ANALISE MULTIVARIADA f nn DE DADOS \° Kr ( ei / OFERTA do EDITOR |. sem aor comercial‘Kdne mulsvasiada de dadoe / J Vai J, RE. Anderson 1RL-TutheseW..Slac, od Adonal ehup St Ana Arlo {Ghaves Neo... ~Pora Alegre: Booknan, 208, 1, enaaica multarads, I Anderson, RE, ITtham, RL uu sss, We pub: Mic allo Cant - CRB 10/1023 SON S5-26.000.0 _! JoserH F. Hain, Je Lousin State University ROLPH E, ANDERSON Drexel University RONALD L. TATHAM ‘Burke Mantting Rszarch ‘Witla C. BLACK Lousiana State Unoesity ANALISE ULTIVARIADA DE DADOS 5a. edicao ‘Tradugior ‘Adonai Schlup Sant’Anna Anselmo Chaves Neto Consultoria, supervisio e revisio tenica desta edi Maria Aparecida Gouvéa ‘Doutora em Administrago, FEA/USP esta em Betta, IME/USP Profesor liveedocente do Departamento de Adminisregto da FE CORTESTA DO EDITOR cute stent 48 “CaM ort )1099 faa, soa Aus [BOOKMAN‘Obes ovginseent blends sob ole ‘nee Dt Als, 0 ion ean cep Fear Ronald; Andere, Rolph E; Black, Wm (198 Prentcotal Fae trian partido original em ngua inges, pba por Pearson Eduction ins #90 rsavois0une7 (Cop: ri Rat Proparago do ergs Lt Visti Abe Supervises Dene Weer Mena aitoragio tie: ae Howse Reserva ns sco cde pbleagioem gua portuguesn 8 [ARINED? EDITORAS A. ‘OSORIAN® COMPANHIA EDFTORA ¢ uma iso da ARTMED? EDITORAS A) [Reerime de Ornelas, 70 Sentane Soot 340 = Foro Alegre FS own (1) 902-7050. (S1) 3027-7070 probs» dopa on eps dese vlue ro ad em pare es ne ere ot nga mec ern, mec graves, ftps, dato 9 ‘isp eoutes) sem permisz express da Eo skOPAULO ‘av. Ang, 00 —Higindpols ‘naz 100~Ste Paulo? Fone 1) 682108 Fe (1) 36671353 SAC OHNO 75-3484 [MPRESGO NO BRAS PRINTED IN BRAZIL elo Pence Hal Agradecimentos \Jeutoranda na Louisiana Sine University, contsbuls com instimdvel auto en t- sears da revedo Stern Neil mbm doutorerdo na Louisiana State Univer “ypjadu ne andi dos dads ena aigbo de nova nia statistics, Estamos em dbo aeeeorrguulnesrevisores por #usvaliosecolaboragio pra quits exist Davi Booth, Kent State Uninersity Robert Bush, Menus State Unory Rabika Chatterjee, University of Mihigan ‘Keri Curtis, Golde Gate Unersity ‘Miratfr Shaikh, Foi institute of Technology “também gostafamos de agradecer ajuda das seguintes pessoasem acces anteriores do tivo: Broce fons, University of Bvanevile; David Andras, Kansas tate University; Alvin Pero: Buena State University Alan}. Bush, University of Memphis Robert Bushy Univer- iy of Memphis Chaim Etumsan Urivesity of lio at Chicago; Joel Evan, Hosta Unite Se Thoms L Gilpatriek, Portia State University, Dipak Jan, Northwestern University FRA Ltoncka, University of Kaneas Maragre! Liebman La Salle University; Richard Neer ‘River Louisiana State Univer Scott Roach, Northeast Louisiana University: Walter A Bedale University; Ronald D. Taylor, Missssipp! State Univers; an Jery L, Wall Nor- {heat Louisiana University. Mc individuos nos ajudaram s completa quinta edigio deste texto. Barbats Ress, JH, REA. RL woePrefacio da quinta edi¢ao americana publica ha quase 20 anos, que o uso de statistics multvariada sein to azaenteco mo o¢ hoje, Durent eve perfodo tems testesunhado una grande mudanga no an fe pesquis tanto académica quanto aplicada, Primeiro, a revolugio do computador pessoal ofereeu um poder de trabalho que era inimaginsvel poucos anos atts. Ness ret, Bseamos de cartes peruredos para reconhecimento da vez, revolucionando o modo ome Bodemosinteregire usultuir do compstada pessoa. Simcltaneamente temos visto terien- ES evancos na clsponibilidade e até meso facldade de uso de programas esttsticos,va- rando de pacotes somputacionais completamente intgzados, lis como SPSS e SAS, até 08, programas especializades em tenia, oma redesneuras anise eonjunta, Hoje, o pesqu Rr pode enconcespraticamente qualquer tenicaconcebivel em formato de PC ea um pre- sorernavel Ne Frente estatistca,tenos presencndo un desenvolvimento continuo de novas tenes, «como andlseconjunts, uadelager vinequasio estratural e reds neursis. Todos ese avangos texnelogico,contudo, tim si acompannados por uma crescente demanda por maior cps ‘Sade safien Acxplosto de dados ie dimos anos ne tem taxado apenas nosso es para fscamente Hl e analisar toda a inforinagio disponvel, as também exigido uma ret {atiagio de nossa sbordager anlise de dacos Finalmente, a combina de complexidade {os topics abordados edo crescents papel da tcaia em projetos de pesquisa est equetendo ‘Senicao mais rgororas esofeicndas para xecuar a necessria anise confirmat6ra Teves events em coniibuido para a eetagio das llimas quatro ediqdes deste manscr= toe para Gemancla desta quinta edigio. Ao tata: dessa revi, tentamos contemplsr tanto ‘opeaguisidores académicos quanto splcados, com uma apresentaio fortemente fundamen {ida em tenicas estatisticas,focillando em projlas,estimagbes «interpreta, Contin sent noseforeams em redizr oesa dependéncia na notacioeterminologia estates fo ives iso, dentifcamos os conceitosfandamentais que afetam nosso ws ce ais tenia ‘Sos expressamos em teios simples umnaintrodugSoonentada a aplicagdes ex anstse mle fivarada para aus sue ni ao etatenene, Prossegimos com nosso compromisso de for recet ume firme compivensio dos prineipi estatistcose gerencias subjecentes&andlse Tultvariada de moda e desenvalvet uma “area de cnfort™ no apenss para as quests c= fatsicesenvolviias mos também as pias, Q= imaginaia, na época em ques primeira edicio de Muitzrite Dna Anais Foi biaPrevia Guna oro Avene ‘O que ha de novo? Amana mas vie na quintaedigho americana €a sua rorpanizag80em quatro sees Es “howpantzagfe ceminha com o process de pesquisa de maneira mais préxizsa partcularmen- TeeRE concentrar na preparngio de dados eno devenvlvimento de escelas antes de se em brasar tenicas de Jependinci © interdependencia. Seco 1, Preparagt para uma Andlise iclvavindacentaliza na prepareglo de dados, ts como anise de dados perdos teste {be promis: etatistins a longo de redusio de dedos,com ums énfase particular em desen- ‘Votbimante de medida miltipa.ASes802,Ténices de Dependncia, contim discusses sobre Uc téencas de dependénes multvariads:regressio maltipl, andlise dseriminante¢ se- [Gens logic andlise malliveriada de valanc, ands conjunta e crzelegiocanénice. A Ees05 "Mlencas de Intentopendéncia,fomece ma cobertura de alse de agrpamentos © ‘conlonamento multitimensionale sews 806 abordsgem da estrutura entre Observes. A ecto ina Seyio 4, Teenleas Avangadas eEmengents, ntroduz a movlelagem via equagio es {fatural junto com algumaséreas emergent da andlice multivariada inciaindo mineragso © frmazenamento de dades,redesreurais ereamostagen. ‘Dos ene foram acrescentaos na disso de cada tna multivariads,Primeio, wim exemple simples é dado no inicio de eada capitulo pe lustar os princpios isco ¢obet- ore mostra como um meétodo em particular Funclonria em ura situaceo rel Segundo, c2- ‘itu ds exemplos detalhados ustndo o conjunto de dacos HATO éseguldo de ui resu- ‘To getencial que prove uma perspectva sobce a ntepretago dos resultados e como eles por “Goram se empregaios a0 st lidar com a questo pesquiseda, Estes dois acéscimos deve ‘ferecer um context melhor fundamentado para cad tice, (© que fol expandido e atualizado Cada captulo fol revisado de modo aineonporaravangos na tecnologia vérios apitules so- fferam ima mudanga maisextense, Com inciusio do Captulo 3, Andis Fatoral na Seco} foi dada éofsse no desenvolvimento de medida milla e na aplicagio de ecalas ou escores fatorais em outs aplicaghes, O Capftlo 5, Anise Discriminante Milipl Regressfo Lo~ fptcaeporeaprespna na completa cobertra da anise de varsvels dependents cate Ee inlsindo ambas a andlisedistiminante ea regress logistica, conte ume dicuss80 ‘apandida de outos modelos eategércoe. O Capital 7, Anise Conjunts conta com um €xa- ‘mE tevisndo de questessobte projets de pagum, qua se concentra no desenvolvimento {os coumuls conjntos de vane manere coneisa e dts, Finalmente, o capitulo 1 Modela- [gem de Equasbes Estrotras ot atualizado para refltir os multas madangas nessa érea nos ition anos Tes eSpios questo discos sfo modelo fatoriis de segunda order teni~ ‘as alterativas Ge etimagio fas come simlagSo ou bootstrap alguns des problemas oper {Gonais nels comans coo dados perdidos ou a obtengio de uma matriz que no ¢ definida positiva durante a avaliagio do modelo, Cede uma dessa mudangas, bem como outas ni Frencionadss, eontibuia no ganho de a compreensio mals prof dos aspects estats- ticos eaplictvos por deteds dessas nics. Othando para o futuro Fizemos mais dois acréseimos que acrditamos Sore inovadorese que info substancialment= ‘melhorar seu entendimento sobre anise multivaiada.O primero € um capitulo novo ~Tés- TieeNinerontes om Analice Maltlvarac (Capitulo 19) fealizando sobre noves tpicos na tends anise multvariads, A medida em que oambiente de pesquisa evolue, pesqusadores lewem se adapta is novas condigées.O pesquisador de hoje encara um volume recente de {nformacdes ea necessdade por im método objetivo tanto de descoberta quanto de explica- Prerton ox dun Engle AYER fo. Inesuzimos os tpicos dearmazenamentoe mineregio de dads pata expr o pesqui Ser deticuschjetos stone prnpioenvsviow Caan as perpen one “fcindo de outa trian contrasts a nteza mai xplotatirla da mineagio de da {dos Tambien cscutimos sobre des neurite das tencssfortumente assocadas com 2 Sera iecados empresa cm mus aplcages hoje em da. Um ere tpten rears Toga amber conbeci coma bsetap ca: Dipontvel mas amplement lia Ao'por muttoe ance, ese Serica esd garhando maior teitagbo como uma alternativa pare Sralgio parametric. As acs feecem tm breve resumo dos pense em eeu, {in aston empirice simples. 20 exempla, demonstramos habliade dere neuras a rome lite dcrntesraosrgen sec sed pads re sali. ‘O desenvolvimento fina 6a riage dem site hp //wwwprenbllcom hair vlad ands ulivaradaeintlaco Cre! ess nTacing Maleate Saisie, pig 08 Internet (em ing) fanciona como ua font pars tds osinteresados em anise mulva ads, foecencol para recursos em et tc, bem coma sm ur para iin n= ‘osacountescumétodes ccnisios Dene mado poemoserece um retorr0 mais pl px Ta posqusadores do qe simplesmente uma nova edie dor Tambem destjamos que 0 ieagaumbares de ateras sobre nsino de erate mvariae, ferecendo exec, taco eidas para pejetoeSumario Pretécio Capitulo + Invoducsa 28 que ana ‘impacto da evolu nalnformética 25 Detnigto de ansie multvariada 26 ‘iguns cones bcos de ance mutvariada 27 ‘Aviva osssiea 27 Escslas dermack 27 rode adda e medida mutierada 28 Siiflenca entation versusposer atasico 29 ‘Tipos de ténlese mutvaiadas 32 ‘andse de componente princi anise dos aorescomuns 92 Reressiomaltpia 32 ‘niko dacfenant tia $2 praise mibasada do vavéeoa 2 covariinca Pode conn 33 Coroagsocantrica 33 Andie e agrupamenos 33 Escalonemero muicimerlers) 34 Andice do corespondineia 4 edlos inesres de pobabicace 9 Mogelagem de exngdos estuais 94 utes ierieas matvias energonos 55 Uma cossiicago deténicas mutvaraaas 29 Diretzes pare andes mutveradsseinterprtagso 38 atbeloa sean pa, be coe siiltnelaestastos 23 (tara da emata aan odes os osutados 30 eeeomega seus sados 89 Esfore-s pormecelosparsmenieses 40, Examine ous ors 40 Valo sous resutaces «0 ‘Um traamentoestrutrade para construlr modelos mutivarades 40 ati 1: digo do probiene a pasqula cos cbovs ds rica mules aeerusade 41 sisi 2: daservlvments do ana de anise 41 sti: mlagto das supeigesIerntss aécricamulhariade 41 tigi 4 estnagto co modelo mulharadoeavalagta co jst eral do modelo 44 Esto Snerpolago dls) vari) etatsicas) 42 stig 6-valdagho co modelo mutarads 42 Un uxoyariadedecsio «2 Besos decedes 42 aco dos praca 42 uaa basse aos 44 Drganizagde dos demalt caphulos 44 Resumo-Questies Referencias 44 Sogo! Preparagio para uma andlise multvarlada 47 Copitulo2 Examine seus dados 48 Introdugdo. 52 Exame gif dos datos 52 "sneturoza dvr: examine a forma da dibs 53 Examine nrlagio envevarais 53 ‘examina a arenas de runes 54 era matarecos 55 Fesuro 58 Dados perciios 56 ‘Un exempsimpes de uri andfse de dadbs pons. 38 ‘Compresnda a andes qu ova a dos parades 59 Eemine os padres de dees pedos 60 Faga um dagnétion ds lotoredsca do proceso de dacs percidos 60 “Tatamantos para lidar com dadospordidos 61 ‘Uso de obsarages oom dedoscompltos santé 61 Desconsiere aso() lou vasvelis) 61 Netodos do atbugio 6! Procssrraniosbaseados em mecslos 62 na zug de lagen de dads poios 04 Ua ecapulago de andes de valores parclos 70 esuro 71 Obseriapses apis 71 denen de cbsovagbes atioas 72 Dsecgi e pri de absoragoes apices 72 Retengto a alminagio de obsenszdes ations 73 Um exempo de andige de obveragiesateas 73 ee suuswo 13 “este dos suposieses da endlise mutvalada 76 ‘valagto ge varals dca versa varie ecetates 76 ermaicade 78 emascecacdade 78 nears 79 Ausncin oe eros conraconssce 80 Tanstorragées de dados 80 ma ius do ase des suposiias nerves anise mutvaada 82 Fomascecastidade 05 Incorporagio de dedos no-metricas com vriveselcotmicas 86 ‘Resumo~Questies -Reforncias 87 Capitulo Andis torial 89 ‘O que andisefatoria? 81 ‘Um exemple hipotiice de ands fatorlal 92 Processo de decisso om andlisefatoral 9 stig 1objthoe ca andi atrial 94 Eetigio2 planejamento de ura ano fatoial 96 EetigioS:eupoe gies na anda tra) 98 Eetigio & eteminags de atarax avalag do aust oral 92 stig :interreaptecosatores 109 ‘etl :vaideedo da anaes taal 108 stig 7: aoe eceorale do osutedce da aie toa 110 Exemplo 118 Esti 1: obetvos daandise fateh 113 sttg02:planeiamento de ura ante total 115, Extig 3: eupoertes om ane tel 114 Anal ftori d companete:extagios 47.118 Aniloa de ftores coms: estigos 405 122 ‘uma visto grerll dos rosutados 124 Resumo- Questies —Rferénesa Lettres complementares 124 Seco! ‘Técnicas de degondéncia 129 Capitulo 4 Andlse de rogressto mitipla 131 ‘O que é anise de regroesio mlpis? 136 Lm exempio de regressio simples © mitipla 137 Estboecimete do um pra de releréncia: proviso som uma vail ncependente 157 Prado uranco una dice vate independene = egressio simples 198 Pravda urenco vers vals incependanios—roqessiomdila 142 sua 143 Lm processo de decisso para a anise de regrossio mitipla 149 Estigio t:objevos da regressso milipla 104 robin de peoguaa aropradec 8 eartezo mip 144 speccagto de una rears ectaisice 145 ‘Selog de vara cepandsnt © dopendenes 146aun stig 2: planejamento de pesquisa de uma andlisederegressso mina, 147 “manto aamosra 147 Previsores do ele fos vereusaletéos 146 Cfiagio de varavis adcenale 140 Estigio 3: suposigSes om andlse de rogrossao multipla 159, ‘hilaga de vale avis versus vari etasica 153, Lineal co fendmeno 158 Varies corstart toma deere 154 Indepandinci dos temas doar 154 Nornaideds da dernigso doe ermos ds eno. “58 Recuro 155 stig: estimago do modelo de regteesioe vaio do sjuste geal domadelo 156 “tamer gr para sloio dards 156 ‘esto se a vardvel statin co ragreso sata at eposigbes da reressdo, 158, ‘Exame da sgafleinca estas de rosso modelo 159 denen de obseragses abaios 162 gio: nerprotag da varidvlestatistca do rogrossio. 188 ‘bizare dor coterie a egessao 168 Practnizapdo dos coetenns co regtesato:coscinte bla 168 ‘valagio da mutelinestaade 185 Estigio6:valdagfo do recutados 160 ‘host aon oupartoonedas 182 Claus exatites PRESS 160 Conpractoce modcioscoregessto 170 Prevsiocom omodlo 170 usta de uma ansise de regressto 170 etal: ebetios da regrssto ipa 170 stg 2:plarsjaronio de pesqula da ma adie de reressdemulipla 171 stig 9:syposgses am andice do egresséo mip. 171 tig :astmagio do model ce regress waalign da ust geral do moseio 171 tigi §:ierpreagdo ca vari! eltstios da rgreesao 179 stag fvalidagto dos etultedse 120 velar de nodeoe deraqresso srnates 180 Une visio gerenoal os esuledos 188, FReswmo ~ Questéas—Referncias~ Leite complementar 188 g ‘Apéndice 4A Diagnéstca avangado para andlce de regressa0 molipia 187 ‘Avaliagdo de mutleatincardads 189, Um processn em ins prise 189 ‘Ua sag da avsiagso ce rtconearcase 160 Identiieagio de observagéesinuentes 180, Paseo tera coe resiauos 190 Passo 2:Wenibeagio dos pots d alavancagom apart dos preores 1 Pasoo :dagnéetoa deca no na entca;so de obsaragbesinuenss 192 Passo flog eacomaderto de coeenagsen nantes 195, fxomp9 apart da base docatos WATCO 189 Resumo-QuestoesRetertncias 203 swine 45 Capitulo S Andlse discriminant muhipia 8 reqressdologistca 205 (que sf anise discriminant eregressBo logistics? 208 [Analogia com regressio s MANOVA. 210 -Exemplo hipettico de adlsedscriminante. 210 Ura ands discriminant de dois eupes:campredores versus noscompadores 210 Ura rpresniagta geomet ds ungocscminante Ge dos uses. 212 Um oreo de andi dating de rk grupos: itngies de rocn 219, CO processo de declaso pra ands dscriminante 217, Estigio 1: objetivo da anise iseriminante 217 Estiglo 2: projete de posquisapars ands ieciminante 219 Selo de varies deperderto indapandenise 210 Tamanho da amosta 210 DWetoca amore 220 stig 3: suposigdee da ands lacriminante 220, Estigo 4: etimagfo do modelo discriminant avaliagdo do ajste goral_ 221 Metodo computasenal 221 Sirifinca esiatnioe 222 ‘algo oo jst gor! 222 Diagn por casos 227 stig 5:inerpretagho des resultados 28 Potoe decminanee 228 ‘Garg daciminartes 29 Valores Fparclls 229, Inorpretagdo de dues ou mae ungdes 220 ‘Qual més itrprotatvo usar? 230 Estigo 6: valdagso os rcultados 230 Procedmenlos de prio de avast au veleapaecrzada 290 Drang de parle de grupos 291 Regresséo logistic: regressio com ura varive dependents india 231 Reprocenagio ca arel dopendone bila 292 sao do modelo de regesse etcica 282 Intrprtagdo dos costeioss 299 LUmexemple de dois grupos 235 stg :orjatios de enti dscrnnarts 235 Estilo 2:proeta da pasqula para adic icriminarte 235 stg 3:suposkSes da ends dscrmnante 296 stg :eatragto co modo cscsminariewavatao do sto gerel 298 Esti Sinterprtago dos esutedos 244 Estigo6:vaidagto dos recutados 248, [Una gorercial 246,LUmexomple dees grupos 248 Estep :obetvot da ands dsciminanta 246 ‘Emig 2 projio de pesquie pra a ands dscriinanta 240 Esto 3:supesigbs da anioe Goerminanto 247 ati 4:esragt0 do modelo scminarte waa do juste gral 247, stg: ntaprtero dos resuitadoe de arlice icrminare de és ques 255 eligi 6:vadagto doe esutagasdlacrnaries 258 Ura visio geencal 250, ‘Umexemple de regressio logistics 260 stg 1,263 cov da pesquisa, pojlo de pesquise ¢ suposetes osatsicas 261 stig :eniragse do modo do reqresio lgisizs = sma do gust oral” 26¢ stig :nterretage dos eutadoe 285, Estigin veldagio doe esutadce 206, Uns visio gtenci 256, ‘esumo~ Quests ~Reterncins~ Artigas complementares 208 Capitulo § Andee mutivariada de varéncia. 271 ‘que 6 andlce uteri de variincla? 274 Procedimenios wha para eval renas da grupos 274 Andee mstueradadovariénes 276 Ditorengas ent MANOVA e ands diseriminanto 278 ‘Uma tlutragéo hipottica de MANOVA 278 ‘Quando devomos usar MANOVA? 279, ‘Conic da taxa de ero expiants 27 Diteengas er uma combina devas depondentes 200 ‘Um processo de deisSo para MANOVA. 280 stig 1 objetvos de MANOVA. 281 “Toos de quests mutvaridss apropriadas« MANOVA 26% Eetigio 2: questées no projele de pesquss de MANOVA 262, nigindas oo emanno a arosta~ geal por grupo 282 Delneaarios raids ou mas ttamsies 209, Uso caries ANCOVA @NANCOVA 284 stig 3: auposigbes de ANOVA © MANOVA. 206 Tnaependnca 288 uals mati da vrei covets 207 Normaldade | 267 ‘Uneericade omuliotnaaidade ene as variévs depandantes 267 Sanabidade a obseragbecaticas 288 Estigio 4: estaba do modelo MANOVA eavllagSo do juste ger 200 (Citéressuratastode sigrfctnca 289 odor esiaisin dos tastes muthaedes 289 Ertigi :imorpretagde dos resutados MANOVA, 291 ‘valgto de coved ettiscas. 201 ‘vale cavardl ets depenceie 201 Idenrcagio de arengasonte ups indus 292 suing _17 Ettigo 6: validagdo dos rsutados 290, Resume 298 xemplo 1: lorengs entre dols grupos indopendentes. 294 Une ebocagem unverade:otecio 24 Una sboreagem mutvaiada:T* do Hetoing 256 Exemplo2:clerenga enre kgrupos independents 900 (Une abordagem univarads: ANOVA de Kecpos $00 Une sbotager mutvariads: MANOVA com kgrunos 501 xerplo 3: um delinesento fatal para WANOVA com dus varlvols Independents 305 Eig t-cblevos de MANOVA 506 suig 2 projet de posqus de WANOVA 907 Eatigo :suposgtes or MANOVA 07 stig: estimago do modelo ANOVA emu do jst ger) 507 Estigl §:irtrpreagso cos esutados 310 ‘Uma vséo goal gerencial dos resultados 311 Resume ~ Quests ~Refordneiae~Artigos complomentares 314 Capitulo? Anélse conjunta 319 que andice conjunia? 