1 / 32

Aspetos fundamentais da análise de dados em ciências sociais

Aspetos fundamentais da análise de dados em ciências sociais. Helena Martins, 2014 h elenagmartins.com. Roteiro. Introdução Questões-chave Cleaning up your act Pressupostos do Modelo de Equações Estruturais. AVISO À NAVEGAÇÃO!.

elon
Download Presentation

Aspetos fundamentais da análise de dados em ciências sociais

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Aspetos fundamentais da análise de dados em ciências sociais Helena Martins, 2014 helenagmartins.com

  2. Roteiro • Introdução • Questões-chave • Cleaningupyouract • Pressupostos do Modelo de Equações Estruturais

  3. AVISO À NAVEGAÇÃO! Isto são noções para leigos e não estatísticos; algumas coisas estão escritas de forma a serem mais compreensivas e são generalidades – tentarei colocar uma nuvem sempre que for esse o caso

  4. Introdução

  5. Desafios • O modelo vigente de “ciência” é baseado nas ciências exatas • Dados observáveis • Método experimental (condições e parâmetros controladas) • Fenómenos repetíveis e verificáveis com relativa facilidade • Pretende-se prever resultados replicáveis, gerar regras

  6. Desafios • Ciências Sociais • Construtos complexos com grande nível de subjetividade • Variáveis que não se medem diretamente (e.g. amor vs altura) • Relações entre as variáveis pouco claras • Egocentrismo de investigação

  7. Questões Chave

  8. Eu queria saber qual é a relação entre o amor e o stress… Decidir o tipo de testes • Tenho dados, e agora? • Qual é a pergunta de investigação? • Temos hipóteses? Quais são • Lembrar: hipóteses verificáveis, testáveis, falsificáveis • H0 vs H1 • Árvores de decisão!

  9. Variáveis Latentes vs variáveis observáveis • Variável observável: pode ser medida “diretamente” • Altura, peso, nível de ruído, velocidade, temperatura, humidade, etc. • Variável latente: é um construto que não se pode medir diretamente • Satisfação com o Emprego – implica satisfação com colegas, local de trabalho, salário, função, responsabilidades… etc! • Stress, confiança, liderança, comprometimento, etc!

  10. Variável Latente • As variáveis latentes são construtos, na medida em que construímos teorias e definimos o conceito para o podermos medir. • E.g. o que é para vocês a amizade? • Quando falamos de variáveis latentes é que falamos de qualidades psicométricas das escalas, p.ex. • O construto do investigador pode não ser adequado à população em causa • É também por isto que fazemos adaptação e validação de escalas, p. ex.

  11. Alfa e Beta: erro tipo I e erro tipo II • Alfa (ou significância do teste), a probabilidade de estarmos a cometer um erro do tipo um • Aceitar uma hipótese1 que não é verdadeira • (mnemónica: a maior parte dos investigadores está ansioso por provar a sua hipótese) • O p-value refere-se ao erro tipo 1  • Beta (ou potência do teste), a probabilidade de estarmos a cometer um erro do tipo dois: • Rejeitar uma hipótese1 que é verdadeira

  12. “Ah, academicwritingmakescowardsofusall!” (os estatísticos costumam dizer isto em termos de H0: em vez de dizermos que se prova a nossa hipótese, o mais correto é dizer que se rejeita a H0)

  13. Procedimento Geral dos Testes de hipóteses (adapt. de Pires, 2000) • Pelo contexto do problema identificar o parâmetro de interesse • O que é que estamos a perguntar exatamente? • Especificar a hipótese nula • Normalmente H0 é o oposto do que queremos provar; • Especificar uma hipótese alternativa apropriada • Escolher o nível de significância, alfa • Normalmente 0.05 ou 0.01, nas ciências sociais • Escolher uma estatística de teste adequada • Que teste usar? • Recolher uma amostra e calcular o valor observado da estatística de teste • FAZER o teste • Decidir sobre a rejeição ou não de H0 • Analisar o teste, propriamente dito

