. Todo o conteúdo foi posteriormente revisto, validado e adaptado pelo autor.

Contudo em investigações mais complexas, poderá ser necessário fornecer uma descrição mais detalhada, incluindo a ferramenta utilizada, a versão empregue e o tipo de apoio fornecido pela IA.

Importa voltar a reforçar que a utilização de IA não transfere qualquer responsabilidade científica para a tecnologia, sendo que Independentemente do grau de utilização destas ferramentas, os autores continuarem a ser totalmente responsáveis pela exatidão da informação, pela validade metodológica, pela interpretação dos resultados e pelo cumprimento das normas éticas e científicas aplicáveis (Wiley, 2025; ETH Zurich, 2025).

À medida que a utilização da IA se torna mais comum na investigação científica, é expectável que universidades, revistas científicas e entidades financiadoras continuem a atualizar as suas orientações. Por esse motivo, os investigadores devem consultar regularmente as normas específicas aplicáveis à sua instituição, área científica ou publicação de destino, garantindo que a utilização destas tecnologias ocorre de forma transparente, responsável e alinhada com os princípios da integridade científica.

Conclusão

Com a presente revisão e a pesquisa levada a cabo para a sua realização foi possível constatar que a Inteligência Artificial está a transformar profundamente a forma como a investigação científica é desenvolvida, oferecendo novas oportunidades para aumentar a eficiência, facilitar o acesso à informação e apoiar diversas tarefas ao longo do processo de investigação, sendo cada vez mais as ferramentas de IA generativa que podem contribuir para a pesquisa bibliográfica, organização de conteúdos, revisão linguística, programação e apoio metodológico, permitindo que os investigadores reduzam o tempo dedicado a atividades operacionais e concentrem mais esforços na análise e interpretação científica.

Porém apesar destas vantagens, a sua crescente utilização também levanta desafios importantes, como a produção de informação incorreta, referências inexistentes, enviesamentos, problemas de transparência e riscos associados à privacidade que demonstram que a IA não pode ser utilizada de forma acrítica. Assim as várias orientações internacionais analisadas ao longo deste artigo (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024) são consistentes ao afirmar que a supervisão humana continua a ser indispensável e que a responsabilidade científica permanece sempre do lado dos investigadores .

É então evidente que atualmente a IA deva ser encarada como uma ferramenta de apoio e não como substituto do pensamento crítico, da capacidade analítica ou do julgamento científico que a qualidade da investigação continua a depender da formulação adequada das questões de investigação, da escolha dos métodos, da interpretação rigorosa dos resultados e da capacidade de produzir conhecimento novo e relevante para a comunidade científica.

Para além disso, as questões relacionadas com a ética, a transparência e a integridade científica são de importância crescente e cada mais significativa, uma vez que a utilização responsável da IA implica verificar cuidadosamente toda a informação produzida, proteger dados sensíveis, declarar adequadamente a utilização destas ferramentas e garantir que as decisões científicas permanecem sob controlo humano. Como já salientaram Hagendorff (2020) e a Comissão Europeia (2025), o verdadeiro desafio não se restringe unicamente ao desenvolvimento da tecnologia, mas também à capacidade de assegurar que a sua utilização respeita valores fundamentais como a responsabilidade, a justiça, a transparência e a confiança.

À medida que a Inteligência Artificial continua a evoluir, é provável que o seu papel na investigação científica se torne cada vez mais relevante, embora independentemente dos avanços tecnológicos que venham a surgir, o rigor metodológico, a honestidade intelectual e o pensamento crítico continuem a ser os pilares fundamentais da produção científica. A IA pode acelerar processos e apoiar o trabalho dos investigadores, mas não substitui totalmente a experiência, o conhecimento especializado nem a capacidade humana de compreender, interpretar e produzir ciência de qualidade.

É com este pensamento que a nossa equipa trabalha para apoiar e contribuir para a produção de conhecimento e evidências cientificas de relevo.

Precisa de apoio no seu projeto?

Prestamos apoio especializado em revisão da literatura, metodologia científica, definição amostral, validação de instrumentos, análise estatística (SPSS, JASP, Jamovi, R e SmartPLS), interpretação e discussão de resultados e apoio à redação científica.

Então, se necessita de apoio na elaboração da sua dissertação, tese, artigo científico ou projeto de investigação, entre em contacto para obter acompanhamento especializado e adaptado às necessidades específicas do seu estudo.

Pode também consultar mais sobre os nosso serviços em:

Consultoria em Trabalhos académicos

Explicações de Análise Estatística

Referências Bibliográficas

American Psychological Association (APA) (2026). APA Journals policy on generative AI: Additional guidance. https://www.apa.org/pubs/journals/resources/publishing-tips/policy-generative-ai 

Ca’ Foscari University of Venice (2024). Guidelines for the Responsible Use of Artificial Intelligence in Research. Computer Services and Telecommunications Area (ASIT) Working Group for ICT Research Support Activities. https://www.unive.it/pag/fileadmin/user_upload/ateneo/norme_regolamenti/regolamenti/servizi-informatici/Linee_Guida_IA_Ricerca_ENG.pdf 

Deep, P.D., Edgington,W.D., Ghosh, N., & Rahaman, M.S. Evaluating the Effectiveness and Ethical Implications of AI Detection Tools in Higher Education. Information 2025, 16, 905. https://doi.org/10.3390/info16100905 

ETH Zurich (2025). Plagiarism and generative Artificial Intelligence. https://library.ethz.ch/en/scientific-writing/plagiat-und-kuenstliche-intelligenz-ki.html 

European Comission (2026). Guidelines on the ethical use of artificial intelligence and data in teaching and learning for Educators. https://doi.org/10.1007/s11023-020-09517-8doi:10.2766/7967834 

Giray, L., Roe, J., & Espiritu, J.D. (2026). AI writing detectors are ineffective, unreliable and harmful. English Teaching: Practice & Critique. https://doi.org/10.1007/s11023-020-09517-810.1108/ETPC-07-2025-0155  

Hagendorf, T. (2020). The Ethics of AI Ethics: An Evaluation of Guidelines. Minds and Machines. https://doi.org/10.1007/s11023-020-09517-8 

Llerena-Izquierdo, J., & Ayala-Carabajo, R. Ethics of the Use of Artificial Intelligence in Academia and Research: The Most Relevant Approaches, Challenges and Topics. Informatics 2025, 12, 111. https://doi.org/10.3390/informatics12040111 

Wiley (2025). AI guidelines for researchers: Using AI tools in your research. https://www.wiley.com/en-nl/publish/article/ai-guidelines/

Modelos Formativos vs Reflexivos em SEM: Como diferenciar?

Autor:Mário Rocha

A distinção entre modelos reflexivos e formativos constitui uma das discussões metodológicas mais relevantes na modelagem de equações estruturais (SEM), sendo que apesar do crescimento da utilização de softwares como SmartPLS, AMOS, Mplus e lavaan, ainda são muitas as dificuldades na correta especificação dos construtos.