325, ‘Um exemple hpottco de andliseconjunte 323, LUmaremplo amples 28 (Os usos gorencisis da anise conju 227 CComparagso entre a ndiseconjuntae outros métodos mutvariados 328 TWenieas de composigo versusdecomposgso 328 Espectcagio da vrivelxitistes conus $28 ocoosseprados para cada cue, 328 pos dereiapses 228 rejmento de um expecimenta de andise conjurta 320 Estigo 1:08 obetvesdaandiseconjunta 328 Dotto de lance tl do belo 229 spectenga da tres detrmrartss 230 Estéglo2:0 projto do uma anise conunta 532 ‘Selegg de uma meodologa do antise conn 382 Pansarent da etinos: solegSo © detnigio de tows ivis 982 Empectoagao deforma do maddobisco 335 Caleta de aacos 37 stéglo 3: suposigoes da anise corjnia 342 Estigio 4: estimagfo do modelo conjunte#avalaeso do lu ‘Slog ce ua teiea de etinapto 312 vaagio ca quaicade cosine do modelo St eligi 5: inerpretagso dos resutados 34 Anil sgrogaca versus desewornca 34 Dralagsedsimpornaa eltiade crowns 34430 susino Estée 6:validegdo dos resutados conuntos. 345 plicagées geronciala de anise conjumts 948 ‘Seprentagso S45 Fadi do cratidess 45 Smaacores conjntos 948 Metodoioias eonjutas aenatvas 48 anu conn cotati: conan cem um granc nero de fores 240 ‘Vado geval ds tide metoclogias conju 50 ‘Uma tistragio de anise conjunta 950 Estgi Tenet de ane comnts 251 Ent 2: pret ce edn conunia 51 Extago 3. supoegos na anes coninia 352 rue feta do neal conumaeevalero do juste goal doodle 52 sug Srierprtagde cos esutadns S54 stig €-valdgio ds resulsdos 985 ia ancagio gerencal uso om sinuiador de exeana, 355 resume Questbes—Reerdncies~Anigos complementares, 358 capitulo 8 Andee de conotaglo ania 961 ‘ques carriage cansnica? 962 . Exempla hiptitice de corelagtocanénica 362 ‘Aili das relagdes com corelagio cansnice 263 stig :obetivos da anise ce coretagéo candnice 364 tatigio2:planeamento de ums enise de corelagso.canénica 965 stig 3: suposigbes em corolagocandnice 966 tstglo 4: determine das tnges canicase aval do aust geral 366 Determinegdodetunedes canénieas 988 ‘una tungSes cen ova ser inierpretades? O67 stigoS:iterpretaio da voridveletatistiencanérioe 369 Pesoecardicos 208 Cargascantnicas 980 Gurpascruzedescanéicas 969 (lal eborcagem daiterprotgao usar 360 Estigio : vldaga0. dlagnésteo S70 UUmexempie 370 Tago ‘objeiios da antize de coreagzocananes 370 stages 203 penlarenta dma ads de corel canis & testes uposioes 371 ‘aii determina das ung cnéncase avaogo do alist gers! $7? xiigo sinepotagio oa varies estatsias cantecas 72 Engi é:vatsagio@ dagnésico 974 Uma visto gorencial 975 Resume = Questbes~ Reeréne = nnigos complementares 978 Sesto Tories de nterdopendinga 379 captulo® Andlce de agrupamerioe 01 abe anlve de sgriparetx?_ 504 ame union aonioe eagrpmmentos? 98 Canora atten 5 Faragioce supers 25 canes atoneesespwaneioe nessun‘ 57 proenne tn ccna ems Ge pupanentos 99 cong scopes taste oe grperetce 32 Sicsiannaesceepopmete 22 stig bode puoqiza cm nies de vopamentoe 202 Seacrotn aneveietncae21 Nsean de utace 382 Parone vues 8 cetigat mpeigns om adic de agrpanenios 307 Sconrouaare crores. 9? yuce settee 7 See ee ae eae Staines nage 2 atau veritas? 2 agusmorwsJucserespeteen? <8 satige ss urpraato coc gnpamecion 104 nage ecveagto prt dos equation 4 Missy sesocto ce area 5 ort cassurtoporantmanent8 pene do poone ede 05 Umewomo «0 Cate meade perganen nde apupanatos 400 cee cen ca sto aguparos 2 eee ctammertoceayuoorence lac sosuin al Cnagetanae perio apanenn 414 Oped goa! 8 sumo -Questies - Releréneies — Artigos complernenares &17 Capitulo 10 Escalonamente mutidimensions! 421 ‘Oque éecalonamento muticimensiona? 423 ma vedo simplified sobre comofuncionac MDS 424 Ccomparagio entre MOS e outa écnices deinterdependncia 426 Trdvoue come auncase de analise 425 Feta do ra velvolestatsooa «27 ture de decisto para mopeamento perceptual $27 suuino 120 _suuiso Entigiotobjetvos do MDS 427 ‘Declae-chive para etablecrcheivos 427 stig 2:prejeto de pesquisa doMDS 420 ‘Slgio ene une aborsagam decomposiona ve de sibules) ou somposiona (papeado em atrulos) 420 (tists: sau nimoro e solesd0 <9 alos nio-métessverausméticos 492 (Goleta do dais de srrardade ou depetrancia 438 Eatiglo 2 supocig6es da andlise de MDS 424 Estigo 4: determinago da solu do MOS e avallago do sjute geval 435, Deterinegto da pose de um objeto ro aoa perceptual 435 Solsio da dnanslonascade co mapa percepusl «35, Ironmen de proternciss ao MOS 455 stig: merprotagbo dos recutados doMOS 499 Tiencagia des menos 430 Estigo6:vaidagio dos resutados doMDS 440 Andie de correspondincia 4 Umesemplosinpios eA 441 Estigio:objtvos aca 444 stag 2:projto de pesquisa ce CA. 444 Entige savpodgias om CA 444 ‘Estep: cetenagto coe resvtados da CA eal do ajeste gral 444 stig Sinerpetagto dos resutados 445 stg sevaidago ds ecuteos 445 Visto gerald nie de corespondénea 445 usta do MDS ede AC 448 ati {:objetios do maposmentopaeptial 46 Esépi2:prjto de perauis do estude do mapesment perespisl 448 stipe’ suposgies na mapoamento perceptual 47 Fsceonamonto uttsmensonsesigs 485 447 Visto gor ds rsutads decomposiionas «53, Andlie de carespondinea: ests 405454 Estgi6:valdagto ces resutacos 456 Ura visio geencal ds resus do MOS «59 ‘Resumo - Quests -Referncies~Arigos complementares,_ 4 “Técnicas avangadas eemergentes 463 Capitulo 11 Modelagem de aquagies estrurais 465, ‘que é modelagem de equagSes estrtuals? 470 ‘Aeomodeg co mils lates de dopendinciarteeeconadas 470 Incorporngao de versie que no adinos detamenie 470 Umotempla simp de SEM. 471 "Aauesiodeperausa 471 Prepragto de modelo da aquagSes eur para anise de canines 472 Una aplegta de anise decaminos 472 Resume 73 swung _21 (pepe! eora na modelagem de equenées estruturls 474 Detontlvendo ume estatégla domodelagor 474 ‘Esai ce mocelagem canfmatcia 474 Esvatiga ce modeoscorcoranios 474 EEsyaliga ce deservvinenio de medos 475, Estégos na modolagem ce equapes estruturals 475 Enipo Issaconaherdo um madd tico 478 sip 2: consti de diagama decaninhse do eagteccousals 477 tipo 2: comerdo do digzame de caries em um conju de ‘rodels estas a de mensragso 478 até ecole do to de mati do onkada#estinagto do modelo proposio, 482 Estégo 5: aalags da kenieagto do model esturel #26 stig avalagto deere de qunicade ce ae 2a stig 7: erpretao emadicardedomeselo 251 [Uns recapisagtodoprocesso de soo estigos 482 ‘buss fustragbea de modelagom de oquagSee estruturis 482 Andie ftorialconfmatoria $2 stig I:dasenohendo um rede ttrico 492 Ea 2: oorcrugia de um diagram do canines dereegtescausals 485, Engi: meres do agra de camino em um cont de models earaurals ede menauagae #53 oti exocna dopo oe matzo nia @ esting do medelepozosto 403 esi 6: avalazo de Weicaro do modelo esttral «84 oii 6: valogso de ctos de quaidade de auste 294 tigi 7:irtrprsagae emzdcagdo do mole 487 Nels de nies ati oe ardom sperior 498 Reese 498 etinagio de um modolo de caminhos com SEM 500 [stig fsasenvohendo um rode teéico 500 sug cone de um sisgrama de canines de reaper causals 501 nti: comrerado do agra do caminhs em un conjnto de modelos etal ode mensuacso 501 Eatigi eco do tp0 de mati de nad ota do modelo proposto, $2 Estgi S: ava da eriagto do modelo esttual 509 Estigi 6: vaio do ros de qualidade de aise 518, nti 7:intrpretagaoe elcagio do model 502 Visto gerald process de ete etglos 513 Resume -Questdos 513, Apandice 11A Uma representagto matemtica om nolago USREL 515, Notapio LISREL 515, faa de caminhos para anotagSoLISREL 516 Conetugte co equegies exrual apartrde agama decarinhos 516 Resuma 520sau [Apéndice 118 Mecidas de quatade de aust gral para modelagem de Partmettos de ndo-contrakade ede nfocrtaidadeesclonacos 522 Indes do qusicado de ojste $22 Fez oorsidua quattco mado 529 Fei do ero quacin ro do eoroximegbo 529 Indes de vasa cruraéa ssparada. 523 inca do vaso crvzade 528, Macidas de ajste incremental 523 ince de quale de aus clbrado 529 Ince deTuxertewis 523 Inca do sista normaco 504 (uaa medias do aust nererensl $28 twetidas de sjusteparcimonioso 524 Ince de sistenormado paromoioso 524 Indice do ausidade desist permerioso 524 Aucune nomads 524 Ciro oe iniermagio de Atake 525 ‘uma reveio das medias de qualidade do auste do modelo estrtural 525 Resumo Retoréncls~Atigos complementares 528 Capitulo 12 Técnicas emergontos om analise multvariada 5% Inrogugio 598 "Aovalnahe de hiomaéos 536, odie sem notre statsica S20 “Tepicon coberts neste capiuio 537 ‘Armazenamento@ mineragio de dados S97 ‘O ue sdb arnazenamerta emineaqode dacos? 698 ‘Concetoshademenais em armezonarnio de dates. 508 ‘Queso undsmerisis er ineragio de caos 540 Redes neuais 545 “Concln isios corde nous 540 Estmagio de un modelo de redeneual S47 Uso da uma rede noua para clselicapio 650 Resume 550, Reamostragem 551 Una brow io da nfrincl parades 851 Cantos besens am ramostragen 952 Um explode eamestrgam eros mile 52 Reeume 553, Recumo~ Questies—Refertncias 559 fungteseetuuras 521 | acid use absokto 524 nati qorqucado dat oo vrossinanga. 2 1 | { | ‘Apéndice A Apicagoes de andise malivatiada de dass <5? indice 553 Objetivos de aprendizagem ‘Agconcluir este captul, vost daverd ser capaz de: Capitulo Introdugado + Byplcaro que ¢andlise multvarada e quando su aplicagSo éadequda + Defnire disutiras tenieasespectficsincuidae na andlise malsivariads ‘+ Determinar qual tenica multivariada éapropviada a um problema especfico de pesquisa, + Discuieanatureza das excalas de medi esa relagio com tcnicas multivaradas + Descrever os apectos conceit eestatisticos inerentesAandlise mulivarieda ‘Apresentacéo do capitulo O Cepitlo 1 presenta ume visko geval simplifcada da andlisemultivariags,Enatiaa que os metodos de tnulse motivariade ito infancy cade ver mas To apenas oe aspects enalfticos de Pesguse, mas também 9 planejamento e a abordagem da coleta de dos pare decisbes resolute de problemas. Apesat eos teelon mulivaradas trem muita caracarte- {tse comin com suns contapatssvarnda eb ‘lad, vias diferenasimporiante ungem ne ea Termos-chave fs de comes o cape o torch pan comprender on consis es terinologi empregrce. sg dcp remove apr me io, Outs poros ge merce esac, alm dese fincas eruzadas nos termorchave ei rm i, siglo para uma andlicemultivaiada, Para ustar essa transla, ese capitulo apresenta uma clseifengbo dis us mula’ Em ul, oes nas feria pare a aplcaplo dessa ueteas,bom como una Sbordager etaturada pare a formulagao, xtimasio ¢interpretagto dos resultados maltiariades.O cp {ulo conclu com ume disuse da bare Ge dads s- Tzada ao longo da maior part do ivr para ilstea pagoda ies Alfa (a) Ver Ere Tipo Andlise de miitiplas varies ‘em tm tinicocelacionamento ou conjanto de rela 966s,2A_ Arius Mumunnonce DBO [Andlise univariada de variincia (ANOVA) Técnica e=- Tasca pass deterinar com base em uma medida de pendente se vivias arnostas 880 oriundas de popola- Goes com médias guais Beta) Ver Ero Tipo I Confiabilidade Extensio em que uma varlével ox um ‘onjunto de varldvels€ consistent com o que © pre- tende medi Se medidas epetidas forem executadas, 2s medida conisves sero coslstentes em seus Valo fe Baiferente de efidade, por se eeferic nfo 20 que Gevera ser medido mas do modo como é medi¢o. CCorrelasio parcial bivariada Costelasio simples (uss “yardves) entre dais conju de esiduos(eri8nens Trexpicadss) que permanccem depois que a as0ciagio Ge outasvasvets Indepencentes éremovids Dados métricos Tamsém chamades denis quntia= ‘dds iferolaes on dos propoeionns esses medi- {das identifica ou descrever indivuos (ou objets) ‘fo apenas na posse de um atebuto, mas também pela {quanta ou grat em que o lndiviuo pode ser caractri- ‘ido pelo atibute. Por exemple, a idade oxo peso de ‘lguei afo dados méticos ‘Dados nio-métricos Também chamados de dads qu Tinto, sto attibulos,caraeteristicas ow proprieds- les eategéricas que identileam ou descrevem wz n> ‘Sivadyo ou objeto. Diferem clos datos micas no sen tido de indicerem a presenga de um atributo, masno {I quantia. Fxemplos so ocupagoes (médico, acvoga ‘Ge, professor) ou status do compradr (comprador, ‘80 Compradot). Sho também confecidos como dees rominais ou dads ordinas reo de especificasio Omissto de uma varifvel-have insnlise que causa um impacto sobre os efeitos eat- tmaddos de vaidvesineluas Ero de medida Imprect fo na mensurago dos valores ierdadeios” das varivels devido 2 fallidade do fnstumento de medida (08 $a, esalas de reposts inaproprindas) error na entrada de dados ox engenos dos respondents, ‘Eero Tipo I Probablidade de reeltarincoretamente © hipétese nla na materia dos asc, iso significe dee {que existe uma dferenga ou correlagio quando na ver. Maento to caso, Tambim chamado de ai). Niveis ‘omuns sio 5 ou 1%, chamados de nivel 005 ow 0.01, respecivaente io Tip If Probable de fala incorretamente na ‘elo da hipotese nula~ em trmos simples a probs- ‘peddle de nao encontrar uma correlagao ox diferenea aia quando ela existe, Lkmoem chammado de bt {Gy etd inverenment elacionado oer Tipo IOvalor Tinenoso ero Tipo I € defini como pose. Esealas Miliplas Método de combinasio de diversas varlvels que medem o mesmo concito en uma nica ariel como tentativa de aumantara confide da tmedide por meio de modide mulioriads, Na matoria ‘os exerplon a varivels eparadas so somadas eer ‘Suid seu evoo otal ou medio 6usadone andlise, Indicador Vesivel sini uslizada em conjuncio com fama ou mais varidves diferentes pra formar uma mie~ compost. ‘Media Composta Ver Esa ip “Media multivasiada Uso de duas ou mais variiveis ‘como cadres de ma Unica meld composts, Por txemplo, um teste de personalidad pode ofrecer 35 espostas a diversas questoesindividuais (indicado- es), at quais S30 entio combinadas para formar Um. ‘acore nico (esclamrlipa), que representa o tipo de personalidad ‘Multcolinearidade Extensfo em que wma varvel po ie sev expliceda pelae outs vaniveis na anslse. A tmedica que a multicoinearidede aumenta, fea mals Complicade a interpretgao da verive static, uma ‘Yer que se tna mais df! verifiaroefito de qual- gue variive, devido a suasinter-ragdes. Poder Probabiidede'e rjeitar coretamente a hipstese pula quando s mesma éfalsa, cus, de encontrar cor ‘Rtamente um supostorelacionamento quando cle exis- fe Determinad como ume fang (1) donivel design Fedncia exatten (0) dado pelo pesguisador para um fr Tipo 12) dotamanto da amostraullzada =e an Ie e 6) do tmania do geo examinado Significncia pritiea Método de avaliar resultados ds vralise mulivarida basezdo em surs descoberss bstanclas em vez desunsigalicinci estat. En- quanto sigfcincaextatsica determina se oresult- Jp pode ser stbuldo so 2cxs0 a signficincl prtica Svala seo realtado él (Le, substancial 0 bastante para gavanti ag) ‘Tamanho do efeita Estimativa do greu em que 0 fend eno estado (px, cortelario ou diferengs em me fins) exstena populace, Técnica de dependéncia Classifiasio de téenicas esta- istices difeenciades por terem uma variével ou wm Conjunto de varitvelsientfiendo como a(s erie) epedntt)e a()varivel(is)remanescentes) como ‘gponentet) © objetiva € a previsio dale) vari ‘Valles dependent(s peal) varével(e's)independen- Iai). Um exemplo ea snlise de regress. “Tecnica de intesdependncia Classificaio de teneas satiaticas nas quai a Varisvals nao to divides em fonjuntos dependeteretodepondentes (9.0, anise fat ahi kan se wariveia sg analieadas como nico conjunto ‘Tratamento Vasvel independente que o pesquisador manipula para vero feito (ve houver) sobre af) varlé~ ‘elles dependente(), como em um experiment ‘atidade Bstensoem que uma medida ou um conjunto Vjemedides representa coretamente oconceito do est= ovo grawem que a est lie de qualquer ero sist Indico 0a ndo-leatlo, A validade se refere © quio ter oconcelto & defini pela(S) medidas) enquanto ofa se refere a consisteciada(s) medida). Varivel dependente Efoto presumido, ou respost, a fama manga na) sri indapenentes. Variivel dicotOmica Varivelao-metvcateansformada vauima yeiivel méticadesgnando-se 1ou0a.umab- eto. dependendo se este poss ou no uma caracters- fica particule ‘Varlvel estatistca Combinagio linear de varisvesfor~ vada ta tecnica multvariada determinando-e pesos mpliansaplicados a um casjunto de varkivels expeci= Reade pelo pesquisador. \Variivel independente Causa presumida de qualquer ‘mdanga na rot dependent (© que 6 andlise multivar _Ateuclogia competion! hoje spaniel quase nia fpraval apenss Goss dcada at, fem feito svangos onlndras na ands de dado pscoegicos, so. tone ons tpos de dads competamertaiz ste in- poco €maiseidentena eltva aided com que com Dtndves podem analisar grandes quanidades de dados Exnplec Praliamente qualquer problema aca ¢focl- ‘mente analsado por vrios programas estatistcos emt mi- Tocompulacores Alsat dn oretos do progres tc Soli tn se ested por lem de ablidade de Imapulo dos libernde peegiadoes de restiges Ao pssodo na anise de dads econerindo-thes cond {iesdeseengpaem em um desenvolvimento uma sve Teoma paras dese mss Li ‘hes metodolgles no sto mais ume preocupagio er ‘Silparo taco ques efor por apoiempiien Boa pare desea cresente compreensto e comin da anise Eedados ver dosti deestatsie einferénciaesiaie- fea. guamente importants, contudo tim sidooentendi+ ‘entoesaplnsto ca veemiars de un gupode = "Hl estates contd como anise maltivaiad, "Ténicasanaicas multvariadas eto sendo em plamntespleadas na india no governo e em cen- trode peng aacomice. Alm disso, pouces Seas ‘deestido ou peeqssa tn falhado na integragi0 dee ‘ies maltvaradas em suas “fertamentas”analiis Bars atnder ie ees escent ido Puli Ucar estes dese fcarenty txts In trodutérios tab tem sugido em cuase teas 35 fess, Poacos vos, porém, tem sido eseioe ara 0 pesgulsador que nfo € especialina em matemdtia ou lncscoucio_28 esate, Menos ios ainda dlcutem a aplzares da esata maltvariada,oferecendo uma discussS0con ‘etual dos métodos estatstices. Este live fot esto para preencher fal lacuna, Livro erientados a aplcacSes sto de interes en cial pas ctistas da comportamento eacministado- res, seam do govema ou de empresas, que tem de ex peneit seu conheciments de andlise mullivarada para Eompreender melhor os femenos complexos em seu {mente de tabslho. Qualquerpeequisador que exami: ze apenas rlagdes entre dias veivels e eviteandlise Imultvariada estaré ignorando poderoses fertamentas {que poem dar inforagses poteetalmente ues. Como Fifotaite, "Pare ce propésios de. qualquer... ées ap da, a morn de nossasferrametas& ou deveria sr, ‘hultivariads Somos levados& conclusdo de que a m= ros que ui. prblema se atado como multvariado, ‘er tatado superialmente” 7p. 158], De corde com ‘os etatisticon Hardyek eFetrinovich (8,2. 