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.

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.

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

Autor: Mário Rocha

A Modelagem de Equações Estruturais (SEM) é uma família de técnicas que permite analisar, no mesmo modelo, relações entre variáveis latentes e indicadores observáveis. Na prática, junta a lógica da análise fatorial com a análise de caminhos/regressão, sendo útil quando o investigador quer testar relações complexas por exemplo entre conceitos como satisfação, intenção, desempenho, confiança ou adoção tecnológica. A literatura distingue sobretudo duas abordagens: CB-SEM, baseada em covariâncias, e PLS-SEM, baseada em variância/compósitos (Dash & Paul, 2021; Hair et al., 2017).

O CB-SEM é mais indicado quando a teoria já está bem consolidada e o objetivo principal é confirmar se o modelo teórico se ajusta bem aos dados. A sua lógica é comparar a matriz de covariâncias observada com a matriz estimada pelo modelo, dando grande importância a índices de ajustamento como qui-quadrado (x²/gl), CFI, TLI, RMSEA, GFI e SRMR. Por isso, é uma abordagem forte para validação teórica, análise fatorial confirmatória e modelos reflexivos/fatoriais, mas tende a exigir mais dos dados, nomeadamente amostras adequadas, boa qualidade de medição e, em muitos casos, pressupostos de normalidade (Dash & Paul, 2021; Vargör & Öğretmen, 2025).

O PLS-SEM, por sua vez, é geralmente escolhido quando o objetivo é explicar e prever. Em vez de tentar reproduzir a matriz de covariâncias, procura maximizar a variância explicada dos constructos dependentes. Por isso, tornou-se popular em estudos exploratórios, modelos complexos, desenvolvimento de teoria, investigação aplicada e contextos em que o interesse está mais na capacidade preditiva do que no ajustamento global do modelo (Hair et al., 2022; Henseler et al., 2009; Richter et al., 2020; Ringle et al., 2023; Sarstedt et al., 2020; Changalima & Chuwa, 2025). Hair et al. (2017) sublinham, também, que o PLS-SEM trabalha com a lógica de compósitos e utiliza a variância total, enquanto o CB-SEM trabalha sobretudo com variância comum.

Tabela comparativa entre CB-SEM e PLS-SEM

Alguns resultados empíricos reforçam esta distinção. No estudo de Dash e Paul (2021), com 466 respondentes, as cargas dos itens tenderam a ser mais elevadas no PLS-SEM, enquanto o CB-SEM se destacou por oferecer uma avaliação mais completa do ajustamento global. O mesmo estudo mostrou que o PLSc – uma versão consistente do PLS – produz relações estruturais mais próximas do CB-SEM, sobretudo quando o modelo é de natureza fatorial/reflexiva.

Hair et al. (2017) também observaram que o PLS-SEM tende a reter mais indicadores e a apresentar bons níveis de fiabilidade composta e validade convergente, enquanto o CB-SEM pode exigir a eliminação de itens para atingir bom ajustamento. No entanto, estes autores não tratam os métodos como rivais: a escolha depende da pergunta de investigação. Se a prioridade é confirmar uma teoria, o CB-SEM é mais natural; se a prioridade é previsão e explicação prática, o PLS-SEM pode ser mais adequado.

Investigações recentes tornam a discussão ainda mais equilibrada. Vargör e Öğretmen (2025), ao compararem CB-SEM, PLS-SEM e PLSc-SEM em dados do PISA, concluíram que o CB-SEM apresentou melhores índices de ajustamento, enquanto PLS-SEM e PLSc-SEM foram úteis para parâmetros de fiabilidade e validade. Porém, alertam que é incorreto dizer que o PLS-SEM é sempre preferível em amostras pequenas ou distribuições não normais. Também Henseler e Schuberth (2024) acrescentam que tanto CB-SEM como PLSc evoluíram e podem lidar com modelos que incluem fatores comuns e compósitos, desde que o modelo seja especificado corretamente.

Assim, a melhor decisão não é perguntar qual método é melhor, mas qual método serve melhor o objetivo do estudo. Então, a mensagem essencial é simples: CB-SEM é mais forte para confirmação teórica e avaliação rigorosa de modelos fatoriais e estruturais. Já o PLS-SEM é mais forte para previsão, exploração e modelos orientados para variância. Em ambos os casos, a teoria, a qualidade dos dados, o tipo de constructo e a transparência na justificação metodológica continuam a ser mais importantes do que a escolha automática de um software.

Referências Bibliográficas

Changalima, I.A., & Chuwa, M.P. (2025). Partial Least Squares Structural Equation Modeling (PLS-SEM) in business research: A simple guide for novice researchers. International Journal of Research in Business and Social Science, 14(9), 497-506. https://doi.org/10.20525/ijrbs.v14i9.4601 

Dash, G., & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting. Technological Forecasting and Social Change, 173. https://doi.org/10.1016/j.techfore.2021.121092 

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.

Hair Jr., J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: Updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), 107-123. https://doi.org/10.1504/IJMDA.2017.087624 

Henseler, J., & Schuberth, F. (2024). Should PLS become factor-based or should CB-SEM become composite-based? Both! European Journal of Information Systems, 34 (3). https://doi.org/10.1080/0960085X.2024.2357123 

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277–319.  https://doi.org/10.1108/S1474-7979(2009)0000020014

Richter, N. F., Schubring, S., Hauff, S., Ringle, C. M., & Sarstedt, M. (2020). When Predictors of Outcomes are Necessary: Guidelines for the Combined Use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12), 2243–2267. https://doi.org/10.1108/IMDS-11-2019-0638

Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2023). Partial Least Squares Structural Equation Modeling in HRM Research. The International Journal of Human Resource Management, 31(12), 1617–1643. https://doi.org/10.1080/09585192.2017.1416655

Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2020). How to Specify, Estimate, and Validate Higher-Order Constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211. https://doi.org/10.1016/j.ausmj.2019.05.003

Vargör, D., & Öğretmen, T. (2025). Comparison of covariance-based structural equation model and partial least squares equality models. General Surgery and Clinical Medicine, 3(2), 1-9. https://doi.org/10.21203/rs.3.rs-4991578/v1 

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

Autores: Mário Rocha e Flávia Negrini

A escolha metodológica representa uma das etapas mais importantes em qualquer investigação científica. Apesar disso, muitos investigadores iniciam os seus estudos focando-se primeiro na análise estatística ou no software a utilizar, negligenciando a definição adequada da metodologia. Porém é fundamental referir que a literatura científica demonstra claramente que a análise estatística deve ser consequência do desenho metodológico e não o ponto de partida.