Jarvis, MacKenzie e Podsakoff (2003), referiram que erros na especificação dos modelos de mensuração podem comprometer significativamente a validade dos resultados e conduzir a interpretações incorretas. Coltman et al. (2008) também reforçam esta ideia ao criticarem a utilização automática de modelos reflexivos em grande parte da literatura de gestão e ciências sociais.

Mais recentemente, autores como Repke et al. (2024), Menold, Bluemke e Hubley (2018) e Hanafiah (2020) apelaram para necessidade de compreender validade, causalidade, dimensionalidade e fundamentação teórica de forma integrada.

Passamos então de seguida a abordar alguns aspectos essenciais para a validade e distinção entre este modelos reflexivos e formativos.

A importância da validade

Menold, Bluemke e Hubley (2018) defendem que a validade representa um dos elementos centrais da medição nas ciências sociais. Os autores referem que a validade não deve ser encarada como uma propriedade fixa de um instrumento, mas sim como um processo contínuo de recolha de evidências. Segundo os autores, muitos estudos concentram-se excessivamente em análises estatísticas internas, negligenciando a validade de conteúdo, processos de respostas, consequências da medição, interpretação conceptual dos resultados. Os autores destacam ainda que os avanços estatísticos e de software facilitaram a obtenção de indicadores estatísticos, mas isso não substitui a necessidade de fundamentação teórica robusta.

Validade e Teoria da Medição

Repke et al. (2024) reforçam que validade deve ser compreendida desde o desenho da investigação até à interpretação final dos resultados. Já Bandalos (2018) apresenta uma abordagem abrangente da teoria da medição nas ciências sociais, destacando a confiabilidade, validade convergente, validade discriminante, equivalência de medição, dimensionalidade e análise fatorial exploratória e confirmatória. Para este autor muitos investigadores utilizam técnicas estatísticas sem compreender adequadamente os pressupostos teóricos subjacentes.

Modelos Reflexivos vs Formativos

Nos modelos reflexivos, o construto latente causa os indicadores observáveis. Assim, alterações no construto tendem a refletir-se nos itens medidos. Segundo Hair et al. (2022) os modelos reflexivos apresentam elevada correlação entre indicadores, consistência interna relevante, intercambialidade entre itens, adequação de Alpha de Cronbach, fiabilidade compósita e AVE. Brown (2015) destacou, ainda, que modelos reflexivos estão fortemente associados à análise fatorial confirmatória (CFA), sendo particularmente comuns em psicologia, educação e marketing.

Nos modelos formativos, os indicadores formam o construto latente. Neste caso, os itens não representam manifestações do construto, mas sim os próprios elementos que o constituem. Diamantopoulos e Winklhofer (2001) defenderam que os construtos formativos exigem uma lógica metodológica diferente, especialmente porque os indicadores podem não apresentar elevada correlação, remover um item altera o significado conceptual e medidas tradicionais de consistência interna podem ser inadequadas. Também Petter, Straub e Rai (2007) reforçaram que construtos multidimensionais em sistemas de informação frequentemente exigem especificação formativa.

Na tabela abaixo apresentamos uma comparação resumo entre modelos formativos e reflexivos

Tabela Comparativa

Erros comuns na utilização de modelos formativos e reflexivos

Coltman et al. (2008) desenvolveram uma das discussões metodológicas mais importantes sobre especificação de modelos formativos e reflexivos. Os autores criticaram aquilo que designam como “assunção automática de modelos reflexivos” na literatura. Segundo estes autores, muitos investigadores escolhem modelos reflexivos apenas porque são mais familiares, os softwares facilitam a aplicação e existem mais critérios estatísticos disponíveis. Contudo, os autores alertam que esta prática pode conduzir a problemas graves de validade conceptual e interpretação.

Neste âmbito é fundamental falar de alguns erros comuns.

Entre os erros metodológicos mais frequentes destacam-se a utilização inadequada de Alpha de Cronbach em construtos formativos, a eliminação incorreta de indicadores, a ausência de fundamentação teórica, a utilização automática de modelos reflexivos e a interpretação inadequada de validade convergente e discriminante. Deste modo autores como Jarvis et al. (2003) e Coltman et al. (2008) alertaram que a correta especificação dos construtos deve começar pela teoria e não apenas pelos outputs estatísticos.

Para além desta distinção entre modelos formativos e reflexivos é importante fazer referencia às diferenças entre CB-SEM e PLS-SEM, que também são melhor explicados num outro artigo: “CB-SEM e PLS-SEM: quando usar cada abordagem?”

Referências Bibliográficas

Bandalos, D. L. (2018). Measurement Theory and Applications for the Social Sciences. The Guilford Press.

Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). Guilford Publications

Byrne, B. M. (2016). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming. Taylor & Francis Group

Coltman, T., Devinney, T. M., Midgley, D. F., & Venaik, S. (2008). Formative versus reflective measurement models: Two Applications of Formative Measurement. Journal of Business Research, 61(12), 1250-1262. http://dx.doi.org/10.1016/j.jbusres.2008.01.013 

Diamantopoulos, A., & Winklhofer, H.M. (2001). Index Construction with Formative Indicators: An Alternative to Scale Development. Journal of Marketing Research, 38, 269-277. http://dx.doi.org/10.1509/jmkr.38.2.269.18845 

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.

Hanafiah, M. H. (2020). Formative Vs. Reflective Measurement Model: Guidelines for Structural Equation Modeling Research. International Journal of Analysis and Applications. http://dx.doi.org/10.28924/2291-8639-18-2020-876 

Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A Critical Review of Construct Indicators and Measurement Model Specification in Marketing and Consumer Research. Journal of Consumer Research 30(2), 199-218. http://dx.doi.org/10.1086/376806 

Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). Guilford Press.

Menold, N., Bluemke, M., & Hubley, A. M. (2018). Validity: Challenges in conception, methods, and interpretation in survey research [Editorial]. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, 14(4), 143–145. https://doi.org/10.1027/1614-2241/a000159 

Petter, S., Straub, D., & Rai, A. (2007). Specifying formative constructs in Information Systems Research. MIS Quarterly, 31 (4), 623-656. https://doi.org/10.2307/25148814 

Repke, L., Birkenmaier, L., & Lechner, C. M. (2024). Validity in Survey Research – From Research Design to Measurement Instruments. GESIS – Leibniz-Institut für Sozialwissenschaften. https://doi.org/10.15465/gesis-sg_en_048 

AMOS vs SmartPLS: Semelhanças, Diferenças, Vantagens e Limitações

Autor: Mário Rocha

A modelagem de equações estruturais (Structural Equation Modeling – SEM) tornou-se uma das metodologias quantitativas mais relevantes nas ciências sociais, gestão, psicologia, educação e saúde. Entre os softwares mais utilizados nesta área destacam-se o AMOS e o SmartPLS, ambos amplamente adotados em investigação científica, embora baseados em abordagens metodológicas distintas.