7} ‘Os mnos ease nultvaradspredominazao nf free resulta em didlos mangas manera tno pfiasonis de Pesquisa penshm om problemas © nan sun psu Eanes modo orach pose l= intr quetdesespeicn © precns do consiersvel omplesidade em codriow naturals Iso vibliza «com {Tigo de pergtns ovrienmente importantes 28a (fo do ean de varngbe paramtecas que natal Shenie ose no content em quo oie normalment Spurecon Dees mani ss oreiages nara ene ‘lipo infos de compartment poder ser pre valine efiosseparados demas nln, etic [Ei Sntstiesmante sem cane um Solamento com ‘Sequalgue indivi os varie Per exemplo,os homens de neo de hoje no cons [fue segirabordagm simpli a qual os cons {ope cornideradoshomogloesecaecterzados por fn pucno nimero de waves emograicas. A Ws tbo cee doves desenlvesextrateas que sPe- Tema ines segments Ge lentes com arcs demogidhcas pacogrificas vaadas em um mereado om las erties (ex lpi cconics com peta, enol) omens por meio de nens ulvariades que esse mulpssvlagbes podem set Seoquadamente vamieadss pares ootr Ua com Drecadomaiscompleiaerealitanatomada dedecsbes “ae longo do testo, uss ero generic “pesmi stor’ quando nos cesimos oman de dad, rotsinal on antonio ulgamossapropeado fazer Tingle envecssas dune ie uma ver queaatividede {depen deve vst em bse teoics gut tribes‘ Adeopto de ocbjetives da pesquisa dani ‘Srtkeprcaio peer arr ts Booed Shlguer fen devesborda todos os tps sam cone SGeliseu empicos que sugem mis seuss sobre comitodonessinicos26 _Ayluse Mennon oe Dases ( impacto da revolucao na informatica £B quase impossive discuir a aplicaglo de técnieas mi tivataclas som uina disessso do impacto do computa- dior Como anteiormente mencionati «ampla plicr: {fo de computadores(primeio de grande porlee depois Eomputadores pessoas) para procesarbancos de dados (grams ecomglexos tern incentvado signliativamen- eotso de modos esttiticos mulivariados, A teoria ‘Stata pre tecnicos maltvaradas de hoje fo desen- Solvide bem antes do surgimento de computador, thas seas tecnieas permaneceram quate desconhecidas fava ies de etatistca tebeca até o momento em que ‘Spader computaclonal omou-se disponivel para execur tab atu cilenlos eada vez mais complexos. Os avanos ‘Resoldgicoscontinuos em computayo,particularmen- {hem computadores pesoals, tm oferecido, qualquer pesquinder intressado, pido acessoa todos os ecur~ eee hecesfrio pars abordse problemas maltvariados {te pratcamente qualquer tamanko, De ato, mult pes ‘quiadores referee simesmos como dalistas de da- Tirvem ver ce esateticas ou (Como no verneulo) “TGuanittvites”. Eases analistas de dados tm conti- ‘aida substancalmente para o aumento do uso © da Teltgg cla estatsticn multivsciada em sefores priva- {os edo governo, Dentro da comunidad acndémica, ‘Sistpines em todas as reas tm adotado tcnicas m= fiveradae cada vex mas reqentemente académicos tlevem set versados nas Kéenicas multivarladas apro- pros pare suns pesquisa empieicas, Mesmo pare pes Fons cont forte qualfeagSo quanttaliva,a dsponibihde- ‘Gods pacotescomputaconais para alive multivariada tem falitado a complexa matipulagio de matrizes de dias qoelhé muita fempo tim dificaltado 0 desenvol- ‘imento de tenons multivariadas Muitasuniversdades de porte jéexige que 0s ca Toutes comprem seus préprios computadores ants da imatriula,€ estadantes e professores agora rotinelra- mente analistm dados multivariados para responder» (Jucates em dveas ce extuda que ¥80 de antropologia 3 ‘Kotogia Tos os pecots esttsticasabrangentesela- orados para computadores de grande porte (p. ex, 13755, SAS¢ BMDP) esto agora disponivels também em Computadares pesos Programas especalizados para ultostpos de anise multivariada, meluindo escalo~ rarento multidimensional, modelagem de equagdes si- rmultinease estruturalse andlise conjunta, estavam 20 lean apenas —mas com imiageas em computado- fos de grande porte, porém hoje cles sto compative's [iin sotsputaduces pessoels. Sttemas aspeilistas 0 tuo senda desenvolvies pars trata até mesmo de ques: tees como a selagta de uma técnica etatistica [4] ou 0 {olineamento de um plano de amostagem para garan Uirbjetivesestatistcns epics almejados 3) Programas estatistcos no S80 mais primeiramente desenvolvigos pora sistemas de grande porte © entfo ‘Sdaptados para computadares pessots;em ver disso, ‘det agora to ncilment desenvalvidos para omicr>- (omputador Thier categoria de programa estatstios ‘ems rdpido crescimento see a dos pacotsextatstios projerndoreopecficanente para rar provlto da lexi Fidade do computador pessoal, Técnicas maltivarindas oto dfundidas que fas a8 tenes lustradas neste {onto prem ser evaindas cam pocots esaisticos pron Temente dsposiveis tanto para computacores de grande porte quanto minicomputadares ou computadores pes ois. Una lta abrangente dos principals programas ‘Ssponives de andlise multvaiada pode ser encontrads ro Aptndice A, Dedica-se especial atengfo a programas ‘de computadores pessoas Detinigdo de andlise multivariada Nit tcl definir anise multvariada, De am modo fetal, ela teerese a todos os métodosestatisticos que rultanesmenteanalistn mitilas medidas sobre Ga individ ou objeto so investgagéo. Qualquer and lise simultines de mais de duas veridveis de corto mo- dda pode ser considerada andlise multivariada, Assim, tls senicas multivaradas sto extensGes de andlise Ciivarinds (endlise de distibuigdes de uma Grice v vel eda andlise bivariada (Gasitingiocruzada, cor {lagio, anise de vardnel eregressio simples usads {fara anallse duas varifves). Por exemplo, regress80 Emples (com ua vardvel preditora) €estendida no ‘hoa amtivariado par inchs vérins vacivelspreito {ae Do mesmo modo, 2 verldvel dependents isolads ‘hconttada na andlise de varidnea éestendida de for- tna. inlu malliplas varigvels dependents em andli- emmultvatiada de varinca. Em mits casos, éenicas ‘multivariadas so um melo de executar em uma dca ‘hille squilo que antes exgia multiple anslises vsan~ péenctsunivaradas, Outra tenias maltivariegss, Sontudo, sio unicamente projtadas para lidar com (quests: multvasiacas, como anise fatoral, que iden Fee esuturasubjacente aim conjunto de variévets, fou andlise discriminante, que discrimina grupos com bese em um conjunto de varisve's ‘Umma raz para dificaldade de define anise mul tivarada € que. trmo maltiwiada no € wsado de me Teitn eonsistente na iteratura.Alguns pesquisadores © Uulizam aimplesmente para designer 0 exame de rela- (fet entre mais de duas vaidvels. Outros, somente em problemas nos qin todas as varidvels mips st0 Eoneideradas como tendo-ure dstbulgio normal m= {ivsnade, Dare ser considerada verdadsireaente como tmultivariada, contuda, todas as varisveis devem ser slentsias ¢ Inter-tlacionadas de maneira que seus dife- sett fetes ago poder ser signficatvamente interpre replsforinasepatads, Alguns autores eslabelecem que ‘Petopsato da anise ultvariaa € medi, explicar © Pret gru de relacionament entre varves estas Preteinacdes ponderadas de varivels) Desse med, eer muiveriado conte nas msltipias vansveises- Pes (combinagbes mapas de vacvels) eno ape eee ocidmer de vaidves ou observbes, Pa 0s pro- ogo deste ve nonsiimos em ua dating ree sndline nulivarada incluic tanto as teres de eiplnsvarvels quanto as écnicas verddeiramente itvaiadas, uma vex que acreitamos que o cones: ‘ant de éeicas ce mélipasvarsveis€ wm primero auo caencal na conpreesio de anave mulvariada ‘Alguns conceitos basicos de anélise rmultivariada ‘Apesar dea andlse multvaiada ter suas izes nas ett ‘ihicas univarada ebivarnds,aextenso para o domt- Ihe mulvariado Introdz conceitos edicionas e ques- ties que tn particular rlevincia. sses conceltos var Tamla ncessidade de uma compreensso conceit do Constructo da anise mulvariada ~a varldvel etatsti- Carat pontos espeifcasquelidam com os tpos dees ‘hiarde medida emprogadase as quests estasiicas de testes de significa eniveis de confianga, Cada conce {tem urn papel significative na apllagao bem-sucedia Se qualquer tenis multivaris, A varidvel estatistica Como anterirmente mencionado, 0 constrato da asi= Semulivariada €varisvelestat(stia tums combinagto linea de veriaveis com pesos empiicamentedeterine- los, As varitvels aio especficadas pelo pesquisader, Sendo o» pesos determinados pela técnica multvarada persatingirum objetivo especiice. Uma varisve estat Beaders portrtne ()pdee ee ‘ade matematicamente come: Valor da varive eatin maemo, onde X,éa versvel abservada ew, £0 peso determin ‘opel ice mullvariada, ‘0 resultado ¢ um tinico valor que represents uma combinagio do cojunto ito de varivels que melhor Stnge o sbjetivo da andlie moltivariada especifca. Em ‘eglessdo mula, a vanavel esata determines ‘de modo a melhor se correlaconar com a vesive a ser Drevista, Em andlisedisriminante a variswl estatsticn formed de modo a rae escores para cada observagio temcoucio_27 que ference de forme maxima entre grupos de obser ‘Tagdes Em anise torial, varidvelsesttistcns So fr. todas para melhor rpresentarer a exruturasubjpcente ‘ua cimensionalidade das veivelscomorepresentadas por sus intercorlacies, ‘Em ead caso, a varveletvtia capturao carter multverindo de andlige, Assim, em nossa discussio de nda tenic, avarisve etatistica€foco da anise em mutes aspects, Devemas compreender nfo apenas se Etnpact coletivo em sxtsazer objeivo da técnica, a5 {amber scontibuigta de enda varlivel eparada pars o elo gral da vasigve estate. Escalas de medida ‘Aanilise de dados envolvea pais, a identifiaeto ea seaica de varogioem um conjunto de varies, sae {neeias ou enfre uma viel dependente ums ou mais ‘asdveis independentes. A palavrichave aqui € mia, poise pesquisdor io pode repart ou identifier varia- Broa menos que ela pose ser melds. A mensuraco € ‘Exportante pata repesentar com preciso 0 conceito de Inlbrese insrumental ma slog do metodo muitive- Fado apropriado para alse A seguir, scutes como fo conceto de medida se eelaciona Bandlise de dados © parelareente i vin enicas mllvariadas Tf dois pos bisioas de dados: nio-metricos(quali- tatvos)e melrieas (quanttativos). Dados ndo~netricos ‘So atibutos caractetten os propriedades categérieas fe identifica ou dascrevem ur objet, Descrever di ‘Erencas em tipo ox expéce, indicando a presenga 08 8. na de une crscersticr cu propiedad, Milos pro- prledades io decetas,no sentido deterem uma caracte- Ficapaticulas sendo toda as outras earactersicas ex ‘lide por exemple, sealguée do sexo maseulino, nto ode st do sexo feminine, No existe qualquer “quan- Rv de sexo hd apenas oestado de ser mascalino ou fem tino. Em contapartda, madidos de dados metrics sto Felts de modo que osinvidios poder serideniieades ‘ome diferencindos em quanta ou gra. Varies metr- amente medidas tefletem quantidade relativa ou au ‘Medias metrics efo propiadas para casos que etvol- ‘Vem quanta ou magnitude, como nivel de saeco 0a Compromiess com un empeego, Escalas de medida ndo-mética “Asmedidosnlométrcas podem ser fits com uma es ‘Gale nominel ou ordinal, A medida com urs escals o- fhinal designs rumeros asados para rtulaeeudentii- Car indivicuos ou objets. As ecalas nominas também Snnccidas como urnln niegricas,fornecem 0 me= ovde ovorténclas em enda dase ou categoria da varis- elem estudo.Portanto ce nimeros ou simbols desig- Tadow sos objtos nto tem significado quantitative alm.26 _fnsuse Maman oe Daves dia indicegio dla presenga ou ausincla doatibuto ou ca- acevsticn sob investigagto.Examplos de dacs es Tonados nominalmenteincluem o sexo, eligi£0 ou © ‘partic politico de um individwo. A trabslhar com es- {Ses dados,o pesquistdor pode designar nimeros para ‘aca categoria, por exemplo, 2 para mules e 1 para omens. sees moras simplesaiente representam ct- fegorns oy classes e fo mplicam quantias de um ati- but ou caracerstica. TEacalas ondinais fe 0 préximo nivel superior de precisto em medida Vaiiveis podem ser ordenadas ou Ennqueades com eseals ordinis em zlag20 8 quanta {batrbuto possulds, Tada subclasse pode ser compara- ia com outta em termos de uma relagio,da forma ‘maior que” ou “meno que" Por exerplo, diferentes niveis de stisfagto de un consumidor em relagio a dle ‘etsos novos produtos podem ser iustados em uma scala ordinal Aescla a seguir mosta a opinigo de wm spondente sobre ts produtos. Fleesté mais satsei- tocom Ado que com Be mals satisete com B do que com. ‘Os nero tilizados em escalas ordinais,como ees, So ndo-quanitalivos, pois inaieam apenas posgdesre- Tativa en uma série ordenada. Nao existe media de rau deeatisfngfo do consusmidos em termosabsolutos, 25 pescuisador também nio sabe diferensa exala en- tre pontos na esela de satisfagao, Muitssescalas em ‘lenclas de compottamentareesem nessa categoria of ‘ina Escalas de medida métrica ‘As excalesintervalares¢eealas de razio(emibas mit ns) fornecer o mais alto alvel de precisio de medida, permitindo que quase todas as operagées matemsticas Sejm executadas Estas duas escalas tém unidades Constantes de medida e, portato, diferengas entre (Gualsquer dois pontos adjacents em qualquer parte da ‘rcalasio gua, A sinie ference veal entre esealasin- tevvalaes«excalos de rao € cue a primeira tatu ponto zero arbitréio, enquanto as segundas tém um Ponto zero absolute, As eicalasinervalres mais fami Keres aio os eacalas de temperatura Fahrenheit e Ce: sins Cada uma fem um porto zero arbiterio diferente cca ume quanta mula ou sucéreia do femperaturs, jf que podemes registrar temperatures iba do ponto ero em ambas, Logo, no ¢ possivel Sizer que qualquer valorem uma escala interval €um rltipio de algum outro ponto da escaa. Por exempo, fio se pode considerer que um dia de 80 tenha odo bro de temperatura de um dis de 40°F, pois sabemos {que BOF, em uma escla diferente, como Celsius, € 57°C. Do mesma modo, APF em Celsius 644°C. Ape- ‘at de BOF ser de fato 0 dobro de 40°F, nao podemos Sfirmar que o calor de 80°F 60 dobro do calor de 407 {que usando diferentes escalas, calor no tem 0 dabro Uulntensidede, isto 6,402 #267. ‘As escaas de raza representa a mais elevada for- rma de precista de medida, pals possuem as vantagens ‘Se todas os escalasinferioressosvadas & exsténcia de tim ponto zero absoluto, Todas as operasdes matemati- 15 Ato possveis com medidas ce escala azo. As ba- lances de barheltos om outros apaelhos comuns pars tneiit pesos sto exemplos desst ecals, pois tm um pponto zero absoluto, eassim podemes fais em termos ‘Ee maltipios quando felacionames um ponto da escola ‘om outro; por exerpo, 100 bras € duas vezes 0 peso deslibras ‘Compreencieros diferentes pos de escalas de me- Aida 8 importante por duns ra7des. Primero, o pesqui- Sador deve Identifienrsescala de medida de cada va~ ‘vel usads, de forma que dados nfo-métricos nfo se- jam incorretamente usados como dados meétricos © vie Cerversa, Segunda, a escala de medida # crftica a0 de~ {erminar quas tenicas multiveriadas sto 2s mais apli- {iveis aos dados, com considerag6esfetas para ambas {Ss varidvelsindependentes edepencentes. Nadiscus- Sho sobre as técnieas e sua classifiagio em seqbes, ‘presentacas mais adiante, as propriedades métricas © hhio-métriea de varidvels indeperdentes e dependen tes os fatores determinantes na escolha da técnica sproprings Ero de medida e media multvariada (Oso de vavdveismsltipl a conflngs em sus combi- raga (@vasivel esata) em ténicas multvarines também concent #atenglo em sma questao comple- tmentar~o erro de media, Eero de medida ¢0 grau em {que os valores observados nao sio representatives dos ‘alors "verdadeiros™ Tem muita fontes, que variam Gesde os eros na entrada de dados devido 3 imprecsio de medida (p. ex, impor escalas com sete pontos para medida de atituce quando 0 pesquisadar sabe que 03 ‘espondentes podemn responder precisamente apenas fm escola cde tes pontos) at a falta de habilidade de ‘espondentes em fornecerem informagies precisa (p. ‘ox, repestas como a renda familia podem ser r2208- imantecomeing.mne raramente exaiae, Assim, todas is varvels usades em tGenicas multvariadas dever {er consideradas como tendo um certo grau de ero de tnecida, O impacto de erro de medida é acréscimo de lnamonueio 29 rato” is vatveis observed ov medidas, Logo, © “is trade buco epresenta ano nel “endo Ue anno rtda” Quand nde pera computor SSrengies ou mdi, o sito verdad” €perca- Sone Rtas pelo erode medi, ems um Tiquecinenta no corelagere menor presdo res SEE Gtmpaco eopetic de eo de medida e sun easton seleioamenton de dopendenie € ‘SSedndo mas Gtathacamene no Cap ‘ cbjaivo do pesado de mr ero de med apse agus dterce sohon Aaavaloro gu de SEE prem um guages medic, o pegs deve adcmcona valldade cs confine a medida ‘ice oon em qo sna medi eps pre ‘verte agle gue apers Por exemple qurees tre enin diesicondia, no Severon prpuntar read fins tl A garntad alidae ome com CTnacompeers eno qedeve sermesign tense star ainadicn soto" eps guanto pose No cctet, lors vats no gaan aide. Em nes exe sends, © pesssdor pes cenit ‘om gre xtddoa gud rnd fim {Casi eens daoconden pri {Tperzuin “cet no fo forming ‘Srevlcnde ct geanien, opesqinndor deve snr da considera confide dy medio. Conf dso sauem ques varvel abort msde lor “Verda ext lvte de roast, €o pono ge err de medida. Se mesa madi fr fn repetcar frie por exam ecas mice rnostreo tht consstenin io ue diame consi provtsodorserpe date salir as venives epreg Eistarmedidcstenaseesdidaseso iapone tnitoenhers vans! coms malorconfabidade ‘Alem cso, opemusadr pode quer derenvlver sedan aulvarada tan cones ono et ismitpay me quis verse verve bo reunias tinue medida composta pra epesetnc um cones {Grex cvan de petonade com milo es 08 esis tps destgto com am prose) ote Gro erinrc uo de opean ua vardval par roprse> ter ut conceit a0 ses dno sa vars valves como indeadores ver Teo-Chave), ton represen tend ferns facta do cont, prs se ber ema Permpecive mai “smpaO sso de alos ndcao- fos permite ao penqioador epeifcar mals prec rete s reposts desqudes No depos fel con: fang cunt nica epost mas na reopot ma ou “pie” de um conjnto de expt slconadas Focexemplo ag meat per sca prgnat Sinplesmente “uo sats vec ete” bntee {eile ne ice espest Ov wine cals mpi oar terdsenvliit combnandse vrs ep ths de soto ler em aire formate dee posi een ieentes res de lneresse imaginadas pe Trconettuirantisagto gra A premien€ que reper. {hs lias vlltem 8 reposta "veradeira™ com maior preva do que uma rca epost. Avaliago de onfablidadeeicorporacto de exnas na ands so tmetdos que o pesqucador deve empregan. Pats uma ined mals detalhada a modelos de milla me tidas econstrugto de eacalas, ver ciscusidosuplemen- tae no Capitulo 3 (Andie Fetorial)« m0 Capitulo TT {Modelspem de Bquaghs Estraturais) 04 texts aio ‘mis 10} Além dso compilagies de eszlas que poder fornecer 2 paula dor una exala“prota pata usr” ‘omconfebidade demonstrat em sdo pllleedaa ‘entoment 15) (impact de ero de medida ea confide sin ‘no poten ser detamente peceidos, uma ver Que e fio cmoutdos na varsvesobsevadas, Porto 0 pe ‘ristor sempre dave tabalner pore ment coato= Siidnde es valdade, que em cotsparida rao femua descr “mats verdad” dat vars dene {arse Resultados pobres oso sempre devida ae ‘demedida masa prsenga deem de eddaceamer- tedltorce ae relates chervada ora ab eras tverladas menos poderosts,Redusr ero de medi, pest de demandarexforo, tempo e recuos adzio- ‘as pode methorar resultados acs ou arta, ber uo fotsleserreuladoe demonsiidos. Signficancia estatistica versus poder estatistico “Todas es técnicas multivariadas, xcetoandlise deagre> ‘pamentose eselonamento multidimensional, sto bs Seadas na infernciaextatstica dos valores ou eagSes ‘deuma populagio entre vaisveis de ume amostr alee- teria extrida daquela populogo. Se conduzimos um ‘enso da populag inteira, eno ainfertncia estatist- ‘ced desnecesstia, pois qualques diferenca ou relaio, no importa quio pequena,é"verdadelra” e exist. Er feetanto, rarement, omnes, um censo é realizado [go 0 pesquisadoréobrigado a fazer inferénciasapatir ‘deuma most Inerprearinferencias etatistieasrequer que o pes _quisedorespecfque os niveis de ero estaistio aceit Seis A abordagem mais comum ¢especificar onivel do tro Tipo, tambézs conhecido como alfa (2) O ro T pola probebildade de retara hipstese nla quar= fo a mesma ¢ verdadeira, ou, em teemos simples, a ‘chance deo teste exbiralgucanca estaistia quando fa verdad era no ot prosente =a caso rn um "pi tivo foo". Ao wspecficat um nivel als, 0 pesquisador ‘estabelece os limites permitides para erro, espcifican-20__ Anus Musrusuon oe Danas do a probablidade de se coneluir que a significineia fevste quando na realldade esta nso torre ‘Quando especfica@ nivel de ero Tipo fo pessiss or tambian determina um ero associaco, chamado de ferro Tipo It ou beta (f). 