Estatística Multivariada - Introdução PDF

SRIE: Estatstica Multivariada
Texto i: INTRODUO
SUMRIO
1. INTRODUO................................................................................................................................................ 1
1.1. O QUE A ANLISE MULTIVARIADA? ................................................................................................................ 1
1.2. FERRAMENTAS COMPUTACIONAIS ...................................................................................................................... 1
1.3. DEFINIO DE ANLISE MULTIVARIADA ............................................................................................................ 1
2. CONCEITOS BSICOS.................................................................................................................................. 2
2.1. COMBINAO LINEAR DE VARIVEIS (VARIATE) .................................................................................................. 2
2.2. ESCALAS DE MEDIDA......................................................................................................................................... 3
2.2.1. Escalas qualitativas.................................................................................................................................. 3
2.2.2. Escalas quantitativas................................................................................................................................ 4
2.3. ERROS DE MEDIDA E MEDIDA MULTIVARIADA .................................................................................................... 5
2.4. SIGNIFICNCIA ESTATSTICA VERSUS PODER ESTATSTICO .................................................................................. 6
3. TIPOS DE TCNICAS MULTIVARIADAS .................................................................................................. 8

3.1. TCNICAS DO TIPO REGRESSO .......................................................................................................................... 8
3.1.1. Regresso Mltipla................................................................................................................................... 8
3.1.2. Anlise discriminante ............................................................................................................................... 8
3.1.3. Anlise de varincia multivariada............................................................................................................. 9
3.1.4. Correlao cannica ................................................................................................................................ 9
3.1.5. Modelos lineares de probabilidade (logit)................................................................................................. 9
3.1.6. Anlise conjunta......................................................................................................................................10
3.1.7. Modelagem por equaes estruturais .......................................................................................................10
3.2. TCNICAS DO TIPO CORRELAO ......................................................................................................................11
3.2.1. Anlise de fatores ....................................................................................................................................11
3.2.2. Anlise de conglomerados .......................................................................................................................12
3.2.3. Escalonamento multidimensional.............................................................................................................12
3.2.4. Anlise de correspondncia .....................................................................................................................12
4. CLASSIFICAO DAS TCNICAS MULTIVARIADAS...........................................................................13

4.1. TCNICAS DEPENDENTES ..................................................................................................................................14
4.2. TCNICAS INTERDEPENDENTES .........................................................................................................................17
5. ANLISE MULTIVARIADA: INTERPRETAO .....................................................................................17

5.1. ESTABELECER SIGNIFICNCIA PRTICA E ESTATSTICA ......................................................................................17
5.2 O TAMANHO DA AMOSTRA AFETA TODOS OS RESULTADOS ..................................................................................17
5.3. CONHEA OS DADOS ........................................................................................................................................18
5.4. MANTENHA UM MODELO SIMPLES.....................................................................................................................18
5.5. TOME CUIDADO COM OS ERROS.........................................................................................................................18
6. CONCLUSO.................................................................................................................................................19
7. REFERNCIAS..............................................................................................................................................20
Pr of. L or Via li , Dr . via li@pu crs.br http://w ww.ma t.pu cr s.br/~via li/ 1
Texto i: INTRODUO
1. INTRODUO
1.1. O QUE A ANLISE MULTIVARIADA?
Tcnicas analticas multivariadas esto sendo largamente aplicadas hoje na indstria, no

governo e nos centros de pesquisas das universidades. Hoje j no faz mais sentido seguir o que a
pouco tempo ainda era comum, considerar os consumidores como um grupo homogneo e
caracterizado por um pequeno grupo de variveis demogrficas. Ao contrrio, necessrio
desenvolver estratgias que atinjam grupos variados de consumidores com caractersticas
demogrficas e psicogrficas em um mercado com mltiplas restries (legais, econmicas,
competitivas, tecnolgicas, etc.). somente atravs de tcnicas multivariadas que as mltiplas relaes
destes tipos podem ser adequadamente examinadas para se obter um entendimento completo e realista
da tomada de deciso.
1.2. FERRAMENTAS COMPUTACIONAIS
Todas as tcnicas multivariadas foram desenvolvidas antes do aparecimento dos