O AMOS (Analysis of Moment Structures), foi inicialmente criado por Arbuckle e está estritamente associado a uma abordagem covariance-based SEM (CB-SEM) e é muito utilizado em investigação, como forma confirmatória e de validação teórica. Já o SmartPLS é mais popular porque se apresenta simples em termos de funcionamento e tem uma forte associação ao Partial Least Squares SEM (PLS-SEM), particularmente em modelos preditivos e exploratórios, embora em versões mas recentes como a versão 4, já contenha também CBS-SEM.

Independentemente das suas diferenças metodológicas, ambos os softwares desempenham papéis importantes na investigação quantitativa contemporânea e é nesse sentido que este artigo apresenta uma análise comparativa aprofundada entre AMOS e SmartPLS, abordando semelhanças, diferenças, vantagens, limitações, aplicações recomendadas e implicações metodológicas.

O que é o AMOS?

O AMOS é um software desenvolvido para modelagem de equações estruturais baseado em covariâncias (CB-SEM), que se tornou uma das ferramentas mais populares para análise fatorial confirmatória (CFA), validação de modelos teóricos e avaliação de relações causais entre variáveis latentes (Byrne; 2016; Kline, 2023).

Uma das suas principais vantagens é a sua interface gráfica intuitiva, que permite construir modelos através de diagramas visuais, não necessitando de muita programação mais avançada e manual, o que contribuiu significativamente para a popularização do SEM entre investigadores sem experiência avançada em programação.

O AMOS destaca-se particularmente em:

• Validação Confirmatória;
• Testes de ajustamento global do modelo;
• Comparação de modelos teóricos;
• Investigação baseada em teoria consolidada;
• Análises de mediação e moderação.

O que é o SmartPLS?

O SmartPLS é um software focado na abordagem Partial Least Squares Structural Equation Modeling (PLS-SEM). Segundo Hair et al. (2022), o PLS-SEM foca-se mais em objetivos preditivos e exploratórios e é especialmente útil quando os modelos são complexos, as amostras são relativamente pequenas ou os dados não apresentam distribuição normal. Ganhou enorme popularidade em áreas como gestão, marketing, sistemas de informação e empreendedorismo devido à facilidade de utilização e rapidez analítica e destaca-se especialmente em:

• Modelos preditivos;
• Investigação exploratória;
• Modelos complexos;
• Variáveis formativas;
• Análise com pequenas amostras;
• Dados não normais.

 Semelhanças e Diferenças entre AMOS e SmartPLS

Apesar de terem diferenças metodológicas, AMOS e SmartPLS apresentam várias semelhanças importantes que passamos as destacar:

• Ambos são softwares de modelagem de equações estruturais;
• Permitem análise de variáveis latentes;
• Utilizam diagramas gráficos intuitivos;
• Possibilitam testes de mediação e moderação;
• São amplamente utilizados em investigação científica;
• Facilitam análise de validade (embora de modo discutível em PLS-SEM) e fiabilidade;
• Suportam modelos complexos com múltiplos construtos.
• Permite análise CB-SEM (O SmartPLS permite a partir da versão 4 (ver Chua, 2024; Hair et al., 2025).

Em resumo, tanto o AMOS quanto o SmartPLS desempenham um papel relevante na investigação quantitativa contemporânea e não devem ser encarados como ferramentas concorrentes absolutas, mas sim como abordagens metodológicas complementares.

Vantagens do AMOS

Apesar do grande crescimento do SmartPls, o AMOS continua as ser muito importante em investigação quantitativa, especialmente quando o objetivo principal é testar modelos teóricos bem fundamentados e também validar escalas de avaliação. Segundo Byrne (2016), uma das grandes forças do AMOS reside na avaliação rigorosa do ajustamento global do modelo e tem como principais vantagens:

• Forte tradição académica;
• Elevada aceitação em revistas científicas;
• Excelente suporte para Análise Fatorial Confirmatória (AFC)
• Indicadores robustos de ajustamento global;
• Integração com SPSS;
• Interface visual intuitiva;
• Adequado para modelos confirmatórios.

Para além disto, é fundamental mencionar que AMOS é muito recomendado para utilização  em contextos onde a teoria está bem estabelecida e o objetivo principal é confirmar relações previamente definidas.

Limitações do AMOS

Embora extremamente poderoso, o AMOS apresenta algumas limitações metodológicas e operacionais, como:

• Tende a exigir amostras maiores e maior aproximação à normalidade multivariada.
• Menor flexibilidade para variáveis formativas;
• Maior sensibilidade à não normalidade;
• Limitações em modelos altamente complexos;
• Menor foco preditivo;
• Dependência de pressupostos estatísticos mais rigorosos.

Vantagens do SmartPLS

Segundo Hair et al. (2022), o SmartPLS tornou-se uma das ferramentas mais populares em investigação aplicada devido sua robustez em contextos mais exploratórios e preditivos, e apresenta como principais vantagens:

• Adequado para pequenas amostras;
• Menor exigência de normalidade;
• Excelente desempenho preditivo;
• Facilidade operacional;
• Forte suporte para variáveis formativas;
• Elevada flexibilidade em modelos complexos;
• Rapidez analítica.

Resumidamente, o SmartPLS é particularmente útil quando o objetivo é previsão, desenvolvimento teórico inicial ou investigação exploratória.

Limitações do SmartPLS

Apesar de ter muitas vantagens, o SmartPLS também apresenta limitações importantes, como:

• Menor foco em ajustamento global clássico;
• Maior debate metodológico em alguns contextos;
• Menor adequação para teorias extremamente consolidadas;
• Possibilidade de utilização inadequada sem fundamentação metodológica.

Quando utilizar AMOS?

O AMOS tende a ser mais recomendado quando:

• Existe teoria bem consolidada;
• O objetivo é confirmação teórica;
• Pretende-se testar ajustamento global do modelo;
• As amostras são relativamente grandes;
• Os pressupostos estatísticos são satisfeitos.

Quando utilizar SmartPLS?

O SmartPLS apresenta-se como mais adequado quando:

• O objetivo é previsão;
• A investigação é exploratória;
• Existem variáveis formativas;
• A amostra é relativamente pequena;
• Os dados não apresentam normalidade.

Então qual é o melhor? AMOS ou Smart Pls?

 AMOS ou SmartPLS: Qual é Melhor?

A pergunta “qual software é melhor?” pode ser metodologicamente inadequada, uma vez que segundo Hair et al. (2022) e Kline (2023), a escolha entre CB-SEM e PLS-SEM deve depender dos objetivos da investigação e não de preferências pessoais.

Deste modo modo, o AMOS continua extremamente importante em investigação confirmatória e validação teórica rigorosa, enquanto que o SmartPLS se destaca mais pela capacidade preditiva e flexibilidade metodológica.