No presente artigo apresentam-se algumas questões que consideramos de extrema relevância para uma adequada e mais robusta Investigação Científica, como:

1. Metodologia Qualitativa e Quantitativa: Quais as diferenças e quando utilizar

A distinção entre metodologia qualitativa e quantitativa constitui uma das decisões mais relevantes em investigação científica. 

Autores relevantes na área como Creswell e Creswell (2018) referiram que a investigação quantitativa procura medir fenómenos, testar hipóteses e identificar relações estatísticas entre variáveis, caracterizando-se normalmente pela utilização de dados numéricos, instrumentos padronizados e análises estatísticas.

Por outro lado referem que a investigação qualitativa procura compreender fenómenos em profundidade, explorando significados, experiências e contextos específicos. Neste tipo de metodologia os dados são frequentemente recolhidos através de entrevistas, observação ou análise documental.

Então, enquanto a investigação quantitativa responde frequentemente a questões como: “Existe relação entre as variáveis?” e “Qual o impacto de X sobre Y?”, a investigação qualitativa procura compreender questões: “Como os participantes interpretam determinado fenómeno?” e “Quais os significados atribuídos às experiências?”

1.1. Quando utilizar a Metodologia Quantitativa?

A metodologia quantitativa tende a ser mais adequada quando o investigador pretende:

• Testar hipóteses;
• Medir relações entre variáveis;
• Comparar grupos;
• Generalizar resultados;

Alguns exemplos são:
• Estudos correlacionais;
• Estudos experimentais;
• Surveys;
• Modelagem de equações estruturais;
• Estudos econométricos.

Neste contexto, análises estatísticas como regressão, ANOVA, SEM e análise multigrupos tornam-se particularmente relevantes.

1.2. Quando utilizar metodologia qualitativa?

A metodologia qualitativa tende a ser mais adequada quando o investigador pretende:

• Compreender fenómenos complexos;
• Explorar experiências subjetivas;
• Analisar contextos específicos;
• Aprofundar interpretações.

Segundo Yin (2018), abordagens qualitativas são particularmente úteis quando existe forte influência contextual ou quando o fenómeno é ainda pouco compreendido.

Alguns exemplos deste tipo de metodologias são:

• Entrevistas em profundidade;
• Grupos focais;
• Análise temática;
• Análise de conteúdo;
• Estudos etnográficos.

2. O Estudo de Caso: Uma abordagem em comum

O estudo de caso representa uma das abordagens metodológicas mais utilizadas em investigação qualitativa, embora também possa incorporar elementos quantitativos.

Segundo Yin (2018), o estudo de caso é particularmente útil quando o objetivo consiste em compreender fenómenos contemporâneos em contexto real. Anteriormente outro autor (Stake, 1995) também referiu que o mesmo permite explorar profundamente situações específicas, organizações, indivíduos ou processos complexos.

Alguns exemplos da sua aplicação incluem:

• Análise de uma empresa específica;
• Implementação de determinada tecnologia;
• Estudos clínicos;
• Processos educativos;
• Inovação organizacional.

2.1. Estudo de caso vs Investigação Quantitativa

Uma das maiores diferenças entre estudos de caso e investigação quantitativa tradicional relaciona-se com os objetivos científicos. 

Na investigação quantitativa:

• Procura-se frequentemente generalização estatística;
• Utilizam-se amostras maiores;
• Existe maior foco em relações causais.

Já nos estudos de caso:

• Existe maior profundidade contextual;
• A interpretação assume maior relevância;
• A compreensão detalhada do fenómeno é prioritária.

Tal facto não significa que uma abordagem seja superior à outra, sendo que a sua escolha depende dos objetivos da investigação e das questões científicas formuladas.

3. Relação entre Metodologia e Análise Estatística

A escolha metodológica influencia diretamente a futura análise estatística.

Por exemplo:

• Estudos experimentais podem recorrer por exemplo ao Teste T ou à ANOVA;
• Estudos correlacionais utilizam regressão ou SEM;
• Estudos longitudinais podem recorrer a modelos de crescimento;
• Estudos multinível exigem frequentemente multilevel modeling;
• Estudos qualitativos recorrem à análise temática ou análise de conteúdo.

Posto isto é muito importante ter em conta que segundo Hair et al. (2022), muitos erros metodológicos ocorrem precisamente porque investigadores escolhem técnicas estatísticas sem considerar adequadamente o desenho metodológico.Apresentamos de seguida alguns dos erros metodológicos mais comuns

3.1. Erros metodológicos mais comuns

Entre os erros metodológicos mais frequentes destacam-se:

• Escolher primeiro a análise estatística e só depois a metodologia;
• Utilizar técnicas complexas sem fundamentação;
• Utilizar SEM sem teoria adequada;
• Utilizar amostras inadequadas;
• Confundir profundidade qualitativa com generalização quantitativa.

Field (2018) já nos alertou para o facto de mesmo análises estatísticas avançadas poderem produzir resultados inválidos quando o desenho metodológico é inadequado.