  14. Portanto… • É FUNDAMENTAL saber qual é a pergunta de investigação: o que é que querem saber ao certo? • AJUDA MUITO, pelo menos terem uma ideia dos resultados expectáveis • Sendo que teoricamente, as hipóteses deviam estar definidas à partida!! • Terem pelo menos uma ideia, ajuda-vos a saberem “para onde ir”

  15. Testes paramétricos vs testes não paramétricos

  16. Pressupostos básicos

  17. Questões com bases de dados • Questões na construção de questionários • Tentar ter o máximo de variáveis contínuas/”puras” possível • Tipos de variáveis no SPSS • Nominal • Ordinal • Scale • Labels: prós e contras • Transformação e computação de variáveis

  18. Cleaningupyouract Baseado em Tabachnik e Fidell, 2007

  19. Detectar Missings • Proofreading (small data sets) oranalysedescriptives+univariates • Correlations (inflated? Deflated?) • Analisar o tipo de Missing data.

  20. Tipos de Missings • MCAR - MissingcompletelyatRandom • MAR – MissingatRandom (ignorablenon response) • MNAR – MissingNotatRandom (nonignorablenon response). • In MNAR, themissingisrelated to the DV, andcannotbeignored.

  21. Ifthemissings are 5% orlessin a randompatternin a largesample, prettymuchanyprocedure for replacing data isprettymuchthesame. • There are notyetanyfirmguidelines for howmuch data can betolerated for a sampleof a givensize.

  22. Deleting cases orvariables • O ideal é ter tão poucos missings numa amostra tão grande que se possam apagar esses casos. • Nem sempre isso é possível. • A amostra não é grande os suficiente • O missings não são aleatórios (já vimos esta questão)

  23. EstimatingMissing Data • Prior knowledge – when a researcherreplaces a missingvaluewith a valuefrom a “welleducatedguess”; • Meansubstitution – intheabsenseofallotherinformation, themeanisthebestguessatmissingvalues. It’slesscommonlyusednowthatthere are more desirablemethodsfeasiblethroughcomputerprograms. • Groupmean (spss não faz) • Grandmean

  24. EstimatingMissing Data • Regression – othervariables are used as Ivs to write a regressionequation for thevariablewithmissing data serving as DV; • ExpectationMaximization – forms a missing data correlation (orcovariance) matrixbyassumingtheshapeof a distribution (such as normal) for thepartiallymissing data andbasinginferencesaboutmissingvaluesonthelikelihoohunderthatdistribution • Multipleimputation – takesseveralsteps to estimatemissing data. 1st logisticregressionandthen a randomsampleistakenfromthe cases withcpomplete responses to idthedistributionofthevariablewithmissing data.

  25. Choosingamongmethods to dealwithMissing Data • Isthemissing data randomlymissing? • No: don´tdeletit. Treatmissing data as data, andanalysewhyit’smissing • Yes: • Delete – only a few cases are missingrandom data fromdifferentvariables; • Don’tdeleteif: • Thevariableiscritical to theanalysis (create a dummyvariablethatrecodesmissingswithmeansubstitutionsoyoucanstillthe data)

  26. Choosingamongmethods to dealwithMissing Data • EM (ExpectationMaximization) – for data setsinwhichthereisnot a greatdealofmissing data andinferentialresults (egpvalues) are interpretedwithcaution. • MultipleImputation – iscurrentlyconsideredthemostrespectableofdealing data BUT it’s more difficult to implementand does notprovidethefullrichnessof output thatistypicalwithothermethods.

  27. SPSS • Transform • ReplaceMissingValues • ReplacewithMean…

  28. Outliers

  29. InvertedItems

  30. UMA BOA BASE É COMPLETAMENTE FUNDAMENTAL!!! NINGUÉM PODE COZINHAR BONS PRATOS COM INGREDIENTES PODRES!

  31. Pressupostos básicos da análise com Modelo de Equações Estruturais

  32. Referências

More Related