Assim, ambos os softwares devem ser encarados como ferramentas complementares e não necessariamente concorrentes.

Tabela Comparativa – AMOS vs SmartPLS

Importância da Evolução Recente do SmartPLS

Um aspeto particularmente relevante nos últimos anos é a evolução metodológica do SmartPLS. Estando historicamente associado sobretudo ao PLS-SEM, é importante salientar que as versões mais recentes do software (desde 2024) passaram também a incorporar funcionalidades relacionadas com CB-SEM, o que constitui um desenvolvimento importante na área da modelagem de equações estruturais.

Em termos mais práticas esta evolução aumenta significativamente as possibilidades analíticas do SmartPLS, permitindo maior flexibilidade metodológica aos investigadores, uma vez que deixou de estar exclusivamente ligado a abordagens preditivas e exploratórias, passando também a integrar procedimentos associados à validação confirmatória.

Tal facto contribuiu para aumentar ainda mais a popularidade do SmartPLS em contextos académicos e profissionais, especialmente entre investigadores que procuram combinar análise preditiva, validação teórica e modelos complexos num único software.

Conclusão

Em suma, o AMOS e o SmartPLS representam duas das ferramentas mais relevantes em modelagem de equações estruturais contemporânea. Deste modo, enquanto o AMOS mantém forte tradição em investigação confirmatória baseada em covariâncias, o SmartPLS consolidou-se em investigação exploratória e preditiva.

Então, a escolha adequada destes softwares depende dos objetivos analíticos, da natureza dos dados, da fundamentação teórica e do contexto metodológico da investigação.

Em vez de procurar um “vencedor absoluto”, os investigadores devem compreender as características, potencialidades e limitações de cada abordagem (PLS-SEM e CB-SEM) e respetivos softwares (SPSS Amos e SmartPLS)

Para além dos artigos que temos disponíveis sobre CB-SEM VS PLS-SEM e Importância do CB-SEM para a validação de escalas, também aconselhamos vivamente a ler o nosso artigo sobre modelos formativos vs modelos reflexivos:

Importância do CB-SEM para a Validação de Escalas de Avaliação

CB-SEM e PLS-SEM: Quando usar cada abordagem

Modelos Formativos vs Reflexivos em SEM: Como diferenciar?

Apoio Especializado em AMOS e SmartPLS

A utilização adequada de AMOS e SmartPLS exige não apenas domínio técnico do software, mas também conhecimento metodológico sólido relativamente à modelagem de equações estruturais, sendo que muitas das dificuldades, erros e problemas em dissertações, teses e artigos científicos surgem não pela utilização do software em si, mas por alguns fatores como:

• Escolha inadequada da abordagem metodológica;
• Interpretação incorreta dos outputs;
• Construção inadequada do modelo;
• Avaliação incorreta da validade e fiabilidade;
• Utilização inadequada de mediação e moderação.

Deste modo, disponibilizamos apoio especializado em:

• Modelagem de Equações Estruturais;
• PLS-SEM e CB-SEM;
• Validação de Instrumentos (Análise Fatorial Exploratória e Confirmatória)
• Mediação e Moderação;
• Interpretação de outputs AMOS e SmartPLS;
• Apoio metodológico para teses, dissertações e artigos científicos.

O grande objetivo é auxiliar investigadores e estudantes a desenvolver análises metodologicamente robustas e alinhadas com as melhores práticas científicas contemporâneas.

Referências Bibliográficas

Byrne, B. M. (2016). Structural Equation Modeling with AMOS (3rd ed.). Routledge.

Chua, Y.P. (2024). A step-by-step guide to SMARTPLS 4: Data analysis using PLS-SEM, CB-SEM, Process and Regression. Researchtree. https://www.researchgate.net/publication/379413546_A_step-by step_guide_to_SMARTPLS_4_Data_analysis_using_PLS-SEM_CB-SEM_Process_and_Regression 

Hair, J., Babin, B.J., Ringle, C.M., & Sarstedt, M. (2025). Covariance-based structural equation modeling (CB-SEM): a SmartPLS 4 software tutorial. Journal of Marketing Analytics, 13 (3). https://doi.org/10.1057/s41270-025-00414-6 

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.

Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). Guilford Press.

A Importância do CB-SEM na Validação de Questionários: Um Erro Frequente com a Utilização do PLS-SEM

Autor: Mário Rocha

A crescente popularidade do PLS-SEM

Nos últimos anos, o PLS-SEM tornou-se uma das técnicas mais utilizadas na investigação aplicada., sendo que a sua flexibilidade, facilidade de utilização e menor exigência em termos de tamanho da amostra contribuíram para que seja cada vez mais utilizado em diversas áreas como gestão, marketing, educação, saúde e ciências sociais.

Porém é muito importante ter em conta que a popularidade desta metodologia trouxe também alguns equívocos/erros metodológicos que importa discutir, como o caso da utilização do PLS-SEM para validar questionários ou escalas de avaliação.

Validação de questionários não é apenas fiabilidade

É comum encontrar estudos onde a validação de um instrumento é baseada exclusivamente em indicadores como:

• Consistência interna (Alfa de Cronbach; Fiabilidade composta; Omega)
• Validade convergente;
• Validade discriminante.

Embora estes indicadores sejam importantes, a sua existência não garante, por si só, que um questionário esteja devidamente validado, porque um instrumento pode apresentar excelentes indicadores estatísticos e, ainda assim, possuir problemas ao nível da sua estrutura fatorial. Dai a importância da realização da validade fatorial com recurso a uma técnica como a análise fatorial confirmatória (AFC)

O papel da Análise Fatorial Confirmatória (AFC)

Quando o objetivo é validar um instrumento de medida, uma das questões fundamentais é verificar se os dados suportam a estrutura teórica proposta.

Por exemplo, se um questionário foi desenvolvido para medir três dimensões distintas, é necessário demonstrar que os itens se organizam efetivamente de acordo com essa estrutura, é precisamente neste ponto que entra a análise fatorial confirmatória (AFC), normalmente realizada em contexto CB-SEM.

Ao contrário do PLS-SEM, o CB-SEM permite avaliar diretamente o ajustamento entre o modelo teórico e os dados observados através de índices globais de ajustamento, que fornecem evidência sobre a adequação da estrutura fatorial proposta, como por exemplo:

• CFI
• GFI
• TLI;
• RMSEA;
• SRMR;
• Qui-quadrado de ajustamento (x²/gl)

O verdadeiro papel do PLS-SEM

Importa esclarecer que este artigo não pretende desvalorizar o PLS-SEM. Muito pelo contrário. Importa é fazer um correcta distição entre os dois métodos (PLS-SEM e CB-SEM). Deste modo, o PLS-SEM constitui uma metodologia extremamente útil quando o objetivo é:

• Testar modelos estruturais complexos;
• Maximizar a variância explicada;
• Desenvolver teoria;
• Realizar análises preditivas;
• Estudar relações entre constructos latentes.