Conclusão

Em suma, a metodologia científica deve orientar todas as decisões relacionadas com a investigação, incluindo a futura análise estatística. A escolha entre metodologia qualitativa, quantitativa ou estudo de caso depende dos objetivos científicos, das questões de investigação e da natureza do fenómeno estudado.

Mais importante do que utilizar técnicas estatísticas complexas é garantir coerência metodológica, fundamentação teórica e adequação entre objetivos, desenho de investigação e análise dos dados.

Referências Bibliográficas

Creswell, J.W. & Creswell, J.D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. Sage, Los Angeles.

Field, A.P. (2018). Discovering Statistics Using IBM SPSS Statistics (5th Ed). Sage, Newbury Park.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equaton Modeling (PLS-SEM) (3rd ed.). Sage. https://doi.org/10.1007/978-3-030-80519-7 

Stake, R.E. (1995). The Art of Case Study Research. Sage Publications, Thousand Oaks.Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

A Evolução da Análise Estatística na Investigação Científica: Da Estatística Clássica às Novas Ferramentas de Análise de Dados

Autor: Mário Rocha

É relevante a evolução da análise estatística nas últimas décadas, acompanhando o desenvolvimento de novas metodologias, o aumento da complexidade dos dados e as exigências crescentes da investigação científica contemporânea. Embora softwares clássicos como o SPSS e o AMOS continuem amplamente utilizados no contexto académico e profissional, novas ferramentas têm vindo a ganhar destaque devido à sua flexibilidade, acessibilidade e integração com abordagens estatísticas mais modernas, apresentando um enorme contributo para a evolução da análise estatística e da metodologia ciêntifica.

Atualmente, Softwares como JASP, Jamovi, Factor, SmartPLS, R oferecem soluções cada vez mais completas para análise de dados, permitindo realizar desde análises descritivas e testes inferenciais até modelos fatoriais, análise multivariada, psicometria avançada e modelos de equações estruturais. Estas ferramentas destacam-se não apenas pela diversidade de procedimentos disponíveis, mas também pela crescente preocupação com a transparência metodológica, reprodutibilidade científica e interpretação dos resultados.

A Evolução da Análise Estatística e os Novos Softwares

Durante muitos anos, softwares como o SPSS e AMOS dominaram a investigação aplicada em áreas como Psicologia, Educação, Ciências da Saúde, Gestão e Ciências Sociais. A sua interface intuitiva e facilidade de utilização contribuíram para uma ampla disseminação da análise estatística em contextos académicos e profissionais.

Contudo, a evolução da análise estatística trouxe novas exigências metodológicas. A necessidade de integrar modelos mais complexos, análise de fiabilidade avançada, bootstrap, validação psicométrica, análise fatorial confirmatória e modelos de equações estruturais levou ao crescimento de plataformas mais flexíveis e adaptadas às abordagens estatísticas atuais.

Neste contexto, softwares gratuitos como JASP e Jamovi têm vindo a assumir um papel particularmente relevante. Estas plataformas permitem realizar análises estatísticas robustas através de interfaces intuitivas, aproximando procedimentos metodológicos mais avançados de investigadores com diferentes níveis de experiência estatística. É importante destacar também softwares mais específicos como o Factor para análise fatorial exploratória.

Além disso, ferramentas como o SmartPLS tornaram-se especialmente relevantes no contexto dos modelos de equações estruturais baseados em variância (PLS-SEM), sendo frequentemente utilizadas em estudos exploratórios, modelos preditivos e investigação aplicada em áreas multidisciplinares.

Reprodutibilidade Científica e Transparência Metodológica

Um dos aspetos mais relevantes na evolução recente da análise estatística relaciona-se com a crescente preocupação com a reprodutibilidade científica. Atualmente, não basta apenas apresentar resultados estatísticos. É igualmente importante justificar as opções metodológicas adotadas, garantir coerência entre objetivos, hipóteses e análises realizadas, bem como assegurar transparência na interpretação dos resultados.

Neste sentido, softwares como R, JASP e Jamovi têm contribuído para aproximar a investigação científica de práticas metodológicas mais transparentes e reprodutíveis. A integração de relatórios automáticos, sintaxe, outputs organizados e documentação mais clara facilita não apenas a análise dos dados, mas também a revisão crítica dos procedimentos utilizados.

A Importância da Interpretação Metodológica

Apesar da evolução tecnológica e do aparecimento de ferramentas estatísticas cada vez mais avançadas, nenhum software substitui a necessidade de compreensão metodológica. A escolha do teste estatístico, a avaliação dos pressupostos, a interpretação dos resultados e a adequação entre modelo teórico e análise empírica continuam a ser elementos centrais para a qualidade científica da investigação.

Assim, mais importante do que utilizar um software específico é compreender a lógica metodológica subjacente às análises realizadas. Diferentes programas podem produzir resultados semelhantes, mas a qualidade da investigação dependerá sempre da coerência conceptual, da fundamentação estatística e da interpretação crítica dos dados.

 Considerações Finais

A evolução da análise estatística reflete não apenas avanços tecnológicos, mas também mudanças profundas na forma como a investigação científica é conduzida e interpretada. O crescimento de softwares como JASP, Jamovi, SmartPLS e R demonstra uma tendência crescente para metodologias mais acessíveis, flexíveis e alinhadas com os princípios atuais da ciência aberta e da reprodutibilidade.

Neste espaço procuramos precisamente acompanhar essa evolução metodológica, conciliando abordagens estatísticas clássicas com ferramentas mais recentes, sempre com foco na clareza, rigor científico e adequação das análises aos objetivos concretos de cada investigação.

Precisa de apoio em análise estatística, metodologia ou validação de instrumentos? Entre em contacto.