0 ero Tipo Il éa probablidade ‘eno rjetar a hipotese mula quandona realidad esta € fala. Una probablidade ainda mals ifeessante€1— cchamada de poder do tested inferencia estate Po- ‘der ba proboblidade de reitar cometamente a hipétse rls quando eta deve er eetad, ‘Logo, poder € x probablidade dea signitictnci ete- Witca ser nccada se estiver presente. Arolacio ds dife- ents probabilidages de err na situago hipottis de {este poraa ciferenga em dune médias € most aqui Nosmnatomge—_ hycondlwen ya Ta 8 mien 0 crore * socom @ 18 Apesir dea expecfiacto de alfnestabelecer o nivel de Sgnificanca estaistenacetivel, nivel de poder que dtermina a probebilidade de "sucesso" em encontrar 33 tliferencas se elasrealente extrem. Ent porque nto fer alla ebeta em niveis acet4vels? Porque os eos T pole Tipo Il sto inversamente relacionados e, 8 medida {que oer Tipo Ise tna mais restrtvo (se aproxima de Zee), cero Tipo suments. Reduzir eros Tipo, por- tanto redus 0 poder do testecstatstco. Assim, 0 pesqul> Shor deve oper com oequilpio ete o nivel fee 0 poder resultant 1 pvier no € apenas uma fungio de. Ena verda- Ge detesminad por tes ators: 1. Tamanho do efeto ~ A probebildade de ating sig- nif estatistcn, ébaseada naoapenas em consi- Alerogtes esatistees, mas também na vordadeira ‘magnitude do efit de interesee(p. ex, uma difeer- rade media entre dois grupos 03a corelato entre Vanisvels) ne populag, denominado tamanko do feito (ver Termos-Chave). Como era dese espera, {tmefeitomalorémaisaclmente encontrado €o que lum efeto tenor © que causa impacto no poder do {este estatstico, Para svalinro poder de qualquer ts te estatstico, © pesquisador deve primero com- preender o eleita Sendo examinado, Os tamanhos de feo so cefnidos em tems padronizados para fa Citar acomparagio. As diferengas de média so de- Gas em terms de Wenvow-pasiao, de medo que um tamarino de efito de 0 Indien que a diferenga de tiling metade de un desvio-pededo. Para core TRE RT Epi i si 5, es, tamanho do efeito ¢ baseado na real correlt~ ‘Hountre as vrievels ‘Alfa (a) Como j fo ciscutido, quando alfa tora traistesitiv, 6 poder diminal Iss significa que (quando pesgulsador reduz a chance de enconras Lim efit sgnificante incorret, a probabilidade de ‘ometamente encortrar um efeitotambem diminui. Diretzes convenclanais sugerem nives de alfa de 0.0504 01. Entretanta 0 pesquisador deve conside- tar impact desst daciato sobre o poder antes de Seleciona o nivealla, A relagiodessas duas probabi- Tidades¢ssteada em discusses posteriones 3. Tamanho da amostra~ Em qualquer nivel alfa, ama shes de amostas aumenfades sempre produzem Inulos poder do teste exnitico.No erate, aumen a 6 famarho da amostra também poe produzir poder em excsso™ eo significa que se aumentarmos 2 rmanho di arora, efeitos cada vez menotes serio oralderaio estalisticamente significant, aio pon to em que paca famanhos de amestra muito grandes puaticamente qualquer feo ser significance. O pe [ulsedor sempre deve estar cente de que otamanho ramostra pode impacaro teste esttistio, toma ov insensfvel (com amostias pequenss) ou exagere~ ‘amentssensivel (om amastas muito grandes) [As telagSes ene alfa, tamanho da amoste, tama- no do efit © poder si0 mito complicadas, e muitas Feleréncias de orientagio estao dispels, Cohen [61 teamina o pacer para a maior dos testes de inferencia (attice eapresenia uma erientagio para nivels ace tvela de poser, sugerindo que estudos devem se pla~ isjados para atingirnives alfa de pelo menos 005 com hives de poder de 80%. Para ating tals niveis de po- {eros fede fatores alfa, tamaniho da amostrae tama- hho do efeto — devem ser considerados simultanca- Inonte, Essa interrelagOes podem ser iustradas por ois exempos simples. O primeico envoiveo teste pars Slee enire 08 escores médios do do's grupos, Considere que 0 lamanho do efito deva vatlar ente Dequeno (02) e moderado (0.5), O pesquisador agora Reve determinaeo nivel alfa necessrio eo tamanho da Smostre de cada grupo. ATibela L1ilustsao impacto ‘do amano da amostrae do nive alfa necesséio sobre ‘poder, Como se v8, o poder se tora aceite com t= ‘marines de amosta de 100 ou mais em situagoes com. tum tamanho de afete moderado nos dolsniveis alla “Fodavia, quando otamanho do efeito € pequeno, os es- tip etafatcns tem poueo poder mesano com nivesalla ‘expandidos ow amestras de 200 ou mais. Por exemplo, ireaamostea de 200 eum cada grape, com vim alfa de ‘0.05, sina tem apenas 50% de chance ee dilerengas ig- nificantes seem encontradas eo tamanho do efit for pequeno Igo sagere que se o pesquisador antecipar [ue os efits serto pequenos ela deversplangjr oes- Inrmcoueto 31 ABELA 14 "Nive de poe para acomparasso de dese micas: vaste: portman de amos nielde significa e Tiara aaeacane Tine dE ic eda) ‘umamodamensn Foie de Fea lo a a : me oo a8 ° aa oe oon o to oe ae = oat om mt = oe on east Fine ca sp EPS tr tudo cam manhos de amon muito mares 2/08 nt ‘sala mana esttves (008 01030) ‘Niosegendo explo» Figure. presenta grafic ere oer pr ils ean 0 056 10 pr tamanhos de sosta de 30 «300 {uandootanano do eft (039) xs entepeieno ¢ Srevderado. Diane deals peapelvs a expec de timael de signictncia de 00 equor una amosta de 200 por grupo pars sing onvel deja de OM de perder Noenant, se onivel alla rearado, um poder de 80% € aleangado com amostras de 130 pare um nivel alfa de0,05 ede 100 para umnivel alfa de 0.10, “Tis anlises permitem que 0 pesquisador tenha mais inormacdes para tomar decides sobre oplangj- mento de estado e a Interpretagso dos resultados. AC planer uma pesquisa, 0 pesquisadar deve estimar o fama do ee edo secon o nano da mostra e alfa para atingiro nivel de poder descade, ‘Alm de seus usos para planejamento, a andlise de po- ler também ¢utlizada depois que a andlise ests coms FounA st LA Impactodo tmnt de amin obeo per prs efeito de 0,38. posers ros fis alfa (001,015, 0.10) com taasho do{82 Anise Maron oe Ducos lets para determinar rel poder alcangado, de modo fue of resultados possam ser apropriadamente inter Sretados, Os resultados sto devido 8 amanhos de ef {6 tamarihos das amostes ou nveis de sgnificacia? O Desquisador pode avaliar cada tm desses fatores or Seu impacto na significancia ou nfo-signifieineia dos fesultados.O pesqulsadar de hoje pode consulta est ‘dos publieadoe que detalham as especifcagSes da de- terminagdo de poser 6] 04 apelee para diversos progea- fas de computador que swam no planejamento de “hnudos com o proposto de atingiro poder desejado ou alelar 0 pover de resultados Feats [23]. Orientagtes ‘apecticas para egreseio multiplaeandlise mulivaia~ ane vartncie as apleasoes ais comuns de anslise de poder sto diseutidas com mais detaihes nos Copt- talos 46 “Apis terms abordadio as questbes deestendertéenk cys muvariadas spar de sus orgensuniveriadas © ‘voradas, agora inteoduzimos beeverente cada méto- lomiliverade dscutido no texto. Apos 2 intros {Tas tecnica, apresentamos um esquema de clasifiacdo ‘pars sunlar ta selogia da series aproprad,especi- ‘Eindo os obetivos da pesquisa (elaio de indepenclér- {a ow dependencia) ¢ 0s poe de datos (méticas ou ‘iormetrcos) Tipos de técnicas multivariadas ‘Andis mulvriada ¢ um conju de tcnicas pre ansli- Se de dads que et sempre em expansio, Dente a ni- na mals esbeleldas discus mete iv, et (1) ante Tse de componentes princpais e andlise ds ators co- mans, @)ragressio mpl ecomeagso mail) ané- Tne uscrninante lil, (anise mutvarada de wa- dna e covert, (5) anise conunt, (6) corelagioca- Dice, )endlise de agrupamentose 8) ecalonamento ‘ultidimescional: Dent as tencas emergent, fambém ‘estonia (9) anise de corespondénca, (1) modelos Tineares de probablidade, como lagi ere e(11)a mote lager de equasessimalness/estratras. Aquino ‘oe ade umes nies mulariadas, dafrindo bre ‘ementea tenca eo objetivo para sua aphcao. Andlise de componentes principals © andlise dos fatores comuns ‘Anilisefatoria, que incui andlise de componentes principals eandlise dos fatores comune, € uma abordn Jem euaisca ie yal a sda para analiza ites Feigoes entre un grande mtmero de varidves expli- Car essasvarléveis em termos de suas dimensoes ine- fentes comune (niores. O objetivo € encontrar um. meio de condensar informacio conta em un ib tmero de vardveis originals em um coajunto menor de ‘eridvelaestatstica fatores) com uma perda minima te informagio, Plo fato de fornecer uma estimativa tempitice da “estratura” das varévelsconsideradas, 8 Sndlise fatoral se torna uma base objetiva pare cra excels maliplas Rlegresséo maitipla Regressto miitipla ¢ a método de andlise apropriado ‘quando problema de pesquisa envolve uma dines va~ Revel dependente melria considerada relacionada & ‘kas ou mais valves independents metrieas. Oobje- tive da andlive de repressto maltiplaépreveras mudan- {asa varlvel dependente como eesposta a mudanges {as valves independents, Esse objetivo € alcancado, Com feign, por meio da rogra etatfstica cos min ‘os quadeacos. ‘Sempre que © pesquisadorestver Interessado em prever aque ou magniade da vardvel dependente, 2 eqresafo moltpia sera st. Por exemplo, despesas tmensis com antares fora de cosa (variével dependen- te) podem ser previstas apart deinformagoes referen tesaenl familir, tamanho da fafa ekdade do che. fed familia (varidveis independents), Do meso mo doo pesquisador pode tentar prover as vendas de uma empresa & partir de informagGes sobre suas despesas tem publicidade, 0 imero de vendedores eo nmero ddeloja que Vendem seus produtos. ‘Anélise discriminante méitipia Adlsedisrininante multipla (MDA ~ lp disc Ininant anaiysic) € a téenica multvarinds adequada ‘quando a nica Varlavel dependente ¢ dicotomica (p. Bee macculino-feinino) ou mulicotomica (px alto- rmédio balsa), portato, nao-métrica, Como na egres- Sho multipla, presoupde-se que as varsveis indepen Gentes sem metrics. A andlisecsriminante é lie ‘elem siteagdesras uals a amostr total pode ser divi- “Sida em grupos beseados em uma varisvel dependent Iniometica que caracteriza civersas classes conheci- {das Os objetives prinéros da andlisedisriminante ‘multipla slo entender diferengas de grupos e prever probabildace de que uma entidade (individuo os obje- Ey pertencerdo wna classe ou grupo em paticlar com [bee em diversas variives independents métrica. Por ‘ample, anise dacriminante poderia ser emprega~ dda pave distingulr inovadores de nio-inovadares de siobie com see perfis demograficose psicogricos ‘toes splicagoes ineluem a sistingao de usuarios de peso dactueles que nfo 0 #80, sexo masculino de sexo Feminino,consumidores de marcas nacionsis de const sidores de mazcosimportadas e bons rscos de eréto esiseos ruins de crédito, Até mesmo o Internal Reve- Shue Service dos EUA sis andlise disriminante pace ompararresttuigdes de impostosfederais seleciona- (Ges com uma restiuigéo hipottica de contribuinte ‘Compost e normal (om diferentes ives de vend) pa ontficar ae resitulgdes mals promissoras edreas para auditors. ‘Andlige multvariada de variénoia e covariincia ‘Anise maltvarada de vatiincia (MANOVA ~ lie Sainte analysis of tarance and eowarenc) 6 uma weniea ttaisten que pode cer usada para explorar simulta feamente a relagbes enti diversas vartivels indepen Gentes catagrices (geralmentechamadas de tatamen- fos) eds ou mate varsveis dependentes métias.Co- tno tay representa uma extensto da anise univariada de vatiincia (ANOVA ~ unioavat alysis of wrience. ‘A anilise multivaringa de covariénela (MANCOVA — multirate alysis of covariance) pode ser usada er onjuncio on MANOVA pars remover (apés o exper mento) o efeito de quaisquer variavels independentes nidtieas nfo controladas (conhecidas come covaraveis ‘etalistcas) sobre os varisveis dependents. © proced ‘ento éanslogo ao envolvido na correlagao parcial B- variads, na qual o efeito de uma terceitevacivel & re ‘movida da corzelagSo. MANOVA é dl quando o pes {qisador planeja ema stuacdo experimental (manips~ Ineho de visas voriveisnao-mémnens que repesentarn tratamento) para testa hipdtedes referents a varincia fem respostas nos grupos sobre duas ou mais varivels ‘dependents metcins. Analise conjunta Er arta ado nove neg pns as Go ae tsa in novo ere ‘Sle Aap mtedia eo desloge Soren ose salondo salad ee oer a Seen pete Siocecsdcds sll tngunts conuide SS naam peas une pou pi do po, ‘ato ombud soe pete Poets Boscom getty dade pe es se Se (Geg sultan) cna um com oe ne Potsivels (pox. vermetho.amavelo e azul. Em vez de valine a 2 (3% 3 3) combinagSes posives wm sub onjunto (@ ou mais) pode ser avaliado por seu apelo _Preante consumidores, 0 pesqlsador sabendo apenas Inmneougto 93 fo qudo importante cada atibuto é, mas também a ine portincia de cada nivel a atratividade ce vermelho r= Sus amarelo serous azul). Alem disso, quando as aia= ‘Bes do consumidor sdo concluidas, os resultados 62 Snilie conjmtn podem iguslmente ser wos em st ‘muladores de planejamento do produto, os quis mos- fram a acelagzo do consumidor a qualquer rdmero de formulagbes co produto e ausam no plancjamente do produto stim. Correlagao candnica A anfise de consi candi pode mer vita como tina etna lps a adie Ge rgesso mila tembreques andi deepraiomilpiervlve ins tn vel dependent mein eva varévelin- Sopendentne mites Com wane cance Coe cortlaconar smuteneaente dvera ares Sdpencanes metres dverss waives ndopencen- ttn Arora‘ envlve uma ic diel dependent acorelago candi erate mul iownlves dependents © principles etree uma combi foliar db ada conte vatves independenen S'Spendontes) par mci coreg ene or Sorento opecrinen tolves bung de um cnt de pene pra o- ivi dopendntes independents ue ornece co tng simples maxima ete oconnto de vaniels “epundentr eo de veriives independents ‘Anélise de agrupamentos Aanslige de agrupamentos & uma téeniea analiica para “desenvolveesubgrapos significativos de individuos ou bjetos. Especifeamente, 0 objetivo & classifcar uma amoatea de entidadesindividuos ou objeto) em um pe {gueno nero de grupos mutuamenteexcladentes, com Base nas simiaridadas entre as enidades. Naandlise de grapamentos,cferentemente da andlse disciminante, (8 grupos nia sto predefinids, Ao inves disso, a tenia ‘Suseda para identcar of grupos ‘Aanilise de agrpamentas geralmenteenvolve pelo menos rs pass. O primeira a medida de alguma for ‘ma de similridade ot assocagb0ente as entidades pe zm delerminar quantos geupos realmente existen na mostra. O segunda 60 prprio proceso de ageupamen fo, nas quale entdades s80 paricionadas em grupos {agrapements) Osmo past éestabelacero perf das pessoas ou varéveis para determinar sua composi, uit vezcs isso possivel pla apiengto da ealise clscriminante aos grupos idenificados pela tenia de sgrepament4 Ande Museen ce DAo0S Escalonamento multidimensional Em escaonamento ultidimensional, 0 objetivo 6 trans {orm julgamentos de consumidores sobresimilerdade fou prefertncia(p. ex, prefernela por lojs ou marcas) fm distinciasrepresentadas em um espago maltdimen Sonal. Se os tespondentesjulgam oe objets Ae B os mais seradhanter,comparedos com tndos 0s 00s Pos dveis pares de objets, eeicas de escalonsaento milt= ‘mensional colocars os objets Ae Bde tl forme que Aistincn entre els no espago multidimensional sea me hor do que distinia entre quaisquer utzos pares de bbjeos, Os mapas pereptuais esultantesexlbem pos (ho relat de todos os objetos, mas anlises adicionais ‘SSonecesiis para descrever ou avalir quais atributos ‘lita a posigi decada objeto Andlise de correspondéncla ‘andl de corespondénca € ums tenza de nterde- pondéncie rcenetent ecenvlvida qu facia ano stuf densinal es snag desjeos (pe oslo, pesos) em un cofunt Se bute quarto Pimapecerto perceptual de bjs eave esses Stbutos Os pesqusedores so conetanementedefon- tno com a receidade de “quantfcar o dos gual tntivos”encontados em vacvels nomunels,Aandise {de comespondenci fer das teres de nterdepe inca docutdas nteronmente em aus habidade po Somodor tanto cds nomic quent Fags Sorinetes, ‘sue forma mas bi, anise de corespon- coca emprega ia tala deconingénet, que 3 a= ‘glo ctzade de dane vandvels catego a entio ‘andor osdados nto mcosem ut rvel mricoe for veducto mensional (ndloge 2 andiseftorial) © rrapeamento perceptual emelante bans lie terion, Por exempo preferdncias de espondentes ‘Paress poem se alan po rdzamento com Vat ‘ap demograin (pe, seo categorie de end ons posto indcando qusnian pessoas que preferem cada Timer coer em cs ctagors dat vargvels demogrs- fas Portela Ge ands de corespondénc a estca- ‘Gowu ‘orespondenday demarcaredfrertncaracte Sens Gaqueles que peferem cada aes € eto mos- {rad em vn mapa bio tidimersioal de areas e ‘dor devers examinar todos as ressltadossigifcantes pa garantir que fenham significdnci prtica cevico {8 poder esttistico aumentado peo amano da amos tra, Tamanhos de amosta também afetam os resultados {quando a andlise envolve grupos cle responcentes,co- tha na andlisediseriminante ou em MANOVA. Tama ‘hos de amostra diferentes ente grsposinflenciam 0 resultados eenigem interpretagso e/0u anise aiclo- ‘al Logo, um pesquisador ou usudrio de tenias mul- UUvariadas sempre deve avaisr os rebultados 8 luz da mostra sada na ali Conhega seus dados As técncasmultvariadss, por nature, dente = tages comprar muito ciel deserem represents Simone simples, Consgtentmente, endénca € teeta os rerladoe sero exame comm que se promo ternasanalses univaradaebivarags (pcx lagramas de dgperso de coelagtes e gufcs decals com. aralor de man No ent ne “atalhor” poder {rum preiio para odesete Andie ulead {Emon un evan sms mgr don pol a inline de servos atc, vislegbes das [nposigaesedados perdido pe parecer em divers Caries com eflesubetanciai Pataca fos o ‘enfcos das tics mulvanadss,o pesqusadr de- ve stberandeoha® com fcmulagesaiterativs do Ime original, alscome eager ndo-ineses ener thas O penuisdor en, conto, ar confu cece tedeticies de dingo qu permite esse Tages mulvanadss sj desoberts Ge manelas multo semelantes aoe métods snlvaiados ever: Gor.0 pesffsador muttvariady deve dopor Se teuges force ete ia ingnonics pe ua relhor Zameen dos dadosedae rages baseasenstents40 _Axiuse Murano 0 Davos Esforce-se por modelos parcimoniosos ‘As téenicas multivaradas sto plangjadas para acomo dav miltiplas varidvelo ma andi. Essa caracterstica, onto, nto deve substi desenvolvimento domo~ ‘elo conceitual mites deas tenis multivariadss serem. Splicadas. Apesar de sempre se mais importante evitar ‘Tomissto de uma variével predivor ea, 0 que se Shama de erro de especficacl, por vérias razDes o pessuisador também deve evitarainsergio indiscrimi- ack de varidvets experando que atéenica multivaria- fe “arrume” 98 vasidveis relevant. Peimeltoas vars ‘eis elovantes gerslmente aumentam a abilidade da Uenica de sjstar os dados da amosts, mas ao prego de Superstar os dados e torné-los menos genealizaveis 4B populaglo, Segundo, ab varlavels irvlevantes no ‘hegema vies as estimativas das varidvelsrelevantes, hus podem mascear or verdadelres efeitos por cust {y mltcolinearidade, qual representa ograu em que ‘Gualguer efeto de varivel pode ser provsto ou expli> Rao pelos outs varisves na andlise. Quando. multi- Colineandade sument, a habilidade de defini qual- “Goer efeio de vasvel diminul Logo, inciie variaves ‘Dneeitvltoente izelevastes pode fe vrios efeitos po tenclalmentedanosos, ainda que as Varidvelsadiionals fo influenciem dietamente as resultados do modelo. Examine sous e1r08 Meso com oalcanceestatsia das éniens mulvaria Gas ramentestinginossmethor penn primera ‘ise O pesqsedor deve enenrarn queso Pra on- devamons perce dag Amelhor eapesta¢ examina ‘sero nareviso, tees os resicuoe da andi de Stren, ty ee na csniegso de observes ma ‘alin ulscninange ov observages sic na anise ‘Tengropamentes Em cda cso, 0 penglsador deve use tr ero ma revatio ni como aa esi de ae Su utg qe tnplesmcte deve fiinadomascome Stapentbde pra pon disposer alae dor ths clove wna nda da eas etants Seles. Valide seus resultados [Anabildade da adie multvariads para identifi ‘Ieselagies complenes bem sg que podem er eneontados seslados expectfeosspenes ara ¢ ‘Shona eta generlnaves peas popelgso.0 pe Suimaor sempre deve garantr que Bue observagoes ‘Rfsenme po pdm etinado para via supe- inate dum como cic atmereipertanies sh os eoris pars valida o& ‘Eistndon por qulque deste ox virion mado ie Chanda separ amos em in parse Sst ‘uma subamosir pata estimar 0 modelo e a outta para ‘elliar a precato de previsio, (2) empregar a técnica ‘oostrappang [1,1 (3 mesmo juntar uma amositase- prada para garantie que os resultados sejam apropria- {dos pare outras smostas. Qualquer que seja a tenis imulivarada empregada, opesguisador deve sesfor- {GE do apense pars estimar um modelo signficante, mas paca garantir que ele sje representative da popu Tagio cama um todo, Lembre-se de que 0 objetivo nfo é Geterminar o melir “auste” apenas para es dados da motes, nae desenvolver im modele que melhor des: ‘revaa popilagio como um todo. Um tratamento estruturado para construlr ‘modelos multivariados oeteaaareie inte eee temetire sei cette ca Benet Sees are sciences Boceat aera nats as eer are icuneceamin cetera detain ceamesteens onmenanentuntn aera Er chia timed cet | modelos, que info melhorar a andlise multivarada do prolssional edo académica, Estdgio 1: dofinigdo do problema da pesquisa, dos objetivos e da técnica mmultvariada a ser usada (0 ponto de partda pare qualquer anise mulivariada € ‘efi o problems da pesquisa eos objtivos de andlise {em terms conceltuals, antes de espeaifear qualquer ve ‘ives ou medidas. papal do desenvolvimento do mo- elo conceitual, ou da tora, no pode ser estabelecido fom exagero. Naoimporta se pesuistapicada ou aca: ‘emica,0 pesqusador deve primeico vero problema em. termos coealtuis, definndo os concatoseidetiian- do as relacdesfurdamentais a sorem investgadas. De- Seovolver um modelo conceiteal nfo €atibuiga exchi- Siva de scadémios;¢ #0 somente algo ajustado pars aplcagao no mundo rea ‘Um modelo conceitual nto precisa ser complexo # ‘atiada selcionada, a atengio se volta parse implemen lacie. Para cada erica, 0 pesqlsador deve desenvalver lum plano de aalise qt aborde as questes partculares S04 propssitoe projet. As questesinclvem considers lemmeougio 44 Ses gerais, como tamanho minim ou desjado ds [amastta,tipos permis ou exigidos de varied ene ‘ncas versus nao-metrcas) emétedlos de entimageo lem {de aspectosespeciicos, como o tipo de medidas de a550- ‘angio sadas em escalonamentomulldimensional es fimagio de resultados agregades ou desagregadas em nlite conjunta ot ut de formolagSesexpesais de vi ‘ves para repescnlar efeitos nio-inears ow interat- ‘yosem regesste. Em cedacos0,esas quests recolvem erahes especticasefinalizam a formulagie do modelo feexigéncins para coleta de dados, Esidgio 3: avalagao das suposigdes inorontes & técnica multvariaga Com os dados coletados,a primeira tarefa nlo éesi- mar omodelo multivariade, mas avaliar as suposicoes subjacentes. Todas as teniens malivariadas tém spo- ‘sles nerentas,estatitcaseconceltuas, que infen- ‘iam muito su0shabilidades para sepresentartelagGes ‘multivariadas, Parnas ténicas basestas em inferénca esttistica, as suposigses de normalidade multivaria- da, lincaridade, independéncia de termos de ero © ‘gualdade de varineias em urna elagto de depen {da devem