O problema surge quando se assume que bons indicadores de fiabilidade e validade (convergene e divergente/discriminante) são suficientes para concluir que um instrumento está validado, sendo que na realidade, estes indicadores avaliam aspetos importantes da qualidade das medidas, mas não substituem a necessidade de confirmar a estrutura fatorial do instrumento.

Um erro metodológico frequente

É muito comum, na prática, muitos investigadores concluirem que um questionário está validado porque apresenta:

• Consistência Interna adequada
  • Alfa de Cronbach superior a 0,70;
  • Fiabilidade composta superior a 0,70;
• Boa validade Convergente
  • AVE superior a 0,50;
• Critérios de validade discriminante adequados
  • Entre os critérios mais utilizados encontram-se o critério de Fornell-Larcker, baseado na comparação entre a raiz quadrada da AVE e as correlações entre constructos, a análise das cargas cruzadas (cross loadings) e o rácio Heterotrait-Monotrait (HTMT). Atualmente, o HTMT é frequentemente considerado uma das abordagens mais robustas para avaliar a validade discriminante)

Contudo, estas evidências não demonstram necessariamente que os itens representam corretamente os fatores teóricos definidos pelo investigador, o que em muitos casos, apenas uma AFC permite identificar focada em questões como:

• Cargas fatoriais inadequadas;
• Itens problemáticos;
• Cargas cruzadas.
• Dimensões mal especificadas;
• Problemas de ajustamento global.

Uma abordagem recomendada

Sempre que possível, a validação de questionários deve ser encarada como um processo sequencial. Assim, uma estratégia frequentemente recomendada consiste em:

• Desenvolver ou adaptar o instrumento (com processos de tradução-retradução e validade de contéudo, se necessário)
• Realizar uma Análise Fatorial Exploratória (AFE);
• Confirmar a estrutura fatorial através de AFC em contexto CB-SEM
• Utilizar posteriormente o instrumento em modelos estruturais mais complexos, sendo desta forma, a qualidade da medida é também avaliada antes da análise das relações entre constructos.

Considerações Finais

O PLS-SEM é um método extremamente poderoso e útil para testar modelos estruturais e realizar análises preditivas. Contudo, a validação de questionários exige mais do que apenas a análise de indicadores de consistência interna, validade convergente e validade discriminante.

Entao, a demonstração de que a estrutura teórica proposta é efetivamente suportada pelos dados continua a ser um dos pilares fundamentais da validação de instrumentos.

Confundir a avaliação de métricas do modelo de medida com a validação fatorial de um questionário constitui um dos erros metodológicos mais frequentes na utilização do PLS-SEM, sendo como tal fundamental proceder a análise fatorial confirmatória através do método CB-SEM.

Para mais informações sobre os métodos PLS-SEM e CB-SEM pode também ler o nosso artigo mais especifico:

CB-SEM e PLS-SEM: quando usar cada abordagem?

Precisa de apoio na validação de Escalas de Avaliação?

Se necessita de apoio na construção, adaptação ou validação de instrumentos de medida, bem como na realização de análises fatoriais exploratórias, confirmatórias ou modelos de equações estruturais, entre em contacto. Uma escolha metodológica adequada é fundamental para garantir resultados robustos e cientificamente sustentados.

Pode contactar-nos directamente pelo whatsapp ou através dos contactos no site.

WhatsApp

A Importância da Análise de Dados e da Investigação de Mercado nas Organizações Modernas

Autor: Mário Rocha e Flávia Negrini

Introdução

Nas últimas décadas, a quantidade de informação disponível para as organizações aumentou de forma exponencial, o que levou empresas, instituições públicas, organizações sem fins lucrativos e entidades de investigação a recolherem diariamente dados provenientes de clientes, colaboradores, fornecedores, sistemas de gestão, websites, redes sociais e aplicações móveis. Contudo, a simples acumulação de dados não constitui uma vantagem competitiva, sendo que o verdadeiro valor encontra-se na capacidade de transformar essa informação em conhecimento útil para apoiar a tomada de decisão.

Davenport e Patil (2012) referiram que os dados tem um papel fulcral na economia moderna, tornando a análise de informação uma competência estratégica para organizações de diferentes dimensões. De forma semelhante, Kotler e Keller (2016) defendem que a compreensão dos consumidores, mercados e tendências constitui um dos pilares da gestão contemporânea.

Neste contexto, a investigação de mercado, a análise estatística e as abordagens mais recentes de Business Analytics aparecem como ferramentas complementares que permitem reduzir a incerteza, apoiar decisões e identificar oportunidades de melhoria. Embora os métodos e tecnologias tenham evoluído significativamente, os princípios fundamentais como formular as perguntas corretas, recolher dados de qualidade, analisar a informação de forma rigorosa e interpretar os resultados de forma adequada, permanecem inalterados.

Posto isto porque as organizações necessitam de informação para o seu processo de tomada de decisão?

Porque as Organizações Precisam de Informação para Decidir?

Todas as decisões organizacionais envolvem algum grau de incerteza e neste sentido, o lançamento de um novo produto, a definição de uma estratégia comercial, a avaliação da satisfação dos clientes ou a implementação de um programa de formação exigem informação fiável para reduzir o risco associado à decisão.

Historicamente, muitas decisões eram tomadas com base na experiência acumulada dos gestores ou em observações informais do mercado. Embora a experiência continue a desempenhar um papel importante, com a crescente complexidade dos mercados começou a ser fundamental uma abordagem mais estruturada e baseada em evidências.

Neste sentido, a utilização sistemática de dados permite compreender melhor os consumidores, identificar padrões de comportamento, monitorizar indicadores de desempenho e avaliar o impacto de intervenções organizacionais. Então, a informação passa a deixar de ser apenas um recurso operacional e passa a constituir um ativo estratégico. 

É neste que já anteriormente Davenport e Harris (2007) referiram que as organizações mais competitivas são frequentemente aquelas que conseguem transformar dados em conhecimento útil e integrar essa informação nos seus processos de decisão.

Considerando estas questões podemos então levantar a questão: Qual será o papel da investigação e estudo de mercado?

O Papel da Investigação de Mercado

A investigação de mercado é frequentemente associada à aplicação de questionários ou à realização de estudos de satisfação. No entanto, o seu alcance é muito mais abrangente.

Conforme ja referiu Malhotra (2019) a investigação de mercado consiste, essencialmente, na identificação, recolha, análise e disseminação sistemática de informação destinada a apoiar a tomada de decisão. De forma semelhante, Churchill e Iacobucci (2010) referiram que o principal objetivo da investigação consiste em produzir conhecimento relevante para compreender problemas e oportunidades organizacionais.