computadores. No entanto, foi s aps a utilizao dos computadores que estas tcnicas comearam a
ser conhecidas e usadas por no especialistas.
Hoje existe uma quantidade razovel de programas computacionais que permitem a utilizao
de tcnicas multivariadas. Os antigos programas desenvolvidos para mainframes (grandes
computadores), agora com verses em micros, como o SPSS, SAS e BMDP e os novos programas
especializados. Por exemplo, para a reduo multidimensional tem-se o ASCAL, INDSCAL, KYST e
PREFMAP. Para equaes estruturais ou simultneas o LISREL e o EQS e para anlise conjunta o
ACA, o CVA e CBC.
1.3. DEFINIO DE ANLISE MULTIVARIADA
A anlise multivariada de uma forma bem geral refere-se a todos os mtodos estatsticos que
analisam simultaneamente mltiplas medidas em cada indivduo ou objeto sob investigao. Qualquer
anlise simultnea de mais de duas variveis pode ser, de certo modo, considerado como anlise
multivariada. Muitas tcnicas multivariadas so simplesmente extenses de anlises univariadas
(anlise da distribuio de uma nica varivel) e anlise bivariada (classificao cruzada, correlao,
anlise de varincia e regresso simples). Por exemplo, a regresso simples (com uma varivel
preditiva) estendida para o caso multivariado para incluir vrias variveis preditivas. Da mesma
Texto i: INTRODUO
forma, a nica varivel dependente encontrada na anlise de varincia estendida para incluir
mltiplas variveis dependentes na anlise de varincia multivariada. Em muitos casos, como poder
ser visto, a anlise multivariada um meio de realizar em uma nica anlise aquilo que exigiria
mltiplas anlises no caso univariado. Outras tcnicas multivariadas, no entanto, foram projetadas para
lidar somente com casos multivariados, tal como a anlise de fatores, que visa identificar a estrutura
subjacente de um grupo de variveis ou a anlise discriminante, para diferenciar entre grupos baseados
em um conjunto de variveis.
Uma das razes para a dificuldade de se definir a anlise multivariada que o termo
multivariado no utilizado de forma consistente na literatura. Para alguns pesquisadores,
multivariado significa simplesmente examinar o relacionamento entre duas ou mais variveis. Outros
usam o termo somente para problemas onde todas as variveis assumem por hiptese uma distribuio
multivariada. Para ser considerado verdadeiramente multivariada, no entanto, todas as variveis devem
ser aleatrias e interrelacionadas de tal forma que seus diferentes efeitos no podem ser interpretados
de maneira significativa separadamente. Outros autores declaram que o propsito da anlise
multivariada medir, explicar e predizer o grau de relacionamento entre variates (combinao linear
de variveis). Desta forma, a caracterstica multivariada repousa nas mltiplas combinaes de
variveis (variates) e no somente sobre o nmero de variveis ou observaes.
2 . CONCE ITOS B SICOS
2.1. COMBINAO LINEAR DE VARIVEIS (VARIATE)
A anlise multivariada tem suas razes na anlise univariada e bivariada e a extenso para o
domnio multivariado introduz conceitos adicionais e questes que so particularmente relevantes.
Estes conceitos vo desde o entendimento conceitual do bloco estrutural bsico da anlise multivariada
- as variates - at questes especficas que lidam com o tipo de escala de medida utilizada e as
questes estatsticas da significncia dos testes e intervalos. Cada conceito desempenha um papel
importante na aplicao bem sucedida de qualquer tcnica multivariada.
A variate
Como j mencionado, o bloco bsico da construo da anlise multivariada a combinao
linear de variveis com pesos empiricamente determinados, ou simplesmente denominada de variate.
As variveis so especificadas pelo pesquisador ou analista enquanto que os pesos so determinados
pelo objetivo especfico das tcnicas multivariadas. Uma variate de n variveis ponderadas (X1 at Xn)
pode ser escrita da seguinte forma: Valor da variate = w1X1 + w2X2 + ... + wnXn,
Texto i: INTRODUO
onde Xi a varivel observada e wi o peso obtido pela tcnica multivariada.
O resultado um nico valor representando a combinao de todo o conjunto de variveis que

melhor atinge o objetivo da tcnica multivariada especfica. Na regresso mltipla, o resultado
(variate) determinado de forma que melhor se correlacione com a varivel sendo prevista
(predicted). Na anlise discriminante o resultado (variate) formado de forma a criar escores para
cada varivel que produzam a mxima diferena entre grupos de observaes. E na anlise de fatores o
resultado (variate) formado para melhor representar a estrutura subjacente ou dimensionalidade das
variveis como as representadas pelas suas intercorrelaes.
Em cada instncia, o resultado (variate) captura o carter multivariado da anlise. Assim , na

discusso de cada tcnica, o resultado (variate) o ponto central da anlise em muitos aspectos. Ns
devemos entender no apenas o impacto coletivo em satisfazer os objetivos da tcnica mas tambm a
contribuio de cada varivel sobre o efeito global no resultado (variate).
2.2. ESCALAS DE MEDIDA
A anlise de dados envolve a partio, identificao e medio das variaes em um conjunto

de variveis, tanto entre elas ou entre a varivel dependente e uma ou mais variveis independentes. A
palavra chave medio, porque o pesquisador no pode identificar uma variao a menos que ela seja
capaz de ser medida. A medida importante para representar de forma acurada o conceito de interesse
e seu instrumental na seleo do mtodo de anlise multivariada apropriado.
Existem dois tipos bsicos de dados: qualitativos (no-mtricos) e quantitativos (mtricos).