ser satisfeitas A avaliagio dessas supos bes € discutlda em maiores detanes no Copitlo 2. Cada tecnica também tem uma série de suposigoes conceituais que lidam com questbes como a formula §80 de modelo e os tipos de relagées represertadas, ‘Antes de qualquer estimacio de modelo, 0 pesqute ‘dor deve garanir que as suposigiesestatisticas econ ‘ritusiserejm entistltas Estagio 4: estimagdo do modelo multvarlado e avalacao do aluste geral do modelo Coma suposiies satis, a alse nila a vendedel- ‘estimagto do modelo multiaviedoe uma avallago do Bust gral do modelo, No process de estimacto,o pes ‘Tsar dip de opcdes para sender carateritcas ee Pecfeas dos dadas (px, uso de covarivelsestatistias ‘Ex MANOVA) ou manimizato juste dos des (p-ex ago de fatores ou fungbes dlsciminantes) Depots que ‘omodelo é estado, o seu aust gral €avaliado pare tcabelcer se ange niveis acetals sabre os rio er takstico (p-ex, nivel desigrificincia) se identifica sre lngGes propostas ese lem significin pts, Matas v= 22, o model éeespeificot em umn fentti de ain i melhores nives de ajusteo/ouexplicasso gel. Em foddos os cass, contd, um modelo aceltivel deve ser bio antes de se prossegul. ‘Nia importa qual nivel de juste geral do modelo se jn conseguido, o pesquisador também deve determinar see reslindos so escesivarentealtados por alguna42_Ayduse Maswenonce Doe ‘bservagio ou pequena conjuntn de abservacbes qu In- Aigue que os resultados podem sr instiveis ou no- neralizaves. ses esfrgos garantem que os resultados 0 *robustes”e eetivels,apliando-se razonvelmente bem a todas as coservaghes ne amosta, Observagoes de jst pedicle poder ser dentifcadas como abser~ ‘gies pions, cbservagoes influent oat restliados er- roneos (p ex, agrupamentesunitvios ou casos muito ‘nal cassfeados em anslisediseriminant). Estagio 5: interpretagao da(s) vvariéve(ois)ostatistica(s) Com um nivel acltivel de juste do modelo, nterpretar 3) varveles) esttistica(s) evela a natureza da rela- ‘io mulivarindn. A interpreta de efeitos para varis- ‘eis indivass€fetaexaminando-e os coeicenteses- timados (pesos) para cada varkvel na varvel statistic prec, pesos de regresto, cargasfatoriais ou utilidades conju) "Alen iso aguas tenias também estima tipls veiiveseslatsiens que representa. dimensdes Tatenes se comparacS0 ou associagio (Le, fungdes is- {imisontes ou componentes prinlpas).Anterpretagso pode condzirareespecifiacSesadcionais das waives fo: da formalago do modelo, née 0 model ¢rest- thado eno novamenteinterpretado.O objetivo iden fifa evidénen empiric de relacbes multveriadas nos ‘dads da amostra que possam sez generalizedas pare & poptlagto tl Eztdigio 6: valldagao do modelo mutivariado ‘Anes de citar silos 0 peguiador deve sub- ‘ninco um conjnto oldies ignts que “Natem ogra de generoildade doe rentades Peles indoosde validate dopo Asteratives de alle Tromaclo si deconaaso edo de demosntar {iferualdade do slice urs Poplar abtccoo anterior sobre snces Ge ago. Eas ‘tis iagnesteanacrescecam pose interpreta teresa maspodem sess como ina gaa {in dequcc tenon to ormaores desertion dos {eos ceselzivelss poplags Um fluxograma de decisao ara cada técnica multivarada, @sbordagem de sels pasos para a canstrugto de modelos multivariados ord ettatads em um fuxograma de decisto divide fom duss segoes. A primetre neyao (endgioe 129) om as questOesrelatvas 8 preparagio para a estima (Bodo modelo do real. abjesvos da pesquisa con- sideragdes sobre plansjamento da pesquisa e teste das suposigbes) "A segunda seqdo do fuxograma de decisio (est sos 426) tata dos apectespertinentes estimasso do frevelainterprelactoe validacao,O uxograma dede- isto fomece a0 pesquisndor um método simpifcado, Shas, sistemitieo, de uso da abordagem estrtural de Gonstugio do modelo multivariado em qualquer apli= ‘agho da tdnica multvariada Bases de dados Pera melhor expiare ilustrar cada tenia mitvarad, ‘usainos cajintos de dados hipotticos a0 longo do I ‘to. Esses dads foram obidos a partie de Fait, Ander- Son, and Tatham Company (HATCO), xm grande fore edor industrial (@pestr de inexstente). Cada conjunto ‘de dados foi conseguldo cle enrevistas de clientes da HATCO reslizadas por uma empresa de pesquisa de mercado, Base de dados primaria ‘Abase de dadospriméria, que consist em 100 observa- hes sobre Té variate separedas, um exemplo de um Sstudo de sogmentagto para ina stuacao de negéclos, “ipecicamente um levantament decliantesexstntes GAHIATCO. Tres tipos de informatio fram coletadlos. primelco 6 a percepcio da HATCO sobre sete aributos entificndos em estados anteriores como 08 mais it- fgentes na eecolha de formecedares. Os respondents, executives que compram da HATCO, a avaiaram a em fxda aeouto, © segundo tipo de informasio se refere 2 ‘compres rai, tanto As avallagtes da stisigdo decade “inte com a HATCO como ao percentual compre da HATCO daguele clint, Otereio ipo de informacio ‘oni catacterieticasgerais das compantias comprado- tas p. ex, tamanho de empresa, tipo de nds). Os datos forecdos deveriam dar 2 HATCO ums relhor comprensio das caracterscas de seus clientes © as relagbes entre us percepgbes sobre a HATCO e ses fgtes sobre & mesma (compras e atsacio). Uma breve ‘esergio das vardveis da bate de dacos€ dada na Tabe- a1, qual as Varigvessfo classfcades como inde- pendentes ou dependentes e métrices ou nto-metrices. {ma lista da base de dades ¢ fornecda no Apéndice A pars quem dejar rps nel reltadas neste Five, Uma defnigio de cada venvel e uma explicago eoua coicag é dada nas segbes que ge segue. Percepedes dt HATCO cada varvel foi medida em uma escal grfica, onde {oma ina de 10 centimetos fi desenada entre 08 pon {nexttemos chamados de “Rui” e"Excalento". [-————— (0s respondentes indicaram suas percepedes fazendo Sima matea em qualquer ponto de linha. A marea era fnizo medida © a distinela a partir de 0 fem eentime- feos ers anotada, © resultado foi uma escla que varia ea 10, aredondada para um casa decimal. Os ete seibutos da HATCO avaliados por cada respondente oc seguints 1%; Velocidad de entrega ~ tempo total necesirio ‘pra entegaro proco assim qua encomenda fot confirma 2 Nivel de prego nivel percebido de proso cobra door forecedones do produto X; Fexblidade de prog —disposicto percebida de representantes da HATCO em negociar pros emtodas os pos de compras| 2X, Imagem do fabricante ~ imagem geral do fabr- cante ou fornecedor X, Serio geral~nivel gerd servo necesito pastor ura eles ent ome. Selo ecomprador 2, mugen da fog de vendes— imagem gral da forga de vendas do fabricante ae 2% Qualldade do produto nivel persebio de qu "ade dem produ em particular (pox fun- Clonanenio ou produtidade) Resultados das compras Foram abides uss medidas expen, que retin ‘sresulncs de relgdes da comprns dos respondents soma HATCO. Bsns medias neem X, Nivel de uso quanta do produto total da en prs compa a HATE, medida a Sala de 100 pontos pereentuai que aca de Troma) Pontos pecentuns ae vara deo Xs Nive desta quo sift et oom Badr com compos fn oan, ds HAT. C0, mda meme excl grafica de percep ses emprega dX 3 lwrmaousso 43 CCaracteristicas do comprador As ico craters das empress respondents us das. eno sigmas mete e utes nome oan sepuintes 1X; Tanaho d empress ~tamanbo depres em Taagioa cls rete mercado Esa wave ‘hascatsgonne T= grande, 0 pequeno 1X, Especifcagto de compra ~o quanto um com- Drtdorem particular sala cada compra spa. Eiamente ante a valor Tol) pais oso dsepeatinges de compe, sats detsham Drecuamente ar carcass procrsdas do Proofs vane! tem dans categoria: = Exprege anise de valor tol), evaliando cada Ccnnpeteeparadamente; = uso de especies sflodecomprs 2a Est de aqui ~ méodo de adgirito8 compar produlser na empresa parc sn vane om cs etegoe: 1 = agusgho centmalzaa,0 = equipo nfo centalizada Np Tip de inden ~clasfcago da indstla 3 ain um comprar erence Esa varie! ‘Lise catagories 1 = india A, 0 = ous in distin Xi Tipo de stusgo de compra - tipo de stuneso qe ocomprador ent sca varbvel em es tegonus! t= nova tela, 2= nove compra o- ‘ifeada 3 nova compra simples, ‘TABELAL3 Desc: de varvls abuse da dads 3 Wedd de entegt aes ——_Niwlepe ate X,enbibdade dep dua X, maga do rote ats X Sevopeal Mats Xen defegedevenlas Men X—Qualladedoproto Mote Ky Nive destiso Mein ‘cAaacTNscAS DD COMRABOR Ry machodsenpres ome Ny Spc compen Noone ‘dag Naomi Tpedeenscodecompn __ Noi44 Avduse Mamamon ce Dies COurras bases de dados (Outtas tr bases de dados expecalzadas so emprege ‘das no texto, O Captule 2 uss uma base de dades menor Ge muitas dessa varisves otidas em slgumas pesqu ‘Sts peliminares,O objevoéiustraraidenicagfo de ‘Sheervagesatipicas, omanuseio de dados perdidos eo teste de suposicbesetatstcas.Os Captulos 8 10 exa- tminam bases de dados com os inicos dados necessrlos para essa nics, Em cada caso, base de dados émnis ‘Bem descita nesses eapiulos. Urn lista complete das bases de dados é dada no apéndice A. Organizagao dos demais capitulos COs outros ceptulee do liveo sto orgnizaos em quatro fee: eada uma aborda um esto separado pars exe- fia uma anise maitvarada, + Secto 1 PreparagSo para uma anise maltivaria- Ga lide com questoes que devemn ser resolvidas Sites que uma andlise mulivarada poss ser epi- ada, Essa segto comega como Capitule 2,0 qual abre of lopicos de acomodagso de dados perdl- dom a gerantia de atender a suposighesesttist- as inerentes ea identifiegio de observagbes atipi- as que_poderiam iavluerciar desproporcional- mente os revultados, O Capitulo 3 cabresandlise fetoraly uma téonica particularmente adequada ppara examinar a3 relagSes entre varivels © as Sportunidades de criar escalas multiplas. Esses ois eapitulos se commbinam para force 20 pes- {Gulssdor nfo apenas as ferramentas diagnésticas Focesirias para preparar os dados para anslise, nas tambésh of teios para redueao-de dados © Consrugio de ercala que podem ser incluldos emt ‘uae teeiens mulivaiadas. Resumo + Sesto: Técnicas de dependénea ata decinote- sede dependéneia = repesio maps, analice Slscsiminante, anise malvarads de variania, tralseconuniaecorelaio candi (Cpu 3, ‘espectivaments). Como chservado anterirmente { Lense de dependncn permite 20 peegusador Saline o get de rlagio ene as Vries depene {entes cindependents. As enics de dependenca ‘ram no ipo e carder da tlago,o que se reflee as proprdaes de medida dss Vaviveisdeper- dees ¢ndependencer Cada Wena ¢ examitada Sob sua perspective ica deavliar una vlog de wine sus habe de rte com Un ipo farcalr de cjetve de peeguis Seqio 3 Técnicas de interdependéncia (Capitals Soh cobras tenkas de andive de agroperentos { eatlenarnento mitiimensional Ese tenes “presenta 20 pesqusodor ferromentas particular sents adequndas pata aalior esate, foclizar= {Tose na desrgio das relages entre objets, sjam reopens andise de agrapaments), ou cjetes tomo ompresss,progtosensin por dite seal- amentomulcimensonal). Deve-se note que uma Gps tenes primaries de interdependenea, alse {Sorat e sun bdade pars velar a elago ete ‘andes fol sbordade na Seto Seqlo Téeniasavangadaseemergentes (Capt Ibo 1) fomece ao peuisedor ura inrodugto a {uma Kale mulvandaavangads amplamente Dregada, modeler de equngtes eure, bem term alunos tices erergetes nov nas Beas dlemineragh de dado, odes neras e oiepng. O objetivo desses dos capitan no presenta un fotaento complet dos aspects uso dese ee ‘as, ma forecer uma intoduto qu eapactaré 0 onndora avela o polencil uso dese enias Enlaces epesizns de psqus (ee Este capitulo introdusiu o tice empolgante edesafie~ dor da andlise multvariads de dados. Os captulos que fe segue dscutem cade téenca em detalhessuficien- tespara capaitaro pesquizdor inilantea entender 0 {queue tdenica em particular pode fazer, quando eco- tno ela deve ser aplicada e como os resultados de ua plcagio deve ser interpretados. Os resumos de fim Ae capitulo de obras da iteratara peofisional eacadé- ‘mice demonsiram melhor a aplicacto e interpretacio dds teniens. Questées [Com suas proprias palavras,delina anise multiva- nda. 2. Cite vérosfatores que tem contelbuo para a aplice- (lo cresente de tenias de anlise mulvariada de Etosios limos ance, 4. Liste e descreva as tencas de anise multvariads Se dads descrtas neste capil. Citeexemplos nos (gets cada técnica €apropviada, 4. Explique por quee coma os diversos métodes mul tlvatados poder ser entendidas como uma fami Sie de téeneas- Roferéncias Irrncoucio 48 5. Porqueo conhecimento sobre esas de medida im portant parsantener anise mulivariaa de dado? 6, Quais sas diferengas entre signifetncia ests ‘signifchclaprtiea? Uma dela pré-requisto pa maoutra? 7. Quais sto 2s implicagdes debaixo por esatistico? Como. poser poders ser melhorado se é considers: domi baixo? 8, Detalheo tratamento de construsto de modelos para andlise multivaviada concentando-se nas questées ‘ale importantes em nds paso. 4 Bencen, Wiliam O, RichardG. Netomeyer, and Mary Mable 1995), Handbook of Market Seals, Mul Tien sires for Marketing ad Consumer Beir [Newbury Park, Cali: Sage 2. BMDP Stata Software, Ine (1991) SOLO Power ‘Aral Los Angeles, 43, Brot, Edward E, Edward} Milan Alan ‘Thompson (1985), Ex-Senple™ An Eee Sytem to ‘ssn tering Spe Sz, Version 30. Columbia, ‘Ma: dea Works 4, Brent, Ewan Eta (191), Sait! Navigator Prfsonal™: An Expert Sytem o Asin Sebeting Appropriate Sais Analys, Version 1.0 Columba, Mo: Idea Works 5. Brunner, Gordon C, and Poul Hens (1953), Marketing Sales Honda, A Coveplation of Mit ‘Hem Mensres. Chicago: American Marketing ‘Assocation. 6. Cohen J. (197), Sait! Power Analysis forte Belair Sena. New York: Academic Press. 7. Gat. (196) °Mlivariate Analysis for Marketing Reseasd An Evaluation ” Appt Siscs 18 (November 57-172. 8. Hardyck C. Dy and LP. Petrovich (1976), Tndraucin wo Stati forte Bho Sciences, 2. Philsdelphi Sounders 9, Meaney Chistopher Zand Rabe D. Duval (1988), Basaran: Nonparametric Aproch to Sitti InjreceBoverly ils, Cal Sage- 10, Sivan Jo Land Stanley elran (1979), Mule Trion nbadcton. Bevery Hills, CaBESageeSegao Preparacao para uma analise multivariada isto geral A Segfo 1 formece um conjunto de fecramentas ¢andli- ‘esque sjudam a prepara o pesquisador para a com- Plexdade crscente de uma andise moltivarisds. O pesquisudor prudente compreende a nocessdadie de lim maior vel de compreensio dos dads, tanto em texmosetatisticos quanto conceluals. Apesar deastc- ‘cts ulivariadas discutidas neste texto apresentarem pesquisador um paderoso conjunto de ferramentas ‘nates las tml eepresentam o isco de (3) por fevirmente cistanciar 0 pasquisndor de um entend- mento sido des dadas e(b) eondzic& nogto equiva- ‘ada de que elas apresentamn um melo "répido ef” Capitulos da Sogdo 1 ets cago comege com o Capitulo 2, Examine seus Da- do,» qual core os tpicas de acomoda: dados perdi- sate as poe eta ner en feat abservagdesatpicas que podem infivencat 08 sillados de maneira desproporsona esas anliss fOr recem simples avaliagdes empiticas que detatham a5 ropriedacesestatistcn cca dos dacs, ‘OCapitslo3, Anise Fotrial,apresenta ume dis- ‘eusso deuma Kenien de intordependéncia particular mente adequada para examina as volagSes entra Va- Faves ea cragio de escalas miltiplas. A "busca por pata idantifiarrelagoes, A medida que o pesquisador onfin mais cegamente nesses tecnica para encontar 2 fesposta e menos em uma bas eentendlimenteconcei> tals das propriedades fundamentais dos dados, au rents o rico de problemas sérios n0 uso indevido de ‘erica, na volaggo de propriedadesestatisticas ou na inferéncia einterpretacio inacequadas dos resultados. Essesriscos jamais poslem ser totalmente eliminades, ras as feramentas ¢ andloes discutieas nesta secio ‘methorsedo a hablidade do pesquisador para reconhe- {er muitos deses problemas, como de fato acontecem, splcar as medidas coretivas apropriedas ‘strutura” com 2 anise fatocal pode revelarIner-re- laqBes aubstancinis entre varidvelsefornecer uma base objtiva para o desenvolvimento do modelo conceitul ‘uma melhor parcimGnia entre as variéveis em uma fndlise multvarinds, Assim, os dois capttulos esta se- (lo se harmonizam para fornecer 20 pesquissdor nio Spenas as fereementas diagnésticas necessias& pre- paragao de dadas para andlise, mas também os mies pata reducio de dados econstructo de eseala gue po= em melhora:consideravelmente outras teenies tul- ‘ivarladasCapitulo Examine seus dados Objetivos de aprendizagem Aaconci est capttlo, vos doverd sar expaz de + Seleconar 0 métode grfico apropriado para examinarn caracersticns dos dados ou elas de intarsse _Avaiaro tipo e impacto potencial de dades perides. Idensifcar observagdes atfpicasunvariadas,bivarids Apresentagio do capitulo ste capitulo reve e descreve os métodosatuslmente Aispontvels para oexame de dedos.Exame de dados lum pasa que consome tempo, mas neceasiro, que 38 ‘ez gnorado por pesguisndors Andis cuidado- de dedios nos leva's uma melhor previsdo e a uma ‘valogo mais previa de dimensionalidade, A segioin- frodutria deste capitulo oferece um sumo de diver~ 8 iénicas gdficasdisponivels ao pesquisador como ‘sm meio pata reprosentr don. Eons tcniss fore. Gem an perqusaor umn conju do modor epior, orem sbrangentes, para examina tanto a8 varaveis Srdividusis quanto as elagbes ene las og ut Peocupages importantes pra o page for quando o mesma examina dados€ como avalar © (Compreender os diferentes tipos de process de dads perdidos, _Explicaras vantagense desvantagens das abordagens dispontves pra lidar com dads perdidos. ge mullivaradas. “Testar ses dacs para a8 suposies subjacentes& maioria das ténicas mitivariads. Deteroinar © melhor métoda de ransformagio de dads, dado um problema espacice, CCompreender como incorporr vridvelsnao-métricas eomo variveismétricas superar problemas resultant do planejamento da pes Guia ed coleta de das. Sspecicament, este cap filo trata da avallago de dados perdido da identt- {ao de observagies atipicas edo tnt as supesiges Subjacentes 8 maioia das idnicas multivaiadas, Os Ades perdios sto um incdmado para pesgulsadres t poder ser resultado de erros a entrada de dados ou 4b omissio de respostas pelos espondentes. A clessit cago de dedos pecdidos os procesos, ou raze, ne- ‘ac cus profana slo ceeteas nore expt, Ob fervagOer apes, ov respostas extremes, podem in foenclar excesivement orenltaca de qualquer ani lise multiariada, Por essa rao, mdtodos pra avallar seu impectosbodiscutidos. Finalmente as upasioes50__Anues Muurwenon ce Duco én maioria das anlises multivariadas sio revisadas ‘antes de aplcar qualguer técnica multivariada,o pes- Guisador deve avalir oajste dos dados da amostra Com as suposiges estatistiasinerentes aquela técnica ‘multivariada, Por exemplo, os pesqusadares que que~ Fem aplicer anise de regeessao (Capitulo 4) estariam. pertclermenteinteressados em avaiar as suposicdes Bernormalidade, homoscedasticidade, independéncin deere linearidade. Cada uma dessas questées dever ‘Termos-chave ‘Anes de comesieo capita, oi 0s termos-chave para omprender os concrtes ea terminaloga empregados ‘Ri tonge do capital, os ermos-chave aparece em ne- Jt Outros pontos ue merece desta, lém das Ferdnciscruzadas no temos-have esto em ilo. [Abordagem de caso completo latamento pire lidar ‘com dscos perdicos que computa valores com base em ‘Tadossomente de cazos completes, ou sj, casos sem dos prs. [Xbordagem de disponibilidade Mtiode atriuipo ps va ads petuidos que computa valores com base €m todas as observagoes vilids dsponiveis. ‘Assimeteia Medida dasimetea de uma distibuigio: na Traioria dos caso a compara ete com uma distri= Fido norma Ua distibuigio posiivamente assim trea tem eativamente poucos¥alores grandes ews ‘Cauda mals alongads 8 diet, e uma dstrbuigfonege fivamente assimetrica tem relativamente poucos valo- res pequenos e uma caida mals alongaca ® esquerde YYalores ssimetrieos fora do intervalo1a +1 indleam tum distibuigo substancialment assimetrica, Cadificacio de efeitos Método para especificar a cate: gov ce referacls pare um conjunto ce veri dc Is, endo quea entegoria de referénciarecebe umn va~ for de menos um (1) sobre o conjunto de warsvels di- ‘cottmices. Com ease tipo de codifiagto, os coeicentes (Sa vatdvel dicolomica epresentam desvios do grupo fem relagao A mein de todos os grupos. sso contrasts Com eae nda Codifiagioindicadora Método para especificarcate- gota de eferencia para sim confunto de orice dot ‘fi once a categoria de referénciarecebe um valor O abe oconjunta de vativeisdicokimicas. Os coeficien tes das varies deotGmicas representa as ferences ie cangoria em reiydu categoria de referéncs, Ver também eon de fis. ‘Completamente perdidos 20 acaso (MCAR) Classifca- ‘oie ios prado aplleavel quando valores perdidos Sey nao dependem de X. Quando os dados perdidos ‘Ho MCAR. os valores