Entre as aplicações mais comuns da investigação de mercado encontram-se:

• Estudos de satisfação dos clientes
• Avaliação da qualidade dos serviços;
• Estudos de notoriedade e imagem de marca;
• Análise da concorrência;
• Segmentação de mercado;
• Avaliação de produtos e serviços;
• Estudos de clima organizacional;
• Avaliação de programas e projetos.

Segundo Sarstedt e Mooi (2019) a investigação de mercado deve ser vista como um processo estruturado que inclui a definição do problema, o desenho da investigação, a recolha dos dados, a análise da informação e a comunicação dos resultados. Então, para além de recolher informação, a investigação procura produzir conhecimento que permita fundamentar decisões e reduzir a incerteza.

Qual é então a importância da qualidade dos dados?

A Importância da Qualidade dos Dados

A qualidade dos resultados obtidos depende diretamente da qualidade dos dados recolhidos e uma das ideias mais importantes da metodologia de investigação é que análises sofisticadas não conseguem compensar problemas associados à recolha inadequada de informação. Então dados incompletos, enviesados ou pouco fiáveis conduzem inevitavelmente a conclusões mais frágeis ou mesmo inadequadas.

Dillman, Smyth e Christian (2014) demonstraram que erros na construção dos instrumentos de recolha podem comprometer significativamente a validade dos resultados, uma vez que questões ambíguas, linguagem inadequada, escalas mal construídas ou sequências pouco lógicas podem introduzir enviesamentos difíceis de corrigir posteriormente.

É neste sentido que a qualidade metodológica deve ser considerada desde as fases iniciais da investigação, sendo que as suas várias fases como a definição clara dos objetivos, a seleção adequada dos participantes e a construção rigorosa dos instrumentos de recolha constituem etapas fundamentais para garantir a utilidade dos resultados obtidos.

Porque são então importantes os questionários para a recolha de informação?

Questionários e Recolha de Informação

Os questionários continuam a ser um dos instrumentos mais utilizados em investigação aplicada e a sua popularidade provém da capacidade de recolher informação de um grande número de participantes de forma relativamente rápida e económica. Porém, a aparente simplicidade dos questionários pode levar à subvalorização da sua complexidade metodológica.

É neste sentido que Malhotra (2019) mencionou que um bom questionário deve ser desenvolvido a partir dos objetivos da investigação e não apenas das informações que o investigador gostaria de obter. Cada questão deve contribuir diretamente para responder ao problema em estudo. Então, entre os aspetos mais relevantes destacam-se:

• Clareza e simplicidade das perguntas;
• Adequação da linguagem ao público-alvo;
• Utilização correta das escalas de resposta;
• Ordem lógica das questões;
• Minimização de enviesamentos;
• Realização de pré-testes.

Em resumo, a qualidade dos dados recolhidos depende, em grande medida, da qualidade do instrumento utilizado. 

E no que se refere à amostragem? O que é isso é qual é a sua importância?

A Importância da Amostragem

Na maioria das situações, não é possível recolher informação junto de todos os elementos de uma população. Consequentemente, os investigadores recorrem à utilização de amostras, o que leva a que a amostragem constitua um dos pilares da investigação quantitativa.

Segundo Cochran (1977), uma amostra adequadamente selecionada permite obter estimativas fiáveis sobre uma população mais ampla. Outro anterior Kish (1965), já tinha anteriormente destacado que a representatividade da amostra é um dos fatores mais importantes para garantir a validade das conclusões. Ou seja, uma amostra enviesada pode comprometer todo o estudo, independentemente da qualidade das análises realizadas posteriormente. Neste caso, conforme refereriam Cătoiu, Stanciu e Țichindelean (2011) a inferência estatística apenas é válida quando o processo de amostragem respeita critérios metodológicos rigorosos.

Em suma, na prática, muitos erros de investigação não resultam de problemas estatísticos complexos, mas sim de amostras inadequadas ou mal definidas, e como tal a definição da população-alvo, o método de seleção dos participantes e a determinação da dimensão amostral devem receber atenção especial.

E relativamente ao processo de análise estatística dos dados? O que é mais comum? Tanto a estatistica mais geral e descritiva como os vários tipos de estatistica inferencial direccionada para o teste de hipóteses são fundamentais para um bom processo de tomada de decisão.

Da Estatística Descritiva à Estatística Inferencial

Após a recolha dos dados, torna-se necessário transformar observações em informação útil, é neste ambito que a estatística descritiva constitui frequentemente o primeiro nível de análise. Diversas medidas estatísticas como médias, frequências, percentagens, desvios-padrão, assim como representações gráficas permitem resumir grandes volumes de informação e identificar padrões relevantes. Porém é importante considera que a compreensão dos fenómenos organizacionais exige frequentemente análises mais aprofundadas.

Diversos autores de referência na àrea como Field (2018), Agresti (2018), Levine, Stephan e Szabat (2020) e Montgomery e Runger (2018) demonstram que a estatística inferencial permite generalizar conclusões obtidas numa amostra para uma população mais ampla. Assim, através de testes de hipóteses, intervalos de confiança e por exemplo, modelos de regressão é possível responder a questões como:

• Existem diferenças significativas entre grupos?
• Que fatores influenciam a satisfação dos clientes?
• Qual o impacto de uma intervenção organizacional?
• Que variáveis explicam determinado comportamento?

Em suma, todas estas abordagens permitem transformar dados em evidências que apoiam a tomada de decisão.

E quando se trata de análises mais complexas, como a análise multivariada, o que podemos dizer? E qual a sua relação com fenómenos organizacionais?

Análise Multivariada e Compreensão dos Fenómenos Organizacionais

Os fenómenos organizacionais raramente dependem de uma única variável. Temos como exemplo o fato da satisfação poder ser influenciada pela qualidade do produto, atendimento, preço, confiança e imagem da marca. Da mesma forma, o desempenho dos colaboradores pode depender de fatores relacionados com liderança, motivação, formação e clima organizacional.

Autores de referência em estatística multivariada (Hair et al, 2019, 2022) destacam a importância das técnicas multivariadas para compreender fenómenos complexos e referem igualmente que estas abordagens permitem analisar simultaneamente múltiplas variáveis e identificar relações difíceis de observar através de métodos mais simples. Assim, entre as técnicas mais utilizadas encontram-se:

• Regressão múltipla;
• Análise fatorial;
• Análise de clusters;
• Modelos de equações estruturais.

Estas ferramentas contribuem para uma compreensão mais aprofundada dos fenómenos organizacionais e apoiam decisões mais fundamentadas.

E o que podemos dizer em relação a análise de negócios, mais conhecida por business analytics? O que tem a ver com as investigações de mercado?

Da Investigação de Mercado ao Business Analytics

A investigação de mercado evoluiu significativamente ao longo das últimas décadas. Tradicionalmente, os dados eram obtidos através de questionários, entrevistas e observação. Porém, nos tempos que correm as organizações dispõem também de informação proveniente de sistemas de gestão, plataformas digitais, redes sociais e bases de dados de clientes. Foi esta evolução que deu origem a conceitos como Business Intelligence, Business Analytics e Data Analytics.