Outros Artigos Relevantes

JASP e Jamovi vs SPSS: Comparação Técnica, Vantagens e Aplicações Académicas

Construção e Adaptação de Questionários: Fundamentos Metodológicos e Validação

Estatística e Consultoria em Análise Estatística: Importância para a Investigação e Empresas

Estatística para Empresas: Como a Análise de Dados Melhora Decisões e Resultados

JASP e Jamovi vs SPSS: Comparação Técnica, Vantagens e Aplicações Académicas

Autor: Mário Rocha

Nos últimos anos, o panorama da análise estatística académica tem evoluído significativamente. Embora o SPSS continue a ser amplamente utilizado, ferramentas open-source como o JASP e o Jamovi têm vindo a ganhar relevância devido à sua robustez, transparência e alinhamento com os princípios de ciência aberta.

1. Base Estatística: Integração com R

Tanto o JASP como o Jamovi são baseados em R (R Core Team), o que garante robustez matemática, transparência nos algoritmos e atualização contínua da comunidade científica. A utilização do motor R permite que os cálculos estatísticos sejam sustentados por bibliotecas validadas internacionalmente.

2. JASP – Características Avançadas

O JASP integra estatística clássica e bayesiana numa interface intuitiva. Inclui testes t, ANOVA, regressões lineares e logísticas, análises fatoriais, modelos mistos e SEM.

Uma vantagem distintiva é a integração nativa de estatística bayesiana, permitindo cálculo de Bayes Factors sem necessidade de módulos externos.

3. Jamovi – Estrutura Modular

O Jamovi apresenta interface semelhante ao SPSS, facilitando a adaptação. Permite análises descritivas, inferenciais, regressões, AFE, AFC e modelos lineares gerais.

Através de módulos adicionais, é possível realizar mediação, moderação e modelos estruturais.

4. Comparação Técnica Estruturada

5. Vantagens para Investigação Académica

A utilização de softwares gratuitos reduz barreiras económicas, promove maior acessibilidade e está alinhada com práticas contemporâneas de ciência aberta e reprodutibilidade científica.

6. Posicionamento Estratégico

Para estudantes e investigadores que desenvolvem teses, dissertações ou artigos científicos, JASP e Jamovi representam soluções modernas, robustas e metodologicamente adequadas. A escolha do software deve estar alinhada com os objetivos do estudo, tipo de análise e contexto institucional.

7. Alguns artigos interessantes a ter em conta sobre Jasp e Jamovi

Tem sido já diversos os estudos realizados sobre o funcionamento e com a utilização destes softwares, como por exemplo:

• Coffee, Data and Jamovi: The Perfect Recipe for great Statistical Analysis – Artigo de 2025 sobre o jamovi e as suas caracteristicas e funcionalidades. (https://doi.org/10.37497/jsim.v12.id178.2025)
• A review of user-friendly freely-available statistical analysis software for medical researchers and biostatisticians – Artigo de 2024 sobre softwares frequentemente utilizados em pesquisas médicas como o caso do Jasp e Jamovi (https://doi.org/10.1080/27684520.2024.2322630)
• Sport anxiety and subjective happiness of college athletes– Estudo realizado em 2024 com recurso ao SPSS e Jasp para análise estatística de dados. (https://doi.org/10.3389/fpsyg.2024.1400094)
• Enhancing Student’s Performance and Attitude in Statistics Through the Use of Jamovi Software – Estudo realizado em 2025 sobre o impacto do uso do jamovi na performance e e atitudes dos estudantes (https://www.ejournals.ph/article.php?id=30783)
• Energy Expenditure of Special Forces Soldiers in Relation to External Load– Estudo de 2025 em que foi utilizado o Jamovi para análise estatística. (https://doi.org/10.3390/nu18010027)
• We Need Engaged Workers! A Structural Equation Modeling Study from the Positive Organizational Psychology in Times of COVID-19 in Chile – Estudo de 2022 em que foi utilizado o Jasp para a análise estatística de dados. (https://doi.org/10.3390/ijerph19137700)
• Structural Equation Modeling (SEM) in Jamovi: An example of analyzing the impact of factors on enterprise innovation activity – Estudo de 2025 desenvolvido com o apoio estatistico do Jamovi. (https://doi.org/10.35784/acs_7037)

Conclusão

JASP e Jamovi não são apenas alternativas gratuitas ao SPSS, mas ferramentas estatísticas com potencial técnico elevado, sustentadas por R e alinhadas com a evolução da investigação científica contemporânea.

p-valor, Effect Size e Intervalos de Confiança: Interpretação e Valores de Referência

Autor: Mário Rocha

O p-valor, o tamanho do efeito (effect size) e os intervalos de confiança são três componentes centrais da inferência estatística. Apesar de frequentemente utilizados em conjunto, representam conceitos distintos e complementares. A sua correta interpretação é fundamental na investigação científica e na elaboração de teses, dissertações e artigos académicos.

1. O p-valor: Definição e Interpretação

O p-valor representa a probabilidade de observar resultados tão extremos quanto os obtidos, assumindo que a hipótese nula é verdadeira. Importa salientar que o p-valor não representa a probabilidade da hipótese nula ser verdadeira, nem mede a magnitude do efeito observado.

A prática convencional tem utilizado o nível de significância α = 0,05 como critério de decisão. No entanto, conforme salientado pela American Statistical Association (ASA), o p-valor não deve ser utilizado como único critério para conclusões científicas (Wasserstein & Lazar, 2016).

2. Tamanho do Efeito (Effect Size)

O tamanho do efeito quantifica a magnitude da diferença ou associação observada. Ao contrário do p-valor, o effect size não depende diretamente do tamanho da amostra.

Cohen (1988) propôs valores de referência amplamente utilizados para o d de Cohen: d ≈ 0,2 (pequeno), 0,5 (moderado) e 0,8 (grande). Estes valores são indicativos e devem ser interpretados no contexto específico da área científica.