observados de Y sto uma amos ria, de alguma forma, ser levada em conta para cada Splicagto ce uma técnica multivarinds, “Alem diss, est capitulo apresenta a0 pesquisador snétodon de incorporaseo de vaeiveisrao-metricas, em plieegdes que exgern varidvels métrcas, por melo da {hiagio de um tipo expecial de varisvel métricaconhec: ocomo vardveldicotomica. Aaplcailidade do uso de \eriveis dicots depende de cada projeto de anlt- rede dados. ‘ra verdant lente de eos valores de ¥, Som um proeaninrents que india fends laos abbervado. Crowe tid da sevaso os do achtamento de une lnmiblggo quando comparnds com uma distbuio Stal Un valor pivots uma diigo rae {vue leads valor sept indica woe ie {bug elatvamentachatada Dados censurador Observagies questo incompletes de ns manera sstematca coeds, Um exemplo crore no esta decade mortem una emo Spal lganeinviguon ind exo vivo, Os dados {esburader sto um exemple de das eds ores Dados pertdosignorvels Pras de dais pros gos Soxlctorene denied e/ou elt ob. cone Get Fens Os docorperdidosignorves 80 Slama snes cove, po os dogs perdido trrlctamentefatadoe a des prepa Dados perdides Infrmagi nto daponiel dum ind ihe ie obo gu otra formato et i= Jone ‘Oe dadoe perdido reenter Seer ‘and um respondents dei de responder uma Tale questo erm uma pesquisa. Diagrama de disprsto Repesertasto da relaio entre ina vedves moins qi deseve que valores oh- Sines deca carver enum gil imersion Diagrama de amore‘olhas Una variate do istry esomee tna desire via do isos de ae Mvet bem como uma enameragSo dos valores reais don dion Disuibuigto normal Dist continu de probab ‘ita parent eis na ual 0 ex hevizontl 1 ‘tow on valores steed a varvel eo ‘Boo erea penis ptbade de esses aloe OSE toes pissen sobre vase Sido grupados em fosro damédia em un pediaos Spatice unimodal condo somo curva formal ot {enna deo. Graco de probbilidnde normal Coeperaco gee stom da tue com tuo oro. NO _gxfco de probablidade normal a dstribuio normal é ‘presenta por uma linha zeta inclnada em 45 gras ‘Ritaribuigne ral &colocads no griico em contraste ‘om esse rts, de modo que quaisquer diferengas sto ‘mente ctastrdficos. Estes problemas podem ser evita: dos seguindose ers anlises toda ver que uma teni= a mullivarinda € sadn, Fssesesfogosirto mais do {Que pagar seu custoaTongo prazo, uma vez que a acor FRncta cle um problema séeo e posivelmente fatal con Wencerd quelquer peslsador Eacoajamos litor a far ects tcnieas antes que problemas oriundos a tndlizeoforcem a fz2 lo. Este eapitlo aborda gusto fsesdistinis do exa- sme de seus dados: (1) um exame gréfico da natureza as varidvelonaandlise e das relages que formam a ba- eda andlise multivariads; (2) um procesto de avalis~ fo para compreender o impacto que dads perdidos podem ter sobre #andlse, mais alterativas para reter Exsos com cados perdices na anise; (3) a8 tésnicas iis adequadas para icentifiear observabes aipicas, lagueles casos que podem dstoreer a relagGes devidoa ‘ur unicidade em uma ou mais variaveis sob estudo © (4) os métodosanaitieos necessrios para avaliar aha bilidede dos dados de atender s suposicoes estatistcas tspectcas a multzstgenicas multivariadas.O capitulo foneli inttoduzindo uma tenia par incorporasio de Varlivele ndo-métrieas quando sto necessrias vais els atic Um conjunto de variéveis mética subs- ttatas criado pera representae as categorias das vari eis nsormetricas Exame gréfico dos dados Coma disuticoanterormente, 0 us de ténicas mult ‘arias representa uma crescente responsabilidad so treo pesquisdor no sent de entender avalia eiter- prea os resultados mais complesos. Un auxflo ness Evelas€ a comproenado das cractrstias bielcas dos ddados ede suas velagdes. Quando andlises univaradas ‘Slo consideradas,onivel de compreansio relativamen- fe simples, No entanto, quando pesquisador caminha para anilses multvaiadas mais compas a necessidar Aree o nivel de comproensio creser sigifcalivamente. esa soto trata de alguns dos métodos gritos dispont ‘els para ajudar¢oblr uma compreensio sca das ca {acteristics dos dads, particularmente de um ponto de vista mulaviado. ‘© advento ea difusto dos programas estatisticos projtados para o computador pessoal tim conduzido a {tm erescente acess ats métedos, A msioria dos pro- ira estatisicos tem médlosabrangents de téenk- es edfices para exame de dados que seo ampllados Com medidesesatetions mals dtalhadas da descrigdo ow dadon. A> os gue tan aight ‘Sas tecnicas mals amplamente usadas para o exame de ene da distribu, das eagsesbivariada, - prnatureza da variével: examine a forma da dstibuigo {0 ports de pst pre 0 etntiment da atzer de © OBier veel ¢ enact forma desua ibe Sones melas eats do deus em ua 3 tet scbee nomalidade sre ers ope ccpode lean una perspec adeyuada sores Rabanne de wm htiogrma Um bistograms exe | Shear gee dem dnc verde gue repre We reqiencia de ocorénces (valores dos dadas) dentro de |) Glogs de das As fein sh rafcaments Sid prn cia aferdita das reaps. $s ape ioe vaca dum de, peng | fepode contin hiram conandeonmere de ‘poms quem im que orem ai, eam pore Epon vtaven contin sto fradis tego cen todos ussns etna eval doe dade so abu Ins, Por exemple potas para Xda base de dads | fain no Capt eno epresetacs na gure |) Zi categoria com patos mice de09,08 19 13,60 So weds lua das re coresponce recs | Shaver ces don dent denen negara Seo eae Ak tego ¢ para vaie sa ormalcae (ve soo Siete espe pas dees Ques) Sours nal pede sersikepoa tbo cmos | fetona igus 21 Ostogram pode ser enprepsdo para teainarqurguer pe devant tr, dene aes Cri oeroe dea ica mara. nvanante do hstogrna€ agama ramos thas qual presenta «mesa litreio grafic do i | grams, mos também forece una ensmeraglo dos v= Evumeco 36s Dsbo3 53 ors rai os dads. dlagramaramore fla Figu- 1.224 compost derma fis Oram eosin", Soqualsflhas si adicionsdas Por exempl, nage 2lopaneiominoc0f Adeseecracann safe, 6 que rents em im valor de No prtno am ‘aloe de0.6¢acrecntado aramo de0,0quereiaem Um valorde 0" Seas reqs de X80 comple, 20 e048 stoce pimetes dois sores No out scree da igor, o arto £6 Baseindo com dss has Oe 1a uss repreentam os vlores De 61. stesso sis maioes valores de X; O ding ramo-flhos Fornece uma forma gerald distebuiso, como aco como histogram, bem como os valores eis dos dado. Examine a relagéo entre variaveis Quando o exame da distribuigio de uma vardve ées- sencalmuitasvezes opesquisador também est interes Sedo em examina relagdes entre duas ou mals vardves. ‘Omstod mais populas pas examinar rages bivara- ‘das ¢o diagrama de dispersio, um gréfico de pontosba- ‘seado em duas varlvels Uma valivel define elo ho- Tlzontl ea outa define o exo vertical As varifvels po dem ser ebservaghes, valores eperados ou mesmo rest- ‘duos. Os pontos na grficorepresentam os valores on juntos comespondentes das valves para qualquer e350 ‘edo. O padtio de pontos represents 2 rlag20 ene v2 "Biveis Uma forte organizagso de pontos a0 longo de TREE A Fa coments No prin ame a de eccelnd sorano del antanio enum flr ded rfc de uma cstbuigtounvarad: histograms54_Auiuee Munanuonce Oices ‘cepts Pmnat Senne pc 8 FGURAZ2 Gfcode oreo de %,(osacdade deen). uma ina reiacaactrizn uma relago linea ou corzls: ‘io. Um conjunte curvilinea de pontos pode denotar tia relagio nfo-linaz a qual pose ser acomodada de maitas maneiras (ver dlsussées pasteriores sobre lnes- Fidede), Ou pode haver apenas wm padeioaparentemen- tealeatério de pont, indicando relagioalguma | masitostipos de diagrams de dspersto. Um for- mato partcaarmenteadequa a téenicas multvaradas tamale de depersio (ver Figura 23), na qual os diagra- tae de dispersta so representados para todas as combi- ragdes de varéveis na parte inferior da matrz A diago- ‘al contém histograms das varveis. Na parte superior ‘a maltz, esto a comrelagies correspondents, de forma {que oleitr pode avaliara corzlag representa em ca- “i clagrama de dispersio. A Figura 23 apresenta os ae {gramas de dispersio para um eonjunto de vargvels da base de dadas HATCO (X, XX, Ky Ky Hy He X)-Por cexemplo, odiagrama de dispersio no canto exquerdo ine feroe (8, sess X) representa uma correla de 0,676 (Qs pontes et alinhadas préwimos e em toro de ume Tila reta,0 que indica uma lta corelagto.O dagrama de disperto na primeira coluna, da esquerda para a reta,equata linha, deca para bait, (cerns X) de- rmonstra oapesto, uma quase total fala de ago, como ‘videnclado pele padrio altamente disperse de pontose pel corelagio de 0.050, Maries de dispersioe ding thas de diapers individuals esto agora disponiveis em todos os programas extatisticos populares. Uma varlante fo diagram de disperso édiscutda na prOxima go, Sobre detecsio de observa atplas, na gual uma eip” fe que tepresenta um ntervalo de confisngaespecfcado para a dstibuigo normal bivariada € sebreposto para emia ienticaio de observagSesatipeas. Examine as dferencas de grupos (© pesquisador também enfeents 2 compreensto da ex lenin edo canter de diferencas ene dols ou mals gr os para uma ou mas ariveismetreas, comoasencon- EBndas em anilisedisriminante, anise de vardncia analise mltivasiada de vatiinca. Nesses casos, 0 pes ‘ulsador precisa compreender camoos valores esto s+ Uebuldos em cada grupo ese hd diferencos suficientes fenire os grupos para supartarsigifcinca estiistica, (Outro sspecto important éidentihcarobservagdes ai. picas que possam se fornaraparents apenss quando 0: ‘alors dos dados so separadas em grupos-O método ‘sao para asa taefa€0 grific de eabxas, ua repre sentagta pictorca da istibugho de dads. Os limites Superior inferior da caixa mageam os quarts superior Inferior da dstribaigio de dadas. Logo, o comprimento da caxa€ distin entre 028 percent eo 75" peren Ui deforma que a eaixacontém 20% dos valores centrais os cdades.Oastrisco(*) dentro da cana identifi me tana. Sea medina se enconta proxima a um dos exre- soe da casa, iso Indica assimatra naquela dicecdo, (Quanto maior 2 calxa, maior» dispersio das observar bes AS lint ques estendem de cada nia (chamadas Se ters) representam a distancia 8 menor eA maior ‘observa que estioa menos deen quart dacaixa, AS ‘bservaghesaipias sfo a que Vaviam entre 10 e 15 ‘qual de dstncia da caix. Os valores extremos 580 3 ‘bservagies que esto a mas de 15 quarts eo extrema activa ‘A Figura 24 mostra os gréficos de caxas para X; (velocidad de enttoge) paca eada gripo de X (890 “de situacgo de compra) do barcode dados de HATCO. Evicdentementsos ts grupos tem diferentes grafcos ‘decabsas, que indicam diferengas entre os grupos em Eraminon aus Danas 65 Se eae tile le |e -]- «be | ates 067 | 008 |e ose |) eau |] ase ] one ote lh 5 al FIGURA3 Mate de cispestode vsveis méccns ‘Senko agency Once Nate oo pains Sense Me ou: Yan gto alsa cm crams ep capt sn ges | E Blog i, I URA24 Cuico de crnasewhshs termos de percep de velocidad de entree, Ogei- feo de eatas do primelo tga de stuagho de corps também aponta para a existence de ua obserracto atipca.O pesqusador deve eaminilaeentio cons dere as poaveis corres Ar coregsesdeponveis para osevage apn sr dietdas posto Perfis multvariados -Atéaqui,os métodos géficos tim se restringido a dese {oes univaradas ou Bivaradss. No enfanto, em multos sos, 0 pesqulsedar pode querer compararobservasbes ‘aracorizadas por mais de duns vaisveis. Hi necesie dade de tum meio de apresertar um perfil multivariago ieuma observagio, sa para pi56 _Avuse Marvanucsce isos como um complemento de procedimentos analiticos Para ratar dessa necessidade, tim sido claborads v= rive mods grificos meltivariados que giram em tor- ‘a dewima entre tr abordagors (7. Aprimeita se efe- 20 (a lilos ou metroglifes, que sie uma espécie de Grculo ca rio crresponde a um valor ée um dado; fu (b) un perfil multivarindo que reeata algo como {una bara para cada observagao. Uma segunda forma {Ge visual mulivariado envolve uma tansformaBo me temstice dos dados originals em uina relagéo matemst- a que pode ser represetada grafcamente. A téeice ‘alscomum és tansformagio de Fourier de Andrew O tratamento final €0 uso de dispesigoes grafca ase de {Sones sends mais poplar tm rst [8 O velar desse tipode visual éa capecdade inerente ce procesamento {ge os humatos tem par sua interpretagio. Como ob- fervado por Cherof (3, p-9 _Acreito que aprender anit ceo estar eseagir a ators, Nott otc de espostsa estos xt i grande pare de nooo dla de emogtes © ‘sa Pacebemos os ostoe como un tod eso com puta nem po para ssl 2 nfrmagio r= [evant fear ora and olka um nimer im fbao de ost As representagbes facials forecem um formato grifico potente, mas também geram algumas consiceragbes foe influenciam a carespondéncia das varidvels a ex- presses facials, percepts nao intenconais ea quant- {tne de informa; que pode reslmente ser acomods- {da Una discusstodeseas questOes st além doescopo teste text, eos litres interessaios sto encorsados @ ‘stuns antes de qualquer tenaliva de usa esses me toxios 10,1) ‘A Figuca 25 contéan ustragSes de és tpos de re presentagio grifiea mallivariada prduzida por meio EESYSTAT, os quis também esto cisponivelsem diver: ‘Sos outtos programas ettticos de computador. pare te superior da Figure 25 contim exemiplos de cada tipo die repreventagao rafca mullvaciada: perf, translor tmagdes de Fourie «foes iconograias Valores de da- los para qualuo observages sobre ste varivelsestio tontos em uma tabela apart de baxo da figura, Nes tea, os dados sto paris ce quatro grupos de clientes peta ov see fatores de cesempenho do banc de dados FIATCO. A partidos valores resis ma tabel, a simian adeseditferengas so dies de dstnguiz, mesmo 0 pontoem que talver nto haa diferencs.O ebetivo das Deris mulsvaziads €represenaros dados de uma mo- Freire que permita cada identifiagio de diferengases- Tilo A prceia represontngs na Figura 25 core (Gin penis mallvarindos, os qusie mostram que a parte thai exquerca € menor para grupo cise maior para tn propos um e quo. Be padio correspond 208 vie loves de X, ¢ podam er felts comparagtes entre grupos tebe una ken vardvel ow entre Yriveis para um tne co grupo, O segundo tipo de disposi gia multivae tlada a figura é a transformagio de Fourier de Andrew, ‘que representa os valores dos dados pormeio de uma ex: DressSo materstic. Apesar de comparagtes sobre um Unicovalorsorem mais dfcels essa forma de dsposicno tric formece uma representaio ica pare compara. (io eagrupamento generlizados de observegoes. Final ‘mente fcoes (fces de Cherot foram constuidos om teste vardiveisasociadae adverse caraterfsticas fi ‘is, Nest exemple, X,contola a retataio da boca, X, ‘orresponde A sonrancelha, X €sssocada ao nariz, X, ioe ols, X,se refer ao formato do ost, Xyreferese fs orelhas eX, €asrociada 8 posgto da pupila.Noquese tefere a X, om gropos um e quatro lam um Soriso © © frupo 2 tem uina erranca Tee coresponde a grances ‘alors pera oe grupes um e quato e pequenos valores para grupo dos. Ess forma de dsposico grfca come bina a habildade de fazer comparagaes especies g os vistos nos pefis ov dent eles bem como compa rages mais generlizadas encontradas nas ransforna- ‘shes de Fourler de Andrew O pesquisndar pode empre- [ar qualquer um desses métodos quando examina dados tltivarados, para dar um formato que mult vezes€ thaisrevelador do que apenas uma reisdo dos valores reais dos dados Resumo ‘As disposgbesgrifias desta sogSo nto so um substi tuto pasa as medidas dingndsticas estatisticas dscut- das em sesdesposterlares. No entanto elas poder fr ‘acer un meio altemativo para deseavolver uma pers pectiva sobre o carter dos dados e das inter-elagdes fxistentes, auesno que seam de natureza multivarioda, [isis vees, 0 velho adigio “uma imager vale mais {que mil pelaeres” demonstra ser vslido no emprego de Tepreseatagces geficas para aplicagbes comparativas (ou diagndsticns Dados perdidos (0s dados perdidos sio uma reslidade em anise multi> vaseds fat, raramenteo pesqulsidor evita algum = pa de problema com dados percides. Por esa razto, 0 Aesaio do pesquisador € avordar as questoes goradas pelos dados perdido que sfetam a generalidade dos r- Fullados Para conseguir io a preocupacsopeimiia do Deaqeiendoréclterminar a rz0es inerentes aos dacios Perdido, eando qu or dacs perdan om si sa va {sto secundca na matora dos esos Esto necesidar ‘ded econcentrar nos motivos das dais perdos su td fato de que o pesquisndor deve compreender os Drocesoe que condiszem os dados perdidas a fim de s- Iecionaro curso de agi aprepriado. Euan sve Dito _ 57 \/ KA MY STE TEA LA EON EN + [ave [tea [ waar [arm [azn [ tour | soe 2 | aon | ane | eau | sae | 200 | ace | ae 3 | zoo | ase | sane | eae | aso | sams | aa a Um processa de dads perdidos ¢ qualquer eventos temdtic extemo ao espondente (come erosna entrada de dads ou problemas na colts de dade) ou ao por pate Go respondents (coma a recs a responer) que conduz2 ‘valotes prdidos, Os efeitos de alguns processes de dace perdidos slo conhecidose dietamente acordados no la de pesquisa. Outos, parém, especialmente beseades fem aqSes_ do respondent, raramente slo conhecidos. (Quando os procesos de dads perdidos sd descenheei= os opesquitador tents dentiiar padres nos dadosper- dos que carscterizaram o proceso de dade perdlos ‘Ao fazer isso, pesquisador indaga, por exemple: (1) Os ‘adc perdidos sto dlstibuldos a acaso plas obser Bes ou si pads distnts ienificives? e (2) Qual €a frequéncis dos daclosperios?Sefrem encontados p> toes ea extenso dos dads perdidas, sso sr seine FIQURA2S.Exemplon de epesntigtes ifens moira. para garantir uma ago enti considere-se quealgum pro= ‘eso de dadosperdides etd em operagio. Quisque! re “sultadosestaitcos boseadosnesies dads seiam tenden- _dowos uma ver que ng verve includas naanissoin- Fuencindas pelo process de dadas perdices.A preceupa ‘ho em entender ox processos de cados perdi € seme Thante a necessidads se entenderem a9 causa da fall de resposta no prota de olla de dados. Por exempo, os individuos que no responderam sto diferentes dos que respondera? Sef oct, cass cilecencas te algum i acto na andlis, nos resultados ou em sua interpeagto? Preocupagiessemelhante esas também surgem dase posts perdi pare vorsvesindvidas. ( impacto de dads perdids ¢prejucia o apenas por suas tendéncse “ocaltas” potas sobre os esta Hs, mas também por ee impo pritico no tanh ca(58 Axles Murmimnono€ Dao amostacisponivel paca ands, Por exemplo, se atiudes onetivas sobtedados perddos rio so apicdas, qual {quer obvervagz com dadoe perios em qualquer ds ve ‘Bivels ert excuida da ands. Em muita andlises alt= ‘aadas, especialmente em aplcacses de pesquses de le~ ‘anfaments os das perdies podem liner tanta cb Servagies que ma amasta que era ade, fice redusi- ddoaumeamostraimprépes- Em tassituagbes,0 pesquist- tdordevejuntn oservagdesacionas ow encontar un re ‘mio para ce dads perdides na amosta original. Apesar ‘Seozemedlo para dacs perdido sara cogS0 mais prit- ‘vb poucas orienta sobre a diagnose eo repro de da- {bs pede Por enn 200,25 ees segaintesdiscutem ‘Sedilerentes pos de proces de cacos perdidos, mto~ los para ideniears natreza dos process de dads pet- ‘digametclcas de repar diponives para a acomodagio (de dados penis er analises multivatiadas. Um exompla simples de uma andiise ‘de dados perdido ‘A Tabela 21 contém um exemplo simples de dados petaldos ene 20 casos. Com ¢ comum em muitos Eonjuntos de dados, peticularmente em pesquises de leventemento,o numero de dads perdidos vara mui to, tanto entre casas quanto varivels. Neste exemplo, percebemos qe todas a2 varivels(V,a V9 tem alguns dos perdidos, send que V, tem pers mals de Imetade (5%) de tados os valores, Tits casos (3,13 € 1) tlm mas de 50% de dndos perdidose apenas cinco 3 Pa 3 2 3 : = i % : & B : z : & & & B ‘ ° : & % Fd a ° ‘ ; o @ a” & : 2 ” 3 ° 3 2 : = z % & 3 » : = 3 6 ° 3 » ‘ = i 2 & i = i 2 3 » 8 : @ u ‘s a 8 = : = ° a 2 3 " a t = * Pa mt 8 2 : = : 2 e 3@ & » : x > Bm fe 2 3% ‘ ° anos rnoro0s oR YARAYEL ‘Tora De VANES ERDIDOS ho a 5 x * tenet 3 ee pndidos se reduziré a apenas cinco cas0e, 047% de Pijoa os valores, Eases cco casos perdidos, contudo, Meiko prewntes emt V, eaten devers procuras pa Siu amir estes dados. Comparand os c3s05 com da Ger peraigos para V,com os que ti valores vidos de Fe fercebemos que surge um padrao em relacio a Vs | Of ince casos com Valores perdidos para V, também | Geos cinco menoves valores para V indictndo que | [ior percicos pare V, esto fortemente asociades a Gare menores sobre V Essa assocacio sstematica __ faire dads perdidose ilies provoca um impacto die fetoem qualquer andlise na gual Vje Vs esteem inclu «fas. Nese cavo,o pesqulsador sempre deve examinar Iinaclosimente 0 resultados, incluindo V,e V, com sts ao posivel impacto dese procsso de dados per Sis sobre estadoe, ee - Compreenda