Dados qualitativos so atributos, caractersticas ou categorias que identificam ou descrevem um
contedo. Eles descrevem a diferena entre tipos e elementos indicando a presena ou ausncia de uma
caracterstica ou propriedade. Muitas propriedades so discretas no sentido de que se algo tem uma
determinada caracterstica ento todas as outras esto excludas. Por exemplo, se algum homem
ento no pode ser mulher. No existe quantidade de gnero, mas apenas o estado de ser homem ou
mulher. Em contraste as escalas mtricas so feitas de modo que os contedos podem ser identificados
como diferindo em quantidade ou grau. Variveis medidas metricamente refletem quantidades
relativas de grau ou distncia. Onde se puder fazer declaraes de quantidade ou magnitude, tal como
o nvel de satisfao ou comprometimento com um trabalho, medidas mtricas so apropriadas.
2.2.1. ESCALAS QUALITATIVAS
Medidas no-mtricas podem ser feitas tanto com uma escala nominal quanto com uma
ordinal. Uma medida com escala nominal atribui valores com o objetivo de rotular ou identificar os
Texto i: INTRODUO
objetos. Escalas nominais, tambm conhecidas como escalas categricas, fornecem o nmero de
ocorrncias (freqncias) em cada classe ou categoria da varivel sendo estudada. Os smbolos ou
nmeros atribudos a cada categoria no tem um significado quantitativo alm o de indicar a presena
ou ausncia do atributo ou caracterstica sob investigao. Exemplos de escalas nominais so: sexo,
religio, preferncia poltica, estado civil, etc.
A escala ordinal o nvel seguinte das escalas de medidas. Variveis podem ser ordenadas
atravs de escalas ordinais com respeito a quantidade do atributo que possuem. Cada subcategoria
pode ser comparada com outra em termos das relaes "maior que" ou "menos que". Por exemplo
nveis diferentes de satisfao do consumidor com alguns produtos novos podem ser ilustrados por
uma escala ordinal.
Produto A Produto B Produto C
Muito satisfeito No satisfeito
Os nmeros utilizados na escala ordinal so no quantitativos, porque eles indicam somente a

sua posio relativa numa srie ordenada. No existe uma medida de quanta satisfao o consumidor
recebe em termos absolutos e nem o pesquisador sabe a diferena exata entre dois pontos na escala de
satisfao. Muitas escalas nas cincias humanas esto enquadradas neste grupo.
2.2.2. ESCALAS QUANTITATIVAS
As escalas mtricas incluem a de intervalo e a de razo. Estas escalas permitem uma medida
real do atributo sendo mensurado e praticamente todas as operaes matemticas podem ser aplicadas.
Estas escalas possuem unidades constantes de medida de modo que as diferenas entre duas categorias
so idnticas. A nica diferena real entre uma escala de intervalo e uma escala de razo que as de
intervalo possuem um zero arbitrrio enquanto que as de razo possuem um ponto zero absoluto. As
escalas de intervalo mais conhecidas so as que medem a temperatura como a Celsius e a Fahrenheit.
Ambas possuem um ponto zero arbitrrio, isto , no significando uma quantidade zero de temperatura
ou ausncia completa de temperatura. Da mesma forma no possvel afirmar que um certo valor num
escala de intervalo mltiplo de algum outro na escala. Por exemplo, uma temperatura de 80F numa
escala diferente no o dobro da temperatura de 40F porque 80F na escala Celsius 26,7C. Do mesmo
modo o valor 40F na escala Celsius 4,4C. Embora 80 seja o dobro de 40, no se pode afirmar que o
calor de 80F o dobro do calor de 40F, porque usando uma escala diferente o calor medido no o
dobro, isto , 2. 4,4C 8,8C.
Texto i: INTRODUO
A escala de razo o mais alto nvel de medida possvel, porque ela apresenta as vantagens
das demais escalas mais um zero absoluto. Todas as operaes matemticas so permitidas com este
tipo de escala. O peso, por exemplo, medido por uma escala deste tipo. Quando se diz que alguma
coisa pesa 10 kg, isto significa exatamente o dobro de algo que pesa 5kg, no importando se for
expresso em kg ou outra unidade qualquer. Aqui um peso zero significa ausncia total da
caracterstica, isto , peso.
Entender os diferentes tipos de escala de medida importante por duas razes. Primeiro
necessrio identificar a escala de medida usada para cada varivel para que dados mtricos no sejam
usados incorretamente como se fossem no-mtricos e vice-versa. Segundo, a escala de medida um
fator crtico na determinao do tipo de tcnica multivariada que ser mais apropriada para os dados
levando em considerao as variveis dependentes e independentes.
2.3. ERROS DE MEDIDA E MEDIDA MULTIVARIADA
O uso de mltiplas variveis e a confiana na sua combinao (a variate) em tcnicas