Lakens (2013) reforça a importância de reportar medidas de tamanho do efeito para permitir comparações entre estudos e meta-análises.

3. Intervalos de Confiança

Os intervalos de confiança (IC) fornecem um intervalo plausível de valores para o parâmetro populacional. Um IC de 95% indica que, em amostragens repetidas, 95% dos intervalos construídos conteriam o verdadeiro parâmetro.

Cumming (2014) argumenta que os intervalos de confiança devem ser privilegiados em detrimento da interpretação exclusiva baseada no p-valor, por fornecerem informação sobre precisão e magnitude.

4. Integração dos Três Elementos

A interpretação adequada de resultados estatísticos deve integrar: (1) significância estatística (p-valor), (2) magnitude do efeito (effect size), e (3) precisão da estimativa (intervalo de confiança).

5. Como reportar em Teses e Artigos Científicos

Segundo o Publication Manual of the American Psychological Association (2020), devem ser reportados valores exatos de p (por exemplo, p = 0,032), juntamente com o tamanho do efeito e, sempre que possível, intervalos de confiança.

Exemplo de reporte adequado: ‘Verificou-se uma diferença estatisticamente significativa entre os grupos, t(98) = 2,45, p = 0,016, d = 0,49, IC95% [0,10, 0,88].’

Referências

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29.

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. Frontiers in Psychology, 4, 863.

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s statement on p-values. The American Statistician, 70(2), 129–133.

Estatística para Empresas: Como a Análise de Dados Melhora Decisões e Resultados

Autor: Mário Rocha e Flávia Negrini

A estatística aplicada às empresas é uma ferramenta estratégica fundamental para melhorar a tomada de decisão, reduzir riscos e aumentar a competitividade. Num contexto empresarial cada vez mais orientado por dados, a capacidade de recolher, analisar e interpretar informação quantitativa pode determinar o sucesso ou fracasso de um projeto, produto ou estratégia de mercado.

1. O Papel da Estatística na Gestão Empresarial

A estatística permite transformar dados brutos em informação útil para suporte à decisão. Através de métodos descritivos e inferenciais, as empresas conseguem identificar padrões de consumo, avaliar desempenho, medir satisfação de clientes e prever tendências futuras.

A utilização de indicadores estatísticos contribui para decisões baseadas em evidência, em vez de intuição isolada.

2. Principais Aplicações da Estatística nas Empresas

Entre as aplicações mais relevantes destacam-se:

– Estudos de mercado e análise de comportamento do consumidor

– Avaliação de desempenho organizacional

– Análise de risco e previsão financeira

– Testes de hipóteses para comparação de estratégias

– Modelos preditivos para planeamento estratégico

3. Estatística Descritiva e Inferencial no Contexto Empresarial

A estatística descritiva resume e organiza dados através de médias, medianas, desvio padrão e gráficos. Já a estatística inferencial permite tirar conclusões sobre populações com base em amostras, utilizando testes estatísticos, intervalos de confiança e modelos preditivos.

A combinação destas abordagens fornece uma visão robusta da realidade empresarial.

4. Benefícios da Análise Estatística para Empresas

– Redução da incerteza na tomada de decisão

– Identificação de oportunidades de crescimento

– Otimização de processos internos

– Melhor segmentação de clientes

– Avaliação objetiva de estratégias implementadas

5. A Importância da Qualidade dos Dados

A qualidade da análise depende diretamente da qualidade dos dados recolhidos. Erros de amostragem, viés ou inconsistências podem comprometer resultados e decisões estratégicas. Por isso, é essencial aplicar métodos estatísticos adequados e garantir rigor metodológico.

6. Estatística e Transformação Digital

Com o crescimento da digitalização, as empresas geram grandes volumes de dados. A estatística é a base que sustenta técnicas mais avançadas como análise preditiva e inteligência artificial, permitindo transformar dados em vantagem competitiva.

Conclusão

A estatística para empresas não é apenas uma ferramenta técnica, mas um instrumento estratégico de gestão. Empresas que adotam uma cultura orientada por dados conseguem tomar decisões mais informadas, reduzir riscos e melhorar resultados de forma sustentável.

Se pretende aplicar análise estatística na sua empresa, desenvolver estudos de mercado ou avaliar estratégias com base em dados concretos, um acompanhamento especializado pode garantir maior rigor e eficiência nos resultados.

Diferença entre p-valor e Effect Size: Significância Estatística vs Magnitude do Efeito

Autor: Mário Rocha

A distinção entre p-valor e tamanho do efeito (effect size) é fundamental para uma interpretação rigorosa dos resultados estatísticos em investigação científica. Embora frequentemente reportados em conjunto, estes dois indicadores respondem a questões diferentes. Enquanto o p-valor informa sobre evidência contra a hipótese nula, o effect size quantifica a magnitude real da diferença ou relação observada.

1. O que mede o p-valor?

O p-valor representa a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) é verdadeira. Se p ≤ α (tipicamente 0,05), rejeita-se H0. No entanto, o p-valor não indica a magnitude do efeito nem a sua relevância prática.

Conforme destacado pela American Statistical Association (ASA), o p-valor não mede a importância de um resultado nem a probabilidade de uma hipótese ser verdadeira (Wasserstein & Lazar, 2016).

2. O que é o Effect Size?

O tamanho do efeito (effect size) quantifica a magnitude da diferença entre grupos ou a força da relação entre variáveis. Exemplos comuns incluem o d de Cohen, eta quadrado (η²), r de Pearson e odds ratio.

O effect size responde à pergunta: ‘Quão grande é o efeito observado?’ Enquanto o p-valor responde apenas se o efeito é estatisticamente detetável.