Assim, apesar das diferenças terminológicas, o objetivo continua essencialmente o mesmo: utilizar informação para apoiar decisões.

Para Davenport e Harris (2007)  as organizações mais competitivas utilizam dados como recurso estratégico. Posteriormente Wedel e Kannan (2016) reforçaram esta questão ao demonstrar que a análise de dados permite compreender melhor os consumidores, personalizar ofertas e melhorar a eficácia das estratégias de marketing.

Assim, o Business Analytics não substitui a investigação tradicional, sendo que a complementa através da integração de novas fontes de informação.

O que dizer sobre o facto de por vezes as organizações recolherem muitos dados mas não produzirem conhecimento com os mesmos?

Porque Muitas Organizações Recolhem Dados Mas Não Produzem Conhecimento?

Um dos paradoxos da atualidade é que muitas organizações recolhem grandes quantidades de informação sem conseguir transformá-la em conhecimento útil, sendo importante salientar que, por vezes, a existência de dashboards, relatórios e indicadores não garante, por si só, melhores decisões. Entre os problemas mais frequentes destacam-se:

• Falta de objetivos claros;
• Indicadores inadequados;
• Dados de baixa qualidade;
• Interpretação incorreta dos resultados;
• Ausência de ligação entre análise e decisão.

É neste sentido que Chen (2022) refere que o valor dos dados depende da capacidade de os transformar em informação acionável. De forma semelhante, Davenport e Harris (2007) sublinham que o verdadeiro desafio não consiste em recolher mais dados, mas em utilizar os dados existentes de forma inteligente.

Quais são assim os principais desafios e limitações que consideramos relevantes na investigação de mercado e na análise estatística de dados neste âmbito?

Desafios e Limitações

Apesar das suas vantagens, a análise de dados apresenta limitações. Assim, entre os desafios mais frequentes encontram-se:

• Dados incompletos;
• Enviesamentos amostrais;
• Problemas de medição;
• Interpretações incorretas;
• Confusão entre correlação e causalidade.

Em conclusão, já como tinha referido Field (2018) é muito importante compreender os pressupostos dos métodos utilizados e evitar conclusões simplistas.

A tecnologia pode facilitar a análise, mas não substitui o rigor metodológico, a interpretação crítica e o conhecimento do contexto organizacional.

Conclusão

A análise de dados e a investigação de mercado desempenham um papel central nas organizações modernas. Desde os estudos tradicionais de satisfação até às abordagens mais recentes de Business Analytics e Big Data, o objetivo permanece essencialmente o mesmo: apoiar decisões através de informação fiável e relevante.

Embora as ferramentas tecnológicas continuem a evoluir rapidamente, os fundamentos da investigação aplicada mantêm-se inalterados. A qualidade dos dados, a adequação da amostragem, o rigor da análise e a interpretação crítica dos resultados continuam a ser fatores determinantes para transformar informação em conhecimento útil.

É assim fundamental, que as organizações que investem numa cultura orientada por dados estejam melhor preparadas para compreender os seus clientes, antecipar tendências e enfrentar os desafios de um ambiente cada vez mais competitivo.

Se a sua organização pretende desenvolver estudos de mercado, avaliar a satisfação de clientes ou colaboradores, analisar dados organizacionais ou obter apoio metodológico e estatístico para projetos específicos, poderá beneficiar de acompanhamento especializado ao longo de todo o processo.

Precisa de Apoio na Recolha, Análise ou Interpretação de Dados?

Contacte-nos pelo WhatsApp

Referências Bibliográficas

Aaker, D. A., Kumar, V., & Day, G. S. (2007). Marketing Research. John Wiley & Sons.

Agresti, A. (2018). Statistical Methods for the Social Sciences (5th ed.). Pearson.

Cătoiu, I., Stanciu, O., & Țichindelean, M. (2011). Statistical Inference Used in Marketing Research. Studies in Business and Economics, 130–136.

Chen, Y. (2022). Statistics and Big Data in Business Marketing. Advances in Economics, Business and Management Research, 219, 615–618.

Churchill, G. A., & Iacobucci, D. (2010). Marketing Research: Methodological Foundations. Cengage.

Cochran, W. G. (1977). Sampling Techniques (3rd ed.). Wiley.

Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics. Harvard Business School Press.

Davenport, T. H., & Patil, D. J. (2012). Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, 90(10), 70–76.

Dillman, D. A., Smyth, J. D., & Christian, L. M. (2014). Internet, Phone, Mail, and Mixed-Mode Surveys. Wiley.

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.

Hair, J.F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.

Kish, L. (1965). Survey Sampling. Wiley.

Kotler, P., & Keller, K. L. (2016). Marketing Management (15th ed.). Pearson.

Levine, D. M., Stephan, D. F., & Szabat, K. A. (2020). Statistics for Managers Using Microsoft Excel (9th ed.). Pearson.

Malhotra, N. K. (2019). Marketing Research: An Applied Orientation (7th ed.). Pearson.

Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers (7th ed.). Wiley.

Sarstedt, M., & Mooi, E. (2019). A Concise Guide to Market Research (3rd ed.). Springer.

Wedel, M., & Kannan, P. K. (2016). Marketing Analytics for Data-Rich Environments. Journal of Marketing, 80(6), 97–121.

Análise Categórica e Principais Testes Estatísticos

Autor: Mário Rocha

Introdução

A análise categórica envolve métodos estatísticos utilizados para estudar variáveis qualitativas ou categóricas, como género, estado civil, presença/ausência de doença ou categorias de resposta em questionários. Este tipo de análise é fundamental em áreas como saúde, psicologia, marketing, educação e ciências sociais, permitindo identificar associações, padrões e probabilidades entre categorias (Hazra & Gogtay, 2016).

As variáveis categóricas podem ser nominais (sem ordem) ou ordinais (com ordem lógica), sendo que os dados são normalmente organizados em tabelas de contingência e analisados através de testes estatísticos específicos (Hazra & Gogtay, 2016).

São diversos os testes estatisticos que trabalham com dados categóricos como: 1) Teste Qui-Quadrado e respectivas alternativas, 2) Análise de Correspondéncias Simples (Anacor) e Múltiplas (MCA), 3) Regressão Logística, 4) Decision Trees (Árvores de Decisão).

1. Teste do Qui-Quadrado (χ²)

O teste do Qui-Quadrado é um dos métodos mais utilizados na análise categórica,  tendo como principal objetivo verificar se existe associação significativa entre variáveis categóricas (Hazra & Gogtay, 2016). Apresenta diferentes tipos como:

• Qui-quadrado de independência;
• Qui-quadrado de ajustamento (goodness-of-fit);
• Teste de McNemar;
• Teste exato de Fisher.