multivariadas tambm chama a ateno para um assunto complementar: o erro de medida. O erro de
medida o grau com que a o valor observado no representativo dos valores verdadeiros. Erros de
medida podem vir de vrias fontes, variando de digitao errada (erro nos dados de entrada) at a
impreciso da medida em si. Por exemplo, utilizar uma escala de 7 nveis para medir a satisfao do
consumidor quando os mesmos s podem responder com preciso a apenas trs. A renda familiar pode
ser razoavelmente medida mas raramente totalmente precisa. Desta forma toda varivel utilizada em
tcnicas multivariadas deve ser assumida como possuindo algum grau de erro de medida. O impacto
do erro de medida adicionar "rudo" s variveis observadas ou medidas. Desta forma, o valor
observado representa tanto o "verdadeiro" valor quanto o "rudo". Quando usado para calcular
correlaes ou mdias, o "verdadeiro" efeito parcialmente mascarado pelo erro de medida, fazendo
com que a correlao seja mais fraca e a mdia menos precisa.
O objetivo de reduzir o erro de medida pode ser alcanado de vrias formas. Ao tratar o grau
de erro de medida presente em qualquer medida o analista pode tanto tratar da validade quanto da
confiabilidade. A validade o grau com que a medida acuradamente representa aquilo que ela se
prope a representar. Assegurar a validade comea com o entendimento correto do que deve ser
medido e ento com a determinao da medida to corretamente e acuradamente quanto possvel. No
entanto acurcia no assegura validade.
Supondo que a medida vlida, isto , representa aquilo que se prope a medir, existem ainda
consideraes sobre a confiabilidade da medida. Confiabilidade o grau com o qual a varivel
Texto i: INTRODUO
considerada mede o verdadeiro valor e est livre de erros. Se a mesma medida, por exemplo, feita
vrias vezes, medidas confiveis mostraro uma consistncia mais alta do que medidas menos
confiveis.
Um outro procedimento a ser seguido desenvolver medidas multivariadas, tambm
conhecidas como escalas somadas, onde vrias variveis so agrupadas para representar uma varivel
composta (por exemplo, escalas de personalidade de itens mltiplos ou classe de um produto). O
objetivo evitar o uso de uma nica varivel para representar um conceito e ao invs usa-se vrias
variveis como indicadores, todas representando diferentes facetas do conceito para obter uma
perspectiva mais global. O uso de mltiplos indicadores permite ao pesquisador especificar mais
precisamente as respostas desejadas e no colocar total confiana em uma nica resposta mas ao invs
numa resposta mdia ou tpica de um conjunto relacionado de respostas. A idia que respostas
mltiplas refletem de forma mais acurada a verdadeira resposta do que uma nica.
O impacto de erros de medida e uma confiabilidade pobre no podem ser vistos diretamente
pois eles esto embutidos nas variveis observadas. Resultados ruins nem sempre so devidos a erros
de medida, mas a presena de erros de medida seguramente distorcer o relacionamento observado e
tornar a tcnica multivariada menos poderosa.
2.4. SIGNIFICNCIA ESTATSTICA VERSUS PODER

ESTATSTICO
Todas as tcnicas multivariadas exceto a anlise de conglomerados e a reduo

multidimensional (multidimensional scaling) so baseadas em inferncias de valores populacionais ou
no relacionamento entre variveis de uma amostra extradas ao acaso de uma populao. Se fosse feito
o censo ento a inferncia seria desnecessria, porque qualquer diferena ou relacionamento, mesmo
que pequeno, verdadeiro e existe. Mas o censo raramente feito, ento, normalmente se obrigado a
trabalhar com amostras.
Interpretar inferncias estatsticas requer que o pesquisador especifique os nveis aceitveis de
erro. A abordagem mais comum especificar o Erro do Tipo I, cuja probabilidade representada por
(alfa). O erro do Tipo I consiste em rejeitar a hiptese nula quando ela verdadeira, isto , quando
ela no deveria ser rejeitada. Em outras palavras ele consiste em afirmarmos que os resultados so
significativos, no caso, estatisticamente significativos quando, de fato, eles no so. O erro do tipo I
apenas um dos dois tipos de erros possveis. O erro do tipo I pode ser cometido quando rejeitamos a
hiptese nula. No entanto, rejeitar a hiptese apenas uma das duas decises possveis. Se a hiptese
nula for aceita ento possvel se cometer o Erro do Tipo II, isto , aceitar a hiptese quando ela no
Texto i: INTRODUO
deveria ser aceita. A probabilidade de se cometer o erro do tipo II representada por (beta). No
entanto, uma probabilidade mais interessante 1- , que a probabilidade de tomar uma deciso
correta, isto , a probabilidade de se rejeitar a hiptese nula quando ela falsa. Esta probabilidade
denominada de poder do teste.
Os erros do tipo I e II variam inversamente, isto , quando a probabilidade de se cometer erro

do tipo I diminuda a probabilidade de se cometer erro do tipo II aumentada. Reduzir o erro do tipo
I, reduz tambm o poder do teste estatstico. Desta forma necessrio fazer um balano entre o nvel
de significncia () e o poder resultante.
O poder no apenas uma funo de , ele , na realidade, uma resultante de trs fatores:
1. Tamanho do efeito. A probabilidade de se obter significncia estatstica baseada no

somente em consideraes estatsticas, mas tambm na real magnitude do efeito de interesse sendo
estudado (por exemplo, a diferena de mdias entre dois grupos ou a correlao entre variveis) na
populao, denominado de tamanho do efeito. Como seria esperado, um efeito grande mais
provvel de ser detectado do que um pequeno e deste forma influenciam no poder do teste. Para avaliar
o poder de qualquer teste estatstico o pesquisador deve primeiramente entender o efeito sendo
estudado. O tamanho do efeito definido em termos de desvios padres para facilitar comparaes.
Diferenas de mdias so estabelecidas em termos de desvios padres, de modo que um efeito de 0,50
indica que a diferena mdia de meio desvio padro. Para correlaes o tamanho do efeito baseado
na correlao real entre as variveis.
2. Alfa. Como j foi discutido medida que a probabilidade de se cometer erro do tipo I (alfa)
diminui o poder do teste tambm decresce. Isto significa que se o analista reduz a chance de encontrar
um efeito incorreto significativo, a probabilidade de encontrar corretamente o efeito tambm diminui.
Normalmente os nveis utilizados para a significncia ficam em 5% e 1%, mas o analista deve
considerar o impacto desta deciso no poder do teste antes de tomar uma deciso definitiva.
3. Tamanho da amostra. A um dado nvel alfa, aumentar o tamanho da amostra sempre