as razdes que levarn a dados perdidos Antes que qualquer atizude corrtiva sobre dados per tidos see tomada,o pesquisador deve primero diag- hostcar © entender of processes inerartes aos dados | perdidos, As vezes, esses procesos esti sob o controle So pesqulsador e podem ser explictamente identifica- dos, Em ais situagies, os dedos perdidos sto ditosig- fariveis,o que significa quenzo sto necessirias prov - dencinsexpecfens pars dados pedis, uma vez quea ‘dena useda 0s permite Dados percidos ignoréveis Um exemple proceso de dadorperddosignarveisé te dadosperddor ds observes em ua popu: © Gao que nto incues quando se ona una sce prope detcniaemalivariadas€geeralizay pa nda de observagbes a sos para a popu te __ssoqueeaimente € una tentatva desupera os dads filo de chservagtes que no ceo‘ amet. © Pesutedor toma exes dads perddosgnrdves Ua © Gosmostogem senna prs slecona respondents __ Atmore slentia permite a0 prqubsadr expec far que o proceso de dads pelos que cond «ob fevviiesomidas core ao aso equ ox don perc | Ges podem ocorercevido so eo smosral os roced Iretoe eases. Logo 02 “dads perddos” dae ob. Sergio astern cio de dace perdido oe ua ocd so ensured Datos cena to cts Yaces incompltas devi a seu eso no proceso de WGcndosperdidon Un exemplotpce€ uma snl das _ Sess mte Rnueet eeiem nope || den darinformagi complet (os, cms ou Hore do EEE Tn eno qs smaningen at Sumo seis Dinos 89 morte) e sto, portanto,censurados. Outro exemple inte- ‘ssanteocore na fenttiva dese estima a alta da po pulagiogeral cle un pas com base nas ltras dos ee fasdns forges armada de mesma (como taco er []}-Os {dios so consume porque ccasonslment = forga2. ‘madas poder impor retiges de altura que Varia em, rivel esplcago. Logo, os pesquisacores se dfroatam fom @ tela de estimer a alta da popula ini (quando sabese que certosindivians (os que eto aaixe das resrigdes de altura) no esto inclndes ra amos mambsou os isos, conhesimenta co pesquisa bre ‘ proesto de dados penis permite oempogo de me todos expecaizadoy,comoa ands de histria de ever tos, pas acomodardados censure [A jstificativa para designar dads perdios como ‘gnocivels que o presence dans peraidos ets ope nde de form sleatéra (Le. os valotes observados sto ‘uma amostaaleatiea do corjunto total cle valores, ob servados e perddos) ov esta explictamente acomodado ta ténica sada. No entanto, na maieria dos 3205, © procesto de dados perdicoe nfo €expliitamente abor ado pelas tEencas empregadas. Logo, 0 pesquisador {deve avaliae a extensio e oimpacte dos dados percidos pia ceterminarse eles sta devidoa urn proceso aleas Fio ou 9 eles ao trativeis por uma das tcnieas cote ‘as disponives, Outros tpos de processos de dados peridos 0s dados perdidas podem oxomter por multas azies € fem muita etuagdes Um ipo de processo de dads pet- ¢idas que pode acontecer em qualquer stuagioédevilo A fatores de procedimento, como eros a entada de da dos que cram cigs invldos, estrigdes de exposigio (pe, pequenas contagens nos dadas do censo de um ai), fala em completaro quesonsri inter, os me tho problemas de sade do espondento. Nesas situ {oes 0 pesquisndor tem poucoconole sobre os procs: fesde dados perdidos, mas alguns procedimentos core fivos podem ser apliciveis ee or dados peedidos forem Alestdros, Outro tipo de processo de dados perdidos ‘core quando #respesta€inaplicivel, como guestes ‘sobre anos de asado para adultos que munca secssaam, [Novamnent, a anslise pode ser especficamente formullt {a pata acomodar esses eespondenies (Quiros procesios de dades perdidos nto sto tot cide identifieareacomodar Em geral es5 cis08 tio diretamente relacionados 0: respondents. Um fexemplo 6a recusa a responder ceias pergnt. Isso 6 omumn em quastBes dienes (P- ex, rend ou ques- ther controvareae) ow quando 0 expondente nia rm ‘opinido ou tem conhecimentoinsufitente pare respon See O pesqulsador deve anteipar esses problemas e fentar minitizd-os no planejamento ca pesquisa e n0s cestigios de coleta de dados da pesquisa, No entanto,60 Aniuse Murvanion ce Dios (60 _ suse Mune Bacos cles ainda podem acorrer, eo pesquisedor deveréentio Tiger com o= dacos perdidos resultantes. Entrelanto, hnem fo ests perdido. Quando os dados perdidos {corse em um pada aleatélo, pedlehaver provid ‘as para minimizar seu efelto Examine os padres de dados perdidos ara decidir se uma atitude corretiva pare dados per- tidos pode ser aplcada, opesguiseder deve peimeiro Sveriguaro grau de alentoriedade prosente nos daddos percdes. Considere, para fins de lustragio, que duas Caridveis (Xe ¥) a0 coletadas, X nfo apresenta dados pets, mas ¥ tem alguns. Se um processo de dados Derddos¢ dentificndo entre X eY, onde héclferengas Eigifcatvas nos valores de X entre os casos para Y om dados validos e perdidos, entéo os dados perdi- Gow nfo sto sleattios. Qvalquerandlise deve acorno- ay expliitainenteoprocesso de dados perdidos entre Xe, sob pana de sevem introduidastendéneias nos resultados. (Os dacs perdidos so chamaclos de perdidos a0 caso (MAR ising a random) se os valores perdios Serr dependem de X, mas nfo de ¥. Com isso, quere- thot dizer que os valores cbservados de Yrapresentam tia amoataaletéra dos valores reals de Y para coda ‘aloe de X, mas os dados obeervados para Y 820 epre- ‘Ssstam necessariamente uma amosta verdadeizmente leita cle ods o valores de Y. Mesmo que proces- Sode dats perddos aj sleatocio ma amesta, seus va- Tove no io generalizavels 8 populacio. Por exemplo, onsidere que suibamos ose dos respandentes (a va Flével X)¢peepuntemos&Yonda fami (a varsvel Y). Percebemos que os dadas peedidos so aleatéros tanto pera o sexo masculino quanto para 0 feminino, mas corre gots uma freqincla muito maior para 0 $&x0 ‘masculine da que pas o feminine. Anda que o proces- ode dados perdidos esta operando de maneica feria, qualquer atude cozrtiva tomada com relagio sos dados perdido ainda relletré o processo de dados perdidos, plo fato ce que o sexo aeta a distribu fi- bal de valores da rena fair ‘Um nivel superior de alestoriedadesechama perdi- dos completamente 30 sesso (MAR mising comple. teat rnd), Nese c3805,08 valores abservacs de Y ‘ko verdaderamente uma amostra aleatézia de todos os ‘aloes de Y, sem qualquer processoinerente que con- “duza- tendéneins para os dados observados. Em nosso ‘Gkempioantesuy vo seria montredo pelo fete de que tn dads perdidos pare renda familiar seriam perdidos so acoso em iguaispropoxyoes tanto para o sexo mas Tino quanto para ofemiaino. Se essa € forma do pro- fess de dados perdis, quaisqueratitudes covretivas podem ser apicadas sem levar em considerasio 0 in acto de qualquer outrverdvel ou do processo de da. ‘os perios. Faga um diagndstico da aleatoriedade do processo de dados perdidos Como observado pesquitador deve verifcarse pro- cestode dads perdidos ocorte de urn modo completa rene aleatrio. Ts métodos esto disponives para ese iagndaticn.O primeiroavalao proceso de dacs pes os de uma Unica vive! Y que forma dois grupos as ‘bservagees com dades perdidos para Yeas com valores ‘los de Y. Tete estatsticos so eno empregados pe ‘a determinar se exitem ciferenss sigicanes ente08 is grupos pars outas Varvels de nterese. Diferengas ‘Sgnificantesindicam a possblidade de um process de {cos percicos nforalestrio.Usemos asso exerpo an terior Ge renda falar e sexo. Primeir, formariamos ois grapes de responcentes,aqueles com dads perdi- {dos sobre a questia de rend familiar eagueles que es pponderam a questio, Compatariamos eno os percen fine de sexo pare cada grupo. Se um sexo (Pex, masCU- Jina) fosse encontrado em maior propergso no grupo de dado pers, suspeltariams de um processo ce dads perdidos nio-sieatri. Se a varivel que estvéssemos 0 forse metic (p-ex, uma atitude ou percep (fo) 20 inves de categérca (so) ent ce suc es tes povlerlam ser vealizades.O pesqusslor deve exami- har diversas varlivels para verse slgum padcio cosis- fete aparece Lambre que aguas diferengs rb oxo rerpor aces, mas qualquer siti de diferengas pode ind Car um padrZonfoleatirioinerente ‘Um segundo tatamento usliza corzelagbes dloto- smizades para avaliara comelagio de dads pendidos pa- ‘qualquer par de varidvete, Para cada vazivel, 06 valo- es vilidos S40 representados plo valor um e os dados perdlidos so substitldos peo valor zero, Esesindica- ores de valores perdidos para cada varivel so ent2o ‘otrelalonados. As corelndes indica o gra cle 2550+ ‘ago entre o dads perdidos de ada par de varidves, [bas corelagdesdenotam slestovedade nos dades per ios para cada par de varidveis. Apesar de néo exsti- rem diretrnasprocsas para aidentifiacio do rive de ‘correla necesiria pata indiar um process de dados percidos nde-aleatiro, estes de significineisestatistica Se corelagSesforecerem uma estimatva conservadora to gras de alotoridade. Se a aleatoiedade éindicsda ra fodos os pares de vardvesentfoopesquisador po- Zeooumie que oe dadoe perdides poder se claesfca- os como MCAR. Se correlacbessignifcanes existe entre alguns pares de vardves, eno o peequisador po- Ge ler de considerar que o dad so somente MAR, € esses telagdes devern ser acomadadas por quaisquer ges coratives que eiam aplicsves Finalmente, épossvel elizar um teste geal de alen- toca et eneiaco para determinar se os dads per- ‘Moe podem ser clasicados como MCAR. Fase teste tata peda de dados prdides em todasas variévels 2ixkampara como padtio esperado para um proceso de = Godos perdidosalestrio. Se cterengas signicantes nto Be CaSontodas, os dados perdds podem cer assifea- ‘Soscomne MCAR No entento, ediferengas signifiativas So eneontradas,o pesqulsidor deve usa as tratamentos ‘Srertospeviamente para dentliar os processos de da ‘So pendiosespciios que no sv alates, ‘Tratamentos para lidar com dados perdidos ‘Ostrotamentos ou as agSescometivas aboragens para Ik {lr com dados posses podem str clssifcados em urna ddequatocaeperias com basen sletoiedade do proce: {ode dadosperdidos eno metodo empregado para estimat ‘smestoe 9) Se process de dedesperdidos n-aleat6- Fs oo MAR sto detects, o pesgusador deve aliar pense uma ago corretva~o Watamento de modelager ‘specament planaiada [9] Aapliasio de qualquer = troméindointroduztendéncins not resultados. Apenas seo pesusadordeteminar que o proceso de dados perdies pode se ciassfeado como MCAR os teatamentoss seem {dsc adionte poder sr usados, Entretanto,o8 pesqusudoresfreqiertementefazem a avaiagia da slestoriedade antes ce apicar um desses femedios paca dadas pardidos, E ainda que o emédio ‘ apropriado,o pesquisador deve observaro impacto ‘specifi sabre oe reultados asscclades com fal remé= tio, Muitas vezes, ua oqo eorretiva 6 aplicada sem ‘ma lingo dos processos de dados perddos, da ade- lagbes a presentes nos dados. A medida que oempre- go dese método aument, os dados rsultantes se tor- Fam mais crecterstcns da amostra e menos generali- ‘hele Segoe, # menos que terms estocsHics 8 jm nceescentados aos valores estimades, a varincia {tt cstribuigeo € subestinada,Teceio, esse metodo pressupde que a varidvel com dados perddos tem or Felagscubtancials com as outras vardveis. Se esa raumuaoo ius D005 _63 cottlagies no sto suficientes para produ uma es {Umaeiva significative, eno autros métodos, come & absttugho pela md, sto prefertveis. Finalmente, Srocedimente de regressdo nao ¢ vinculado as estima Eas qua faz. Logo, os valores pzevstos podem noes {ar inluidos nos intervalos valid para varévels(p (Be tin valor de 11 pode ser previsto em ma escala Je $0'pontes), exigindo assim alguma forma de ajuste ‘ekZlonal, Mesa com todo esses problemas poten- ‘Fils o metodo de vegressio pare atribuigdes se man {em promissor nos casos em qu niveis moderados de {Sade pordidos, amplamente dspersos, eso poser enemy cunis a elagBes entre varidves 80 suficlen~ (ihenteetabeleidas, de modo que o pesquisador es {confine em que 0 so desse método no inluen- dard a generlidade dos resultados “Atribuicio miltipla O ultimo método de atribuigto€, ine verdade, uma combinagio de diversos métodos. [esos tratamento, dois ou mals métodos de atribuigto No usados pare derivar uma estimativa composts ~ feralmente 2 média das Varas estimatives ~ para © Belor perdido. O racocinio dessa abordagem & que © Yeo multpiostatamentos minimiza a preocupa ‘oes espectficas com qualquer método particular € Sea composigio serd 9 melhor esimativa possivel ‘Aiscoihs dese tatamento¢baveada prinipolmente ‘Roblango entre a percepgio do pesquisador dos be Teflon potcneiis sors oesfrgo substancialmente nor sig pata aplicar ecombinar as milsplases- fimotivas Procedimentos baseados em modelos CO conjunto final de procedimentos incorpora explicit Shente os dados perdidos ra anslise, sa por um pro ‘Meroeapeciicamenteplanejado para estimacto de da {fos pesados, seja conto wma parte da andtise maltiva ‘lade pads4o, O primeira tatamento envolve técices Boca etaedo de maxima verosimilhange e que tentam thoddelar os processos inezentes 20s dados percios e {ver aa eotmativas mais precists e razosves possi: Ae [OT Um exemplo ¢ o fratamento EM em SPSS. E ir metodo iterative de dois estigios (os estos Ee M) no quel o-estagio E faz as melhores estimativas Doasivels dos dados perdidose oestagioM fz estima: [fav ds perdmetros (médias, desvioe-padtto ou co felagbes) eosumindo que os dados pendidos that ix Te Ribstutds. © processo continua pelos dois esti~ hoe a que a manga nos valores estimados sea Sopreaivl eles substituam os dados perdidos By segundo tratamentoenvaive a inchisa de dados pesdldosdiretamente ns nds, definindo observagdes Pam dados prdios como um subeonjunt selecionado ‘Guumnoste Bose tratamento€ mais aplicsvel par idee64_Anluse Murnau oe Dices com valores perdidos das varisveis independentes de tama selagao de dependéncia. Sua premise fol mais bem caracerizadn por Cohen e Cahen (4p. 299) Portas, vemos dados pordis como us ato pegstico ‘gu deve se lvestigado, eno um ders eat aten- {ide to est implcts aes Masta a ia de que co totes os outro pet que envlvem dao a mos trnosdacas perdido so ums propaedace da populagio ‘queprocorams genczlzar ‘Quancio os valores perdidos ocorrem em uma vative] niormiriee, 0 pesquisadar pode facilmente definir quis observagdes como um grupo separado eentfo Inches em qualquer andlise tal eomo ANOVA, MA NOVA, ou mesmo andlise discriminante, Para os 3308 tem que os aos perdidos estfo presentes em: uma va~ ‘vel métrica independiente em uma relaglo de de~ pendéncia, um procedimento fot desenvelvido para Incorporar as observacies na andlie, enquanto se rmantéa a6 relagGes entre os valores vidos [4]. Fase procedimento € mais bem iusteado no contexto da Endlize de regressto, apesar de também poder ser ust- fo em outrastelagder de dependéncia. O primeico pesso €codificar todas ns observagoes com dados per Eidos como varidveis dicotSmieas (onde os casos com dos perdidosreceber 0 Valor um eos outros valor Zero), Os valores perdidos S20 ent atebuidos pelo ‘retodo de substi pela média, Finalmente, relax {ho Eestimada pelos meios nomnais. A varivel dicotd- {ica representa diferenga pars valdvel dependen te entre as obsecvagdes com dados perdidos © as com lads vidos. O teste do coeficiente da variaveldico- tomicaavalia significinelaestatistica dessa diferen- pO coniciente da varisvel original vepresena a rela- ‘Go pers todos os casas com dados nde perdidos. Esse Inélodo permite a0 peequisador reer todasasobserva~ oes na enlise para propésitos de manutensio do ta- TABELA22 Tutto eumidas de dae do pebtaste ‘yeas done % Fete epg ” mugen do ernie © ese pl s ‘iongon da faze devendes 8 Xie doo o yield taste = manho da amostra, Também fornece um teste dizeto pera a ifereneas ete os ois grupos, junto com are [Redo esimacn entte as vaidvels dependents inde pendentes ‘Uma iustragéo de dlagnéstico de dados perdidos ara fasta o procesto de dagnésticn de padres de {ads peridos ea apliacto de possivels agbescoret- Yas, um novo conjunto de dados éintroduzido (ver “Apendice A para uma lst completa das observagbe), ave conjunto de dacos fol coletade durante oprétese | do questiondro usado paca coletar os dados desritos no Capitula 1. O pré-teste envelveu 70 individuos eco Tetou tesposias sobre todas as 14 varidvels. Noentant, durante © préteste, ocorrram dacs perdidos. As se bes a seguir detalham o diagndstco da extensto dos | Xizdos perdidos no conjunto de dadcs, bern como as an lises disponivels para selecionar eaplica as vis gies corretives para dados perdidos disponivels na maior os programas eeatietieos.Diversos programas decom: pptador estio acresentando andlises de dados perdi Tos entre eles 0 BMD? © 0 SPSS. As andlises ceseritas Segutr podem ser reproduzins por manipulagio de da- dos e anlise convencional. Bsernplos si0 dados no ‘Apendlice A Examine os padides de dados perdidos |ATabela 2.2 contém a estatstica deseitiva para a8 ob ‘servaqdes com valozes vides, iacuindo @ portent gem de caso cam dads perdidos em cada varlvel, ‘Stic casos foram eliminados da andlise devido a dados perdidos em matsda metade das varidves de interesse ‘Krextensto de dados perdidos para as 61 abservagies restates vatia de um pico de 30% dos casos para X,a ae Doaarperies Matin pedto Nie Poets “ase » = vas tas 0 16 fem 1216 4 as sur m7 ‘ 3 lems 5 2s bans nm 1 ts fmm aL ‘ 6 Gus Sain ‘ 3 aso ‘ 63 SU EE eee ‘Sexy: Sarde pono ps es psn sardine lcs oa SR rene Sac a ar ep son minim de um tinic caso (16%) para X, Para as oor Freie como melas nivels de dados prdidas (X, ti, osnivels nao #80 to excessv0s a ponto de - se romente determinarem a exclusto da varavel, po papel importante que sc espers dessa varisves 11 es visas enlises multivariadss, todos os esforgos de- 1 eSscipeemanueneaae 123 Dipossio gdcn de dads pardios Estatisticas resumidas de dados do pré-teste Um fator que poderia atenuar alguns dos niveisclevados dle dados perdidos para certs valdveis€ 9 eliminacto ‘de casos da ailise Para determinar se os dados perci- ‘dos esto cancenracos em un conjuntoselecionad de ‘esos, a Thbela 23 fornece uma dsposicto grin dos ‘dads perdides para cada exto que os #. Fxeeto para “ABEL mere Dede : i a = > s s in ; s s ‘ 4 : 5 3 5 3 ‘ ms 2 5 s 2 2 s os 2 + s m 3 s s s mo 3 sos 5 = 2 s 8 x : s s 2 2 5 3 » 1 5 = 2 s s = i 5 = > $ s » i ‘ Pa 2 soos » > s : aTABELA2A_PadiSes de dss pron abulos 4A28_ dvslistode EADS Sarno aid leloridade de dadoe peas vis compa op PE cag pes de observes com dacs paridos as Tar re pa? foo. a ee wom mR XX . 3 ee y G om day tetas : | Nan ser) Ww aa ei ae ert a ae a Naas tas) ie Tat 2 mem te : a t as oF a ae PSP : — He oe eT) x . Socemee 2 oe ag x : Newmaws 7 ° soe 8 8 | vate gren) ts ae te ass y datos) 8 ts 2 ih tw os Se « x . a ee x Silas ai aise ths sama RO Minewpenie 8 * ae ams x . Dateipcens) ab on as tanta : x . spec 330 mete gr aoe ie 2 3 eae Ogi he om tas thermo a oo Nocpeane a ow we x x Nmopetos 3 See ee eee ees etc) AL fa Sus tom 3 Mapas) or es wis ps oe at at ou te Stns on shea cin tome) as css css linindos por stu dosrivex nem avalide compar acters eden Sime 8S weno Store nos peces pretense ner — dads perdido prs cada ariel com reo 8s outs Neworwowe 3s : 8 ly : carne So cmeadmarodespoporconal de valowes Yariv, For exemlo, ex obsess com dads pe omnis ime ioe eet ai a eects aenperidoa ope, denen X so cloend em um pip eas bsevates Py, | nr o 2 on ‘nas quatro tém mais que dois valores perdidos. ‘com respostas vélidas para X,,dispostas em wm outro grr ‘Spain oa aan oat 0393 sss om AA Tabeln 24 retrataos padres de dados perdids. Oo. Ein seguida, esses dois grupos sio comparados Fars Mimeropesete 2 SL s s « os padiopredominane de dados pecidos para Xen-__ ei cfrenas ras deat varivele mies ¢ Nimerwfeniis 3 3 A ‘ ° 3G Focal unedscano sndocanpentopadiiomalsco, Xe) Uma ver gue ear sido fn compari om tite igi le is ae tt conradorm siscass endo osomino Ree MAS” Gi asvaives tos to hetogescy Sar ua sis Sein ae orcas plas quer eseciaimente ura odor Darldndavarvenpuine ess somparss JB % aa ow Pa i enc oato campactads com pees Son gua ave tb se ae Nompene og a se et gw egueo nme de io, Come demons Ge gh nada pare gino dere O cet ¢ enti Nimerpenido 3 2 ‘ < “ > 04 pans tae dndon estan UagoT peg Coes ee ee Matingeomm) = SS amy oma. fim co ou corfnfo de csce com um padrto de da. "°™Tter PAs fe ea an a a amt we hum cis cu conn deems comin pdcio das Tiga 25 contin os ret pease ang JX | ao yo mo os edion pode ser lined de mado amelor gu x cheater damn depen, O Syntncn ce us as ae totam significativamenteo problema dosdados perdides. Simin padra0 obvervvel de velores I signficantes Ninopente 8} Ss 8 & 6 @ Sec gs a ovo so seme te eae 20 da aleatori {Gram pra dieregassgrfeates ete o dos ge sida pen in ie ao Faca 0 dlagnéstico da aleatoriedade dos pa fee La Matnipertuay) 355 tad 908