Este método estabelece a comparação entre frequências observadas com frequências esperadas e tem como principais pressupostos a necessidade dos dados serem categóricos, as observações independentes e as frequências esperadas adequadas (Hazra & Gogtay, 2016).

Em amostras pequenas, o teste exato de Fisher pode representar uma alternativa mais robusta ao Qui‑Quadrado tradicional conforme nos referiram Shan e Gerstenberger (2017). Além disso, Agresti e Caffo (2000) demonstraram melhorias importantes na estimação de intervalos de confiança associados às diferenças entre proporções.

2. ANACOR e MCA

A Análise de Correspondências (ANACOR) permite representar graficamente relações entre categorias de variáveis qualitativas. Por outro lado, a Análise de Correspondências Múltiplas (MCA) é mais utilizada quando existem várias variáveis categóricas simultaneamente.  Deste modo, a Análise de Correspondências Simples (ANACOR) é utilizada principalmente para explorar relações entre duas variáveis categóricas, enquanto a Análise de Correspondências Múltiplas (MCA) representa uma extensão da técnica para múltiplas variáveis categóricas simultaneamente (Pestana & Gageiro, 2014; Greenacre, 2017).

Estas técnicas são muito usadas em questionários, segmentação de clientes, marketing e investigação social. As principais vantagens incluem visualização intuitiva das associações, redução dimensional e identificação de perfis e agrupamentos. (Greenacre, 2017; Agresti, 2018).

Tem como principais pressupostos para a sua utilização a necessidade das variáveis a analisar serem categóricas, amostras adequadas e categorias suficientemente representadas. Estas abordagens são especialmente úteis em estudos exploratórios e análise de perfis multivariados (Pestana & Gageiro, 2014; Hair et al.,2019; Agresti, 2018).

3. Regressão Logística

A regressão logística é utilizada para prever probabilidades em variáveis dependentes categóricas. Ao contrário da regressão linear, trabalha com probabilidades entre 0 e 1 através da função logística (Maroco, 2021; Park, 2013; Sperandei, 2014).

Segundo Maroco (2021) os seus principais tipos são:

• Binária (Variável dependente ou de resposta dicotómica)
• Multinomial (Variável dependente ou de resposta nominal com mais de 2 categorias)
• Ordinal (Variável dependente ou de resposta ordinal)

Assim, a regressão logística permite estimar probabilidades, identificar fatores de risco, controlar variáveis de confusão e calcular Odds Ratios (OR), sendo amplamente utilizada na investigação científica e em modelos preditivos (Park, 2013).

Entre os principais pressupostos destacam-se independência das observações, ausência de multicolinearidade severa e tamanho amostral adequado (Sperandei, 2014).

4. Decision Trees (Árvores de Decisão)

As árvores de decisão são métodos de classificação e previsão amplamente utilizados em Data Mining e Machine Learning. O modelo divide sucessivamente os dados em grupos homogéneos através de regras simples (Song & Lu, 2015;Mienye & Jere, 2016).

Algoritmos conhecidos incluem CART, CHAID, C4.5 e QUEST (Kingsford & Salzberg, 2008; Mienye & Jere, 2016 ). Entre as principais vantagens destacam-se a facilidade de interpretação, a capacidade de lidar simultaneamente com variáveis categóricas e contínuas, a identificação automática de interações e a elevada capacidade preditiva (Kingsford & Salzberg, 2008; Song & Lu, 2015). Além disso, estas técnicas apresentam elevada flexibilidade e aplicabilidade em áreas como saúde, marketing, bioinformática, deteção de fraude e previsão de comportamento (Mienye & Jere, 2016).

Porém é importante salientar que estes modelos podem apresentar sensibilidade aos dados e risco de overfitting (Kingsford & Salzberg, 2008; Song & Lu, 2015)),  sendo que técnicas de pruning, validação cruzada e ensemble learning são frequentemente utilizadas para melhorar a robustez e generalização dos modelos (Mienye & Jere, 2016)

Conclusão

A análise categórica reúne métodos fundamentais para investigação científica e análise de dados. O Qui‑Quadrado continua a ser uma das abordagens mais utilizadas para estudar associações entre variáveis qualitativas, enquanto técnicas como ANACOR, MCA, regressão logística e árvores de decisão oferecem abordagens mais avançadas de exploração, classificação e previsão.

A escolha do método depende dos objetivos do estudo, tipo de variável e estrutura dos dados, sendo fundamental compreender os pressupostos e limitações de cada abordagem (Hazra & Gogtay, 2016; Park, 2013).

Este artigo serve apenas como uma breve introdução à temática sendo a mesma explorada de modo mais especifico em diferentes futuros artigos.

 Referências Bibliográficas

Agresti, A. (2018). Statistical Methods for the Social Sciences (5th ed.). Pearson.

Agresti, A., & Caffo, B. (2000). Simple and effective confidence intervals for proportions and differences of proportions result from adding two successes and two failures. The American Statistician, 54(4), 280–288. https://doi.org/10.1080/00031305.2000.10474560 

Hazra, A., & Gogtay, N. (2016). Comparing groups – categorical variables. Indian Journal of Dermatology, 61(4), 385–392. https://doi.org/10.4103/0019-5154.185700 

Kingsford, C., & Salzberg, S. L. (2008).  What are decision trees? Nature Biotechnology, 26(9), 1011–1013. https://doi.org/10.1038/nbt0908-1011 

Park, H.-A. (2013). An introduction to logistic regression: From basic concepts to interpretation. Journal of Korean Academy of Nursing, 43(2), 154–164. https://doi.org/10.4040/jkan.2013.43.2.154 

Shan, G., & Gerstenberger, S. (2017). Fisher’s exact approach for post hoc analysis of a chi-squared test. PLOS ONE, 12(12), e0188709. https://doi.org/10.1371/journal.pone.0188709 

Song, Y.Y., & Lu, Y. (2015). Decision tree methods: Applications for classification and prediction. Shanghai Archives of Psychiatry, 27(2), 130–135. https://doi.org/10.11919/j.issn.1002-0829.215044 

Sperandei, S. (2014). Understanding logistic regression analysis. Biochemia Medica, 24(1), 12–18.  https://doi.org/10.11613/BM.2014.003 

Fávero, L. P., Belfiore, P., Silva, F. L., & Chan, B. L. (2009). Análise de Dados: Modelagem Multivariada para Tomada de Decisões. Elsevier.

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.

Greenacre, M. (2017). Correspondence Analysis in Practice (3rd ed.). Chapman & Hall/CRC.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.

Maroco, J. (2021). Análise Estatística com o SPSS Statistics (8º Edição). Report Number.

Mienye, I. D., & Jere, N. (2016). A Survey of Decision Trees: Concepts, Algorithms, and Applications. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3416838 

Pestana, M. H., & Gageiro, J. N. (2014). Análise de Dados para Ciências Sociais: A Complementaridade do SPSS (6.ª Edição). Edições Sílabo.