3. Porque o p-valor não é suficiente?

O p-valor é fortemente influenciado pelo tamanho da amostra. Em amostras muito grandes, efeitos pequenos podem tornar-se estatisticamente significativos. Por outro lado, em amostras pequenas, efeitos relevantes podem não atingir significância estatística.

Por essa razão, investigadores como Cohen (1988) defenderam a necessidade de reportar sempre medidas de tamanho do efeito juntamente com testes de significância.

4. Interpretação conjunta: boa prática científica

A interpretação adequada de resultados estatísticos deve considerar simultaneamente:

– p-valor (evidência estatística)

– Effect size (magnitude do efeito)

– Intervalos de confiança

– Enquadramento teórico e relevância prática

A literatura recente reforça que decisões científicas não devem basear-se exclusivamente num limiar arbitrário de significância (Cumming, 2014; Lakens, 2013).

5. Exemplo prático

Imagine um estudo que compara dois métodos de ensino. O teste t apresenta p = 0,001, indicando diferença estatisticamente significativa. No entanto, o d de Cohen = 0,15, o que corresponde a um efeito pequeno. Neste caso, apesar da significância estatística, a relevância prática pode ser limitada.

Conclusão

A distinção entre p-valor e effect size é crucial para garantir rigor metodológico. O p-valor indica evidência contra a hipótese nula; o effect size informa sobre a magnitude do fenómeno observado. Uma investigação estatisticamente sólida deve reportar ambos e interpretar os resultados de forma integrada.

Referências

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863

Wasserstein, R., & Lazar, N. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108

Interpretação Correta do p-valor: Erros Comuns e Boas Práticas

Autor: Mário Rocha

O p-valor é um dos conceitos mais utilizados – e simultaneamente mais mal interpretados – na análise estatística inferencial. Em teses, dissertações e artigos científicos, uma interpretação incorreta do p-valor pode comprometer a validade das conclusões e enfraquecer a qualidade metodológica do estudo. Neste artigo, explicamos de forma técnica e fundamentada o que realmente significa o p-valor, quais os erros mais comuns na sua interpretação e como utilizá-lo corretamente no contexto da investigação científica.

O que é o p-valor?

O p-valor representa a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) é verdadeira. Isto significa que o p-valor é sempre calculado sob a suposição de que não existe efeito, diferença ou relação na população.

Se o p-valor for inferior ao nível de significância previamente definido (normalmente α = 0,05), rejeita-se a hipótese nula. Caso contrário, não se rejeita H0. Importa sublinhar que ‘não rejeitar H0’ não significa aceitar H0 como verdadeira.

Erro 1: Interpretar o p-valor como a probabilidade da hipótese ser verdadeira

Um dos erros mais frequentes é afirmar que um p-valor de 0,03 significa que existe 3% de probabilidade da hipótese nula ser verdadeira. Esta interpretação está incorreta. O p-valor não fornece a probabilidade de H0 ser verdadeira, mas sim a probabilidade dos dados observados ocorrerem assumindo que H0 é verdadeira.

Erro 2: Confundir significância estatística com relevância prática

Um resultado estatisticamente significativo não implica necessariamente relevância prática ou importância clínica. Com amostras grandes, pequenas diferenças podem produzir p-valores muito baixos, mesmo quando o efeito é pouco relevante. Por isso, é essencial complementar a análise com medidas de tamanho de efeito.

Erro 3: Considerar 0,051 como totalmente diferente de 0,049

A interpretação rígida do limiar de 0,05 pode levar a conclusões artificiais. Um p-valor de 0,049 e outro de 0,051 representam evidências muito semelhantes contra H0. A decisão estatística não deve ser vista como um interruptor binário, mas como parte de uma análise mais ampla.

Boas Práticas na Interpretação do p-valor

Para garantir rigor científico, recomenda-se:

– Definir o nível de significância antes da análise

– Reportar o valor exato do p-valor

– Apresentar medidas de tamanho de efeito

– Interpretar os resultados no contexto teórico do estudo

– Evitar conclusões absolutas baseadas apenas no p-valor

Como Reportar o p-valor em Trabalhos Académicos

Segundo normas académicas como APA, o p-valor deve ser apresentado com três casas decimais (por exemplo, p = 0,032). Quando o valor for inferior a 0,001, pode reportar-se como p < 0,001.

Conclusão

O p-valor é uma ferramenta fundamental na estatística inferencial, mas deve ser interpretado com rigor e cautela. A sua utilização isolada pode levar a interpretações erradas. Uma análise estatística robusta exige consideração conjunta de pressupostos, tamanho de efeito, intervalo de confiança e enquadramento teórico.

Se necessita de apoio na interpretação correta de resultados estatísticos na sua tese ou investigação científica, um acompanhamento especializado pode garantir maior rigor e segurança metodológica.

Entre em contacto connosco para mais informações

Como Fazer um Teste de Hipóteses na Prática: Pequeno Guia Passo a Passo

Autor: Mário Rocha

Depois de compreender os conceitos fundamentais, é importante saber aplicar corretamente um teste de hipóteses. Aqui apresentamos um guia prático passo a passo.

Passo 1 – Definir a pergunta de investigação

A pergunta deve ser clara, específica e mensurável. Exemplo: ‘Existe diferença significativa entre dois grupos independentes?’

Passo 2 – Formular H0 e H1

Definir corretamente as hipóteses é essencial para orientar toda a análise estatística.

Passo 3 – Escolher o teste estatístico adequado

Alguns testes comuns incluem:

– Teste t (comparação de médias)

– ANOVA (comparação de médias de três ou mais grupos)

– Qui-quadrado (Teste de associação entre variáveis categóricas)

– Testes não paramétricos (quando pressupostos não são cumpridos)

Passo 4 – Verificar pressupostos

Antes de aplicar o teste, deve verificar normalidade, homogeneidade de variâncias e independência das observações.