Anda mungkin juga menyukai

• Gestão demanda projetos

  

  Dokumen11 halaman

  Gestão demanda projetos

  Gilson Rodrigues

  Belum ada peringkat
• Tourism and Gastronomy PDF

  

  Dokumen245 halaman

  Tourism and Gastronomy PDF

  Maryanina

  100% (6)
• Visão Geral Da Iniciativa PDF

  

  Dokumen1 halaman

  Visão Geral Da Iniciativa PDF

  vasconcelos1322

  Belum ada peringkat
• • Majalah
  • Podcast
  • Partitur
• Características do empreendedor de sucesso

  

  Dokumen14 halaman

  Características do empreendedor de sucesso

  Gilson Rodrigues

  Belum ada peringkat
• Rajagopal (Auth.) - The Butterfly Effect in Competitive Markets - Driving Small Changes For Large Differences (2015, Palgrave Macmillan UK)

  

  Dokumen312 halaman

  Rajagopal (Auth.) - The Butterfly Effect in Competitive Markets - Driving Small Changes For Large Differences (2015, Palgrave Macmillan UK)

  Gilson Rodrigues

  Belum ada peringkat
• Tourism and Gastronomy PDF

  

  Dokumen245 halaman

  Tourism and Gastronomy PDF

  Maryanina

  100% (6)
• Características do empreendedor de sucesso

  

  Dokumen14 halaman

  Características do empreendedor de sucesso

  Gilson Rodrigues

  Belum ada peringkat
• Tourism and Gastronomy PDF

  

  Dokumen245 halaman

  Tourism and Gastronomy PDF

  Maryanina

  100% (6)
• Complexidade - Richardson 2002

  

  Dokumen1 halaman

  Complexidade - Richardson 2002

  Gilson Rodrigues

  Belum ada peringkat
• Aula 1

  

  Dokumen48 halaman

  Aula 1

  Gilson Rodrigues

  Belum ada peringkat
• Aula 1

  

  Dokumen48 halaman

  Aula 1

  Gilson Rodrigues

  Belum ada peringkat
• Aula 1

  

  Dokumen48 halaman

  Aula 1

  Gilson Rodrigues

  Belum ada peringkat
• Shoe Dog: A Memoir by the Creator of Nike

  

  Dari Everand

  Shoe Dog: A Memoir by the Creator of Nike

  Phil Knight

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (537)
• Grit: The Power of Passion and Perseverance

  

  Dari Everand

  Grit: The Power of Passion and Perseverance

  Angela Duckworth

  Penilaian: 4 dari 5 bintang

  4/5 (587)
• Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  

  Dari Everand

  Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  Margot Lee Shetterly

  Penilaian: 4 dari 5 bintang

  4/5 (894)
• The Yellow House: A Memoir (2019 National Book Award Winner)

  

  Dari Everand

  The Yellow House: A Memoir (2019 National Book Award Winner)

  Sarah M. Broom

  Penilaian: 4 dari 5 bintang

  4/5 (98)
• The Little Book of Hygge: Danish Secrets to Happy Living

  

  Dari Everand

  The Little Book of Hygge: Danish Secrets to Happy Living

  Meik Wiking

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (399)
• On Fire: The (Burning) Case for a Green New Deal

  

  Dari Everand

  On Fire: The (Burning) Case for a Green New Deal

  Naomi Klein

  Penilaian: 4 dari 5 bintang

  4/5 (73)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  Dari Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Penilaian: 4 dari 5 bintang

  4/5 (5794)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  Dari Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (838)
• Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  

  Dari Everand

  Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  Ashlee Vance

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (474)
• Yes Please

  

  Dari Everand

  Yes Please

  Amy Poehler

  Penilaian: 4 dari 5 bintang

  4/5 (1891)
• A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  

  Dari Everand

  A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  Dave Eggers

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (231)
• Principles: Life and Work

  

  Dari Everand

  Principles: Life and Work

  Ray Dalio

  Penilaian: 4 dari 5 bintang

  4/5 (599)
• The Emperor of All Maladies: A Biography of Cancer

  

  Dari Everand

  The Emperor of All Maladies: A Biography of Cancer

  Siddhartha Mukherjee

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (271)
• The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  

  Dari Everand

  The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  Brené Brown

  Penilaian: 4 dari 5 bintang

  4/5 (1090)
• The World Is Flat 3.0: A Brief History of the Twenty-first Century

  

  Dari Everand

  The World Is Flat 3.0: A Brief History of the Twenty-first Century

  Thomas L. Friedman

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (2219)
• Team of Rivals: The Political Genius of Abraham Lincoln

  

  Dari Everand

  Team of Rivals: The Political Genius of Abraham Lincoln

  Doris Kearns Goodwin

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (234)
• The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  

  Dari Everand

  The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  Ben Horowitz

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (344)
• Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  

  Dari Everand

  Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  Gilbert King

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (265)
• Fear: Trump in the White House

  

  Dari Everand

  Fear: Trump in the White House

  Bob Woodward

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (738)
• Angela's Ashes: A Memoir

  

  Dari Everand

  Angela's Ashes: A Memoir

  Frank McCourt

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (440)
• Rise of ISIS: A Threat We Can't Ignore

  

  Dari Everand

  Rise of ISIS: A Threat We Can't Ignore

  Jay Sekulow

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (137)
• Steve Jobs

  

  Dari Everand

  Steve Jobs

  Walter Isaacson

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (806)
• John Adams

  

  Dari Everand

  John Adams

  David McCullough

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (2409)
• The Unwinding: An Inner History of the New America

  

  Dari Everand

  The Unwinding: An Inner History of the New America

  George Packer

  Penilaian: 4 dari 5 bintang

  4/5 (45)
• Bad Feminist: Essays

  

  Dari Everand

  Bad Feminist: Essays

  Roxane Gay

  Penilaian: 4 dari 5 bintang

  4/5 (1015)
• The Glass Castle: A Memoir

  

  Dari Everand

  The Glass Castle: A Memoir

  Jeannette Walls

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (1711)
• Wolf Hall: A Novel

  

  Dari Everand

  Wolf Hall: A Novel

  Hilary Mantel

  Penilaian: 4 dari 5 bintang

  4/5 (3811)
• The Outsider: A Novel

  

  Dari Everand

  The Outsider: A Novel

  Stephen King

  Penilaian: 4 dari 5 bintang

  4/5 (1839)
• The Perks of Being a Wallflower

  

  Dari Everand

  The Perks of Being a Wallflower

  Stephen Chbosky

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (2099)
• The Woman in Cabin 10

  

  Dari Everand

  The Woman in Cabin 10

  Ruth Ware

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (2322)
• The Light Between Oceans: A Novel

  

  Dari Everand

  The Light Between Oceans: A Novel

  M.L. Stedman

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (789)
• The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  

  Dari Everand

  The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  Viet Thanh Nguyen

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (119)
• Little Women

  

  Dari Everand

  Little Women

  Louisa May Alcott

  Penilaian: 4 dari 5 bintang

  4/5 (104)
• Brooklyn: A Novel

  

  Dari Everand

  Brooklyn: A Novel

  Colm Toibin

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (1937)
• A Man Called Ove: A Novel

  

  Dari Everand

  A Man Called Ove: A Novel

  Fredrik Backman

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (4609)
• The Art of Racing in the Rain: A Novel

  

  Dari Everand

  The Art of Racing in the Rain: A Novel

  Garth Stein

  Penilaian: 4 dari 5 bintang

  4/5 (4200)
• Manhattan Beach: A Novel

  

  Dari Everand

  Manhattan Beach: A Novel

  Jennifer Egan

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (792)
• A Tree Grows in Brooklyn

  

  Dari Everand

  A Tree Grows in Brooklyn

  Betty Smith

  Penilaian: 4.5 dari 5 bintang

  4.5/5 (1929)
• Sing, Unburied, Sing: A Novel

  

  Dari Everand

  Sing, Unburied, Sing: A Novel

  Jesmyn Ward

  Penilaian: 4 dari 5 bintang

  4/5 (1103)
• The Constant Gardener: A Novel

  

  Dari Everand

  The Constant Gardener: A Novel

  John le Carre

  Penilaian: 3.5 dari 5 bintang

  3.5/5 (104)
• Her Body and Other Parties: Stories

  

  Dari Everand

  Her Body and Other Parties: Stories

  Carmen Maria Machado

  Penilaian: 4 dari 5 bintang

  4/5 (821)