produz aumento no poder do teste. Mas aumentar o tamanho da amostra pode tambm produzir "muito
poder". Isto quer dizer que aumentando o tamanho da amostra efeitos cada vez menores sero
detectados como estatisticamente significativos at que para uma amostra muito grande quase todo
efeito ser significativo. O analista deve estar sempre ciente que o tamanho da amostra pode afetar o
teste estatstico tanto tornando-o insensvel (para pequenos tamanhos de amostra) ou ento
extremamente sensvel (para amostras realmente grandes).
Texto i: INTRODUO
3 . T I P O S D E T C N I C A S M U LT I VA R I A D A S
A anlise multivariada um conjunto de tcnicas de anlise de dados sempre em expanso. A

seguir esto tabeladas as mais bem estabelecidas. Elas foram divididas em duas categorias: as do tipo
regresso e as do tipo correlao.
3.1. TCNICAS DO TIPO REGRESSO

As tcnicas do tipo regresso envolvem a separao das variveis em dois subgrupos. As
variveis dependentes ou explicadas e as variveis independentes ou explicativas.
3.1.1. REGRESSO MLTIPLA
A regresso mltipla o mtodo de anlise apropriado quando o problema envolve uma nica
varivel (mtrica) dependente que se presume estar relacionada com uma ou mais (tambm mtricas)
variveis independentes. O objetivo da anlise de regresso prever as mudanas na varivel
dependente em resposta s mudanas que ocorrem nas vrias variveis independentes. Este objetivo
quase sempre alcanado atravs do mtodo dos mnimos quadrados.
Sempre que um analista estiver interessado em prever a quantidade ou magnitude da varivel

dependente a regresso mltipla ser til. Por exemplo: despesas mensais com jantares fora de casa
podem ser previstas com informaes obtidas das variveis renda familiar, tamanho da famlia e a
idade do lder da famlia. Da mesma forma possvel prever as vendas mensais de uma companhia
com base nas informaes de gastos com propaganda, o nmero de vendedores e o nmero de pontos
de venda de seus produtos.
3.1.2. ANLISE DISCRIMINANTE
Se a nica varivel dependente for dicotmica (por exemplo: homem-mulher) ou categrica

(por exemplo: alto, mdio, baixo) e desta forma qualitativa, a tcnica multivariada apropriada a
anlise discriminante. Assim como na regresso mltipla as variveis independentes so por hiptese
quantitativas. A anlise discriminante til em situaes onde a amostra total pode ser dividida em
grupos baseados na varivel dependente caracterizando vrias classes conhecidas. O principal objetivo
da anlise discriminante entender diferenas entre grupos e prever a probabilidade de que uma
entidade (indivduo ou objeto) pertena a uma classe em particular ou grupo baseado nas vrias
variveis independentes. Por exemplo, a anlise discriminante pode ser usada para diferenciar
inovadores de no-inovadores de acordo com seus perfis demogrficos e psicogrficos. Uma outra
aplicao inclui distinguir grande consumidores de pequenos consumidores de um determinado
Texto i: INTRODUO
produto, homens de mulheres e crditos bons de crditos ruins, etc. At a receita federal americana
utiliza a anlise discriminante para comparar o pagamento de impostos de renda de locais selecionados
com um contribuinte hipottico e para identificar os retornos mais promissores e as reas de auditoria.
3.1.3. ANLISE DE VARINCIA MULTIVARIADA
Anlise de varincia multivariada ou MANOVA (Multivariate Analysis of Variance) uma

tcnica estatstica que pode ser utilizada para explorar simultaneamente o relacionamento entre vrias
variveis categricas independentes (normalmente referenciadas como tratamentos) e duas ou mais
variveis dependentes mtricas. Como tal ela representa uma extenso da anlise de varincia
univariada ou ANOVA (Analysis of Variance). A anlise multivariada de covarincia ou MANCOVA
(Multivariate Analysis of Covariance) tambm pode ser usada em conjunto com a MANOVA para
remover, aps o experimento, o efeito de qualquer varivel independente no controlvel sobre as
variveis dependentes. O procedimento semelhante ao usado na avaliao do coeficiente de
correlao parcial bivariado. A MANOVA til quando o pesquisador projeta uma situao
experimental (manipulao de vrias variveis no-mtricas ou tratamentos) para testar hipteses com
respeito a varincia em grupos de resposta em duas ou mais variveis dependentes mtricas.
3.1.4. CORRELAO CANNICA
Anlise cannica de correlao pode ser vista como uma extenso lgica da anlise de
regresso mltipla. Lembre-se que anlise de regresso mltipla envolve uma nica varivel
dependente mtrica e vrias variveis independentes tambm mtricas. Na correlao cannica o
objetivo correlacionar simultaneamente vrias variveis dependentes mtricas com vrias variveis
independentes tambm mtricas. Enquanto a regresso mltipla envolve uma nica varivel
dependente, a correlao cannica envolve mltiplas variveis dependentes. O princpio subjacente
desenvolver uma combinao linear de cada conjunto de variveis (tanto dependentes quanto
independentes) para maximizar a correlao entre os dois conjuntos. Em outras palavras, o
procedimento envolve obter um conjunto de pesos para as variveis dependentes e independentes que
forneam a correlao simples mxima entre o conjunto das variveis dependentes e as independentes.
3.1.5. MODELOS LINEARES DE PROBABILIDADE (LOGIT)
A tcnica do modelo linear de probabilidade tambm conhecida como anlise de logit uma
combinao de regresso mltipla e anlise discriminante mltipla. Ela semelhante a anlise de
regresso mltipla no sentido de que uma ou mais variveis independentes so utilizadas para prever
Texto i: INTRODUO
uma nica varivel dependente. O que distingue o modelo linear de probabilidade da regresso
mltipla que a varivel dependente no-mtrica como na anlise discriminante. A escala no-
mtrica da varivel dependente requer uma abordagem diferenciada na estimao e nas hipteses sobre
a distribuio subjacente, mas em muitas outras caractersticas semelhante regresso mltipla.
Desta forma, uma vez que a varivel dependente seja corretamente especificada e a tcnica de
estimao apropriada seja empregada, os fatores bsicos considerados na regresso mltipla sero
utilizadas aqui da mesma forma. O modelo linear de probabilidade se diferencia da anlise
discriminante primeiramente porque ele acomoda qualquer tipo de varivel independente (tanto
mtricas quanto no-mtricas) e no necessita da hiptese de normalidade multivariada. No entanto,
em muitas situaes, particularmente com mais de dois nveis na varivel dependente a anlise
discriminante uma tcnica mais apropriada.
3.1.6. ANLISE CONJUNTA
A anlise conjunta uma tcnica dependente emergente que criou novas formas de avaliao
de objetos, tanto se forem produtos quanto se forem servios ou idias. A aplicao mais direta no
desenvolvimento de novos produtos e servios, permitindo a avaliao de produtos complexos
enquanto mantm um contexto realstico de deciso para o respondente. O analista de marketing
capaz de avaliar a importncia dos atributos bem como dos nveis de cada atributo enquanto que os
consumidores avaliam somente uns poucos perfis de produtos, que so combinaes de nveis de
produtos. Por exemplo, suponha um conceito de produto com trs atributos (preo, qualidade e cor),
cada um com trs possveis nveis (por exemplo, vermelho, amarelo e azul). Ao invs de precisar
avaliar todas as 27 (3.3.3) possveis combinaes, um subconjunto (9 ou mais) pode ser avaliado pela
sua atratividade para o consumidor e o analista sabe, no somente quo importante cada atributo, mas
tambm a importncia de cada nvel (a atrao do vermelho versus amarelo versus azul). Alm disso,
quando a avaliao do consumidor completada, os resultados da anlise conjunta podem tambm ser
usados em simuladores de projetos de produtos, que mostram a aceitao do consumidor para qualquer
nmero de produtos formulados e ajudam no projeto do produto timo.
3.1.7. MODELAGEM POR EQUAES ESTRUTURAIS
A modelagem por equaes estruturais muitas vezes denominada LISREL (que o nome de
um dos pacotes de software mais populares), uma tcnica que permite separar relacionamentos para
cada um dos conjuntos de variveis dependentes. Em termos simples, a tcnica fornece um mtodo de
Texto i: INTRODUO
estimao apropriado e eficiente para uma srie de equaes de regresses mltiplas separadas serem
estimadas simultaneamente. Ela caracterizada por duas componentes bsicas:
(1) O modelo estrutural e
(2) O modelo de medida.
O modelo estrutural o caminho que relaciona as variveis dependentes e independentes. Em

tais situaes, teoria, experincia prvia e outros indicativos permitem que o analista distingue que
varivel independente estima que varivel dependente. Os modelos vistos anteriormente que
acomodam mltiplas variveis dependentes (anlise de varincia multivariada e correlao cannica)
no so apropriados nesta situao porque eles permitem uma nica relao entre as variveis
dependentes e independentes.
O modelo de medida permite que o analista uso vrias variveis (indicadores) para uma nica
varivel dependente ou independente. Por exemplo, a varivel dependente poder ser um conceito
representado por uma escala agregada tal como auto-estima. No modelo de medida o analista pode
avaliar a contribuio de cada item da escala bem como incorporar quo bem a escala mede o conceito
(confiabilidade) na estimao do relacionamento entre as variveis dependentes e independentes. Este
procedimento semelhante a executar a anlise de fatores dos itens da escala e usar os escores dos
fatores na regresso.
3.2. TCNICAS DO TIPO CORRELAO
As tcnicas discutidas acima esto centradas em mtodos multivariados aplicados a dados que
contm tanto variveis dependentes quanto independentes. No entanto, se o pesquisador esta
investigando as interpelaes e desta forma a interdependncia entre todas as variveis, sem se
preocupar se as variveis so dependentes ou independentes ento, vrias outras tcnicas multivariadas
so apropriadas. Estas tcnicas incluem: anlise de fatores, de conglomerados, escalonamento
multidimensional e anlise de correspondncia.
3.2.1. ANLISE DE FATORES
Anlise de fatores, incluindo as variaes tais como a anlise de componentes e a anlise de

fatores comuns uma abordagem estatstica que pode ser utilizada para analisar interpelaes entre um
grande grupo de variveis e para explicar estas variveis em termos de fatores subjacentes comuns. O
objetivo encontrar uma forma de condensar a informao contida em um determinado nmero de
variveis originais em um conjunto menor de variates (fatores) com perda mnima de informao.
Texto i: INTRODUO
3.2.2. ANLISE DE CONGLOMERADOS
A anlise de conglomerados uma tcnica analtica para encontrar subgrupos significativos

de indivduos ou objetos. Especificamente, o objetivo classificar uma amostra de entidades
(indivduos ou objetos) em um nmero pequeno de grupos mutuamente exclusivos. Na anlise de
conglomerados, diferentemente da anlise discriminante, os grupos no so pr-definidos. Ao invs a
tcnica usada para identificar os grupos.
A anlise de conglomerados normalmente envolve dois passos. O primeiro a medida de

alguma forma de semelhana ou associao entre as entidades para determinar quantos grupos existem,
realmente, na amostra. O segundo passo traar o perfil das pessoas ou variveis de modo a
determinar sua composio. Este passo pode ser acompanhado da aplicao da anlise discriminante
aos grupos identificados pela tcnica de conglomerados.
3.2.3. ESCALONAMENTO MULTIDIMENSIONAL
Na reduo multidimensional o objetivo transformar julgamentos de semelhana ou

preferncia (por exemplo, preferncia por lojas ou marcas) em distncias representadas no espao
multidimensional. Se objetos A e B so julgados por respondentes como sendo os mais semelhantes
comparados com todos os demais pares de objetos, a tcnica posicionar os objetos A e B de forma
que a distncia entre eles no espao multidimensional seja menor do que a distncia entre quaisquer
outros pares de objetos. O mapa perceptivo resultante mostra a posio relativa de todos os objetos,
mas anlises adicionais sero necessrias para descobrir que atributos foram usados para estabelecer a
posio de cada objeto.
3.2.4. ANLISE DE CORRESPONDNCIA
A anlise de correspondncia uma tcnica interdependente recentemente desenvolvida para

facilitar tanto a reduo dimensional da posio em uma escala (por exemplo, produtos, pessoas, etc.)
em um conjunto de atributos quanto o mapa perceptvel destes objetos relativos a estes atributos. Os
analistas esto constantemente enfrentando o problema de "quantificar" os dados qualitativos
encontrados em variveis nominais. A anlise de correspondncia difere de outras tcnicas
interdependentes discutidas anteriormente na habilidade para acomodar tanto dados no-mtricos
quanto relacionamentos no-lineares.
Em sua forma bsica a anlise de correspondncia emprega uma tabela de contingncia, que
a tabulao cruzada de duas variveis categricas. Ela ento transforma os dados no-mtricos a um
nvel mtrico e executa a reduo dimensional (semelhante a anlise de fatores) e o mapa perceptvel
Texto i: INTRODUO
(semelhante a anlise multidimensional). Como um exemplo, a preferncia de consumidores por

marcas pode ser posta em cruzamento com variveis demogrficas (raa, renda, ocupao) pela
indicao de quantas pessoas preferindo cada marca podem ser classificadas em cada categoria na
varivel demogrfica. Atravs da anlise de correspondncia, a associao ou "correspondncia" de
marcas e as caractersticas distinguindo os que preferem cada marca so mostradas em um mapa de
duas ou trs dimenses tanto das marcas quanto das caractersticas dos respondentes. Marcas
percebidas como semelhantes so colocadas prximas umas das outras. Da mesma forma, a principal
caracterstica dos respondentes na preferncia de cada marca dada pela proximidade da categoria da
varivel demogrfica da posio da marca. A anlise de correspondncia fornece uma representao
multivariada da interdependncia para dados no-mtricos que no seria possvel com outras tcnicas.
4 . C L A S S I F I C A O D A S T C N I C A S M U LT I VA R I A D A S
Para poder se familiarizar com as tcnicas multivariadas especficas apresentado na figura

4.1 uma classificao dos mtodos multivariados. Esta classificao baseado em trs julgamentos
que se deve fazer sobre os objetivos da anlise e a natureza dos dados:
(1) As variveis podem ser classificadas em independentes e dependentes de acordo com
algum critrio?
(2) Se sim, quantas so tratadas como dependentes em uma nica anlise?
(3) Qual a escala de medida utilizada para avaliar as variveis?
A tcnica multivariada selecionada depende das respostas a estas 3 questes. Quando uma
tcnica multivariada for considerada, a primeira pergunta a ser formulada : os dados podem ser
divididos em classificaes dependentes e independentes? A resposta a esta questo indica se uma
tcnica dependente ou interdependente deve ser utilizada. Observe que na figura 4.1 as tcnicas
dependentes esto de um lado e as independentes de outro.
Uma tcnica dependente pode ser definida como aquela em que uma varivel ou um conjunto
de variveis so identificadas como variveis dependentes para serem previstas ou explicadas por
outra ou outro conjunto de variveis conhecidas como independentes. Um exemplo de uma destas
tcnicas a anlise mltipla de regresso. Em contraste, uma tcnica interdependente aquela em
que uma nica varivel ou um grupo de variveis so definidas como sendo dependentes ou
independentes. Alm disso, o procedimento envolve a anlise de todas as variveis no conjunto
simultaneamente. A anlise de fatores uma tcnica de interdependncia.
Texto i: INTRODUO
4.1. TCNICAS DEPENDENTES

Os diferentes mtodos que constituem a anlise de dependncia podem ser categorizadas por
duas coisas:
(1) o nmero de variveis dependentes e
(2) o tipo de escala de medida empregado para medir as variveis.
Com respeito ao nmero de variveis dependentes estas tcnicas podem ser classificadas
como tendo uma nica varivel dependente, vrias variveis dependentes ou mesmo vrias relaes de
dependncia ou independncia. As tcnicas dependentes podem, ainda, ser classificadas como
apresentando variveis mtricas (quantitativa/numrica) ou no-mtricas (qualitativas/categricas)
dependentes. Se a anlise envolve uma nica varivel dependente que mtrica, a tcnica apropriada
tanto anlise mltipla de regresso quanto anlise conjunta. A anlise conjunta um caso especial.
um procedimento dependente que pode tratar a varivel dependente tanto como mtrica ou no-
mtrica, dependendo das circunstncias. Por outro lado, se a nica varivel dependente categrica
ento a tcnica apropriada a anlise discriminante ou modelos lineares de probabilidade. Em
contraste, quando o problema envolve vrias variveis dependentes, quatro outras tcnicas de anlise
so apropriadas. Se as vrias variveis dependentes so mtricas deve-se ento olhar para as variveis
independentes. Se as variveis independentes so no-mtricas a tcnica de anlise multivariada de
varincia deve ser selecionada. Se elas forem mtricas ento anlise cannica de correlao a tcnica
a ser empregada. Se as vrias variveis dependentes so no-mtricas, elas podem ser transformadas
atravs de variveis dummy codificadas como 0 ou 1 e ento a anlise cannica pode novamente ser
empregada. Finalmente se um conjunto relacionamentos de variveis dependentes/independentes pode
ser assumido ento a modelagem por equaes estruturais pode ser empregado.
Existe uma relao estreita entre os vrios procedimentos dependentes e elas podem ser vistas
como uma famlia de tcnicas. A tabela 4.1 define as vrias tcnicas dependentes multivariadas em
termos da natureza e do nmero das variveis dependentes e independentes. Como pode ser visto, a
correlao cannica pode ser considerada como um modelo geral sobre o qual muitas outras tcnicas
multivariadas esto baseadas, porque ela coloca as mais baixas restries tanto no tipo quanto no
nmero de variveis em ambas as variates dependente e independente. As restries so colocadas nas
variates, concluses mais precisas podem ser alcanadas baseadas na escala especfica de medida dos
dados. Desta forma, as tcnicas multivariadas abrangem desde o mtodo geral de anlise cannica at
o mais especializado representado pela modelagem de equaes.
Texto i: INTRODUO
Figura 4.1 - Classificao das tcnicas multivariadas
Tipo de relao sendo examinada
Dependncia: Interdependncia:
Quantas variveis A estrutura do

esto sendo relacionamento entre?
explicadas?
Relaes mltiplas Vrias variveis em Uma varivel dependente

de variveis dependentes uma nica relao em uma nica relao Variveis Casos/Respondentes Objetos
e independentes?
Modelagem por Qual o tipo de Qual o tipo

equaes estruturais varvel dependente? de escala da Anlise Anlise de Como os
varivel dependente? de Fatores Conglomerados atributos so
mensurados?
Mtrica No-mtrica Mtrica No-mtrica
Mtrica No-mtrica
Qual a escala de Anlise cannica Regresso Anlise Anlise Modelos

medida da varivel correlao com Mltipla Conjunta Discriminante Lineares de
explicativa? variveis dummy Probabilidade Reduo Anlise
Multidimensional de correspondncia
Mtrica No-mtrica
Anlise cannica Anlise de varincia

correlao multivariada
Texto i: INTRODUO
Tabela 4.1 - As relaes entre os mtodos dependentes multivariados
Correlao cannica
Y1 + Y2 + Y3 + .. + Yn = X1 + X2 + X3 + ... + Xn
(Qualitativas, Quantitativas ) (Qualitativas, Quantitativas )
Anlise multivariada de varincia
Y1 + Y2 + Y3 + ... + Yn = X1 + X2 + X3 + ... + Xn
(Quantitativas ) (Qualitativas)
Anlise de varincia
Y = X1 + X2 + X3 + ... + Xn
(Quantitativas ) (Qualitativas)
Anlise discriminante mltipla
Y = X1 + X2 + X3 + ... + Xn
(Qualitativa) (Quantitativas )
Anlise de regresso mltipla
Y = X1 + X2 + X3 + ... + Xn
(Quantitativa) (Quantitativas, Qualitativas)
Anlise conjunta
Y = X1 + X2 + X3 + ... + Xn
(Quantitativa, Qualitativa) (Qualitativas)
Modelagem por equaes estruturais
Y1 = X11 + X12 + X13 + ... + X1n
Y2 = X21 + X22 + X23 + ... + X2n
................................................
Ym = Xm1 + Xm2 + Xm3 + ... + Xmn
Pr of. L or Via li , Dr . via li@pu crs.br http://w ww.ma t.pu cr s.br/~via li/
Texto i: INTRODUO
4.2. TCNICAS INTERDEPENDENTES
As tcnicas interdependentes so mostradas no lado direito da figura 4.1. Deve-se lembrar que
neste tipo de tcnica as variveis