Passo 5 – Calcular o p-valor e interpretar

Após aplicar o teste, compare o p-valor com o nível de significância e interprete os resultados no contexto do estudo.

Erros mais comuns

– Interpretar mal o p-valor

– Escolher o teste errado

– Ignorar pressupostos

– Confundir significância estatística com relevância prática

Tem alguma dúvida ou necessidade de esclarecimento ou apoio nas suas análises?

Entre em contacto Connosco!!

Teste de Hipóteses na Estatística: Guia Resumo, Simples e Aplicado

Autor: Mário Rocha

Os testes de hipóteses são uma das ferramentas mais importantes da estatística inferencial. Eles permitem tomar decisões baseadas em dados, reduzindo a incerteza e aumentando a validade científica das conclusões. Se está a desenvolver uma tese, dissertação ou projeto empresarial, compreender corretamente os testes de hipóteses é essencial.

O que é um Teste de Hipóteses?

Um teste de hipóteses é um procedimento estatístico utilizado para avaliar uma afirmação sobre uma população com base numa amostra. O objetivo é verificar se existe evidência suficiente para rejeitar uma hipótese inicial.

Hipótese Nula (H0) e Hipótese Alternativa (H1)

A hipótese nula (H0) representa a situação de referência ou ausência de efeito. A hipótese alternativa (H1) representa a existência de diferença, efeito ou relação.

Exemplo prático:

H0: A média de satisfação dos clientes não mudou.

H1: A média de satisfação dos clientes mudou.

Nível de Significância (α)

O nível de significância (geralmente 0,05) representa a probabilidade de cometer um erro ao rejeitar a hipótese nula quando esta é verdadeira.

O que é o p-valor?

O p-valor indica a probabilidade de obter resultados iguais ou mais extremos do que os observados, assumindo que a hipótese nula é verdadeira. Se o p-valor for inferior ao nível de significância, rejeita-se H0.

Erro Tipo I e Erro Tipo II

Erro Tipo I: Rejeitar H0 quando ela é verdadeira.

Erro Tipo II: Não rejeitar H0 quando ela é falsa.

Para mais informações e apoio técnico para o seu projecto entre em contacto connosco!!

Inteligência Artificial e Estatística: Uma Relação Fundamental

Autor: Mário Rocha

Introdução

A Inteligência Artificial (IA) tem vindo a assumir um papel central na transformação digital de organizações e na produção de conhecimento científico. Contudo, por detrás de muitos sistemas de IA encontram-se princípios estatísticos sólidos. A relação entre estatística e inteligência artificial é estrutural, sendo a estatística a base metodológica que sustenta grande parte dos algoritmos de aprendizagem automática.

1. A Estatística como Base da Aprendizagem Automática

A aprendizagem automática (machine learning) assenta na capacidade de identificar padrões a partir de dados. Modelos como regressão linear, regressão logística e árvores de decisão têm origem em fundamentos estatísticos. Mesmo técnicas mais avançadas, como redes neuronais, dependem de conceitos como probabilidade, inferência e otimização.

A estatística fornece os instrumentos necessários para estimar parâmetros, avaliar incerteza e validar modelos. Sem estes elementos, os sistemas de IA seriam meros mecanismos de ajuste sem rigor metodológico.

2. Probabilidade, Inferência e Validação de Modelos

A teoria das probabilidades constitui um dos pilares comuns entre estatística e IA. A modelação de incerteza, a avaliação de risco e a previsão de resultados futuros dependem de distribuições probabilísticas e métodos inferenciais.

A validação de modelos é outro ponto de interseção crucial. Técnicas como validação cruzada, métricas de desempenho e análise de erro são fundamentais tanto em estatística aplicada como em inteligência artificial.

3. Aplicações Académicas e Empresariais

No contexto académico, a integração entre IA e estatística permite analisar grandes volumes de dados e extrair conhecimento relevante. Em ambiente empresarial, a combinação destas áreas viabiliza modelos preditivos, segmentação de clientes, deteção de padrões de consumo e apoio à tomada de decisão estratégica.

Contudo, a aplicação responsável da IA requer compreensão estatística adequada. A interpretação incorreta de resultados ou a utilização de modelos sem validação rigorosa pode conduzir a conclusões enviesadas.

Conclusão

A Inteligência Artificial e a Estatística não são áreas concorrentes, mas complementares. A estatística fornece o rigor metodológico e a base teórica que sustentam muitos sistemas de IA. Para investigadores e empresas, compreender esta relação é essencial para desenvolver soluções tecnicamente robustas e metodologicamente fundamentadas.

Consultoria em Análise Estatística: Importância para a Investigação e Empresas

Autor: Mário Rocha

Introdução

Num contexto cada vez mais orientado por dados, a capacidade de analisar informação de forma rigorosa tornou-se um fator determinante tanto na investigação académica como na gestão empresarial. A análise estatística deixou de ser apenas uma etapa metodológica obrigatória e passou a assumir um papel central na validação de resultados, na formulação de conclusões e na tomada de decisão estratégica.

No entanto, aplicar corretamente técnicas estatísticas exige mais do que conhecimento técnico isolado. É necessário compreender o desenho do estudo, os pressupostos dos modelos utilizados e, sobretudo, interpretar os resultados de forma crítica e fundamentada.

Neste contexto, a consultoria em análise estatística surge como um apoio especializado que garante rigor metodológico, clareza interpretativa e adequação das técnicas às características específicas de cada projeto, seja ele académico ou empresarial.

1. O Papel da Estatística na Investigação Científica

A estatística é um instrumento essencial na investigação científica, permitindo transformar dados em evidência empírica. Através de métodos estruturados de recolha, organização e análise de dados, é possível sustentar conclusões com base quantitativa sólida.

No contexto académico, a estatística descritiva permite caracterizar amostras por meio de médias, desvios-padrão e frequências, enquanto a estatística inferencial possibilita generalizações para a população através de testes de hipóteses e intervalos de confiança.

2. Testes de Hipóteses e Estatística Inferencial

O teste de hipóteses constitui um dos pilares da análise estatística. A formulação da hipótese nula (H0) e da hipótese alternativa (H1) permite avaliar evidência estatística com base em níveis de significância previamente definidos.

Entre os testes mais utilizados encontram-se o teste t, ANOVA, qui-quadrado e modelos de regressão. A escolha adequada do teste depende do desenho do estudo, tipo de variáveis e pressupostos estatísticos.

3. Análise Estatística em Contexto Empresarial

No ambiente empresarial, a análise estatística apoia decisões estratégicas através de estudos de mercado, análise de desempenho, avaliação de satisfação do cliente e construção de modelos preditivos.

A utilização de ferramentas como SPSS, JASP, Jamovi e AMOS permite aplicar análises univariadas, multivariadas e modelos de equações estruturais, assegurando rigor metodológico e clareza interpretativa.

4. Importância da Interpretação dos Resultados

A interpretação correta dos resultados estatísticos é determinante para a credibilidade científica e eficácia organizacional. Mais do que aplicar técnicas, é fundamental compreender pressupostos, limitações e implicações práticas dos resultados obtidos.

Conclusão

A consultoria em análise estatística constitui um apoio especializado para investigadores e empresas que procuram decisões fundamentadas. O rigor metodológico, aliado à interpretação técnica adequada, permite transformar dados em conhecimento estratégico.

Explicações de análise estatística de dados

Encontra-se com dificuldades na análise estatística de algum trabalho ou projeto ou simplesmente necessita de apoio para a realização de um determinado exame?

Com o nosso serviço de explicações em análise estatística de dados poderá colmatar todas as suas dúvidas e obter os melhores resultados possíveis e sucesso profissional e académico.

Através de um sistema de explicações, que poderá ser presencial ou online (via Skype), poderá colocar todas as suas dúvidas ou mesmo ter aulas/explicações mediante marcação. Neste serviço de análise estatística abordamos várias questões como:

• Questões metodológicas – definição de objetivos, hipóteses e questões de investigação; design do estudo a desenvolver; procedimentos para a recolha e análise de dados; principais aspetos a considerar para uma correta análise e discussão de resultados;
• Suporte teórico relativo aos vários testes estatísticos a utilizar de acordo com as questões apresentadas;
• Realização de exercícios práticos para apoio ao estudo para exames ou frequências
• Explicação sobre o cálculo de resultados com recurso ao SPSS e AMOS

Discussão dos resultados obtidos no SPSS

Após a obtenção de resultados e análise estatística dos mesmos, através de testes existentes no SPSS, realiza-se de forma clara e objetiva a ponte entre a teoria previamente construí­da (pressupostos teóricos, estudos de investigação) e os resultados obtidos, com a finalidade de comprovar ou esclarecer de forma concisa e coerente as questões e objetivos levantados numa fase metodológica inicial.

A discussão dos resultados obtidos pelo SPSS permite assim a retirada de conclusões relativas a uma determinada amostra ou população em estudo, servindo como referência à realização de novos estudos de investigação ou desenvolvimento e implementação de programas de intervenção em determinadas áreas.

Análise dos resultados obtidos em SPSS

Os dados obtidos são analisados pelo SPSS de diversas formas com o objetivo de dar resposta às hipóteses, questões de investigação ou objetivos estipulados para o seu trabalho académico.

Os testes utilizados pelo SPSS permitem realizar diversas análises descritivas (Ex: Medidas de Tendência Central, Dispersão e Distribuição) para uma pequena descrição dos resultados obtidos, correlação entre variáveis de forma a verificar se existe influência significativa de uma variável noutra (Ex: Correlação de Pearson e Correlação de Spearman) e também comparações de frequências e médias entre grupos, com recurso a Testes Paramétricos (Ex: Test t e Teste Anova) e Não paramétricos (Ex:Teste Mann-Whitney e Teste Kruskall-Wallis).

O SPSS permite também a realização de análises mais complexas e multi variadas tais como:

• Regressões lineares: Com o SPSS é possível estabelecer previsões relativas a relação entre variáveis, assim como a escolha de modelos explicativos mais significativos de mudança de uma variável relativamente a determinado aspecto ou condição.
• Análise Factorial e de Clusters: O SPSS permite também formular novas variáveis explicativas de um determinado aspeto ou condição a partir de um conjunto mais numeroso de variáveis.

A utilização deste tipo de análises em SPSS é muito útil para a formulação de conjuntos ou aglomerados de dados com características em comum (Análise de Clusters) e também para a criação de sub-escalas relativas a questionários ou instrumentos de avaliação (Análise Factorial).

Realização de Bases de dados em SPSS

Através do SPSS é possível criar bases de dados que permitem analisar de forma rápida clara e objetiva os resultados relativos a um determinado aspeto ou questão a investigar, procurando promover e facilitar ao máximo o processo de análise estatística de dados.

O serviço de criação de base de dados consiste na elaboração de uma base de dados, através da criação em SPSS de variáveis de diversos tipos e inserção de dados obtidas de diversas fontes (Ex: Questionários, Entrevistas, Registos, outras bases de dados). Para além disso é possível facilitar a análise estatística dos dados, através de alterações na base de dados tais como:

• Transformação de variáveis, através da criação de novas variáveis a partir de variáveis já existentes (processo de categorização) e por computação (mediante cálculos estatísticos como média, soma, entre outros)
• Criação de novas variáveis que se definem como agrupamentos de outras variáveis (ex: processo de criação de factores a partir de variáveis latentes)
• Análise de valores perdidos (missing values) e respectiva substituição (métodos pairwise, listwise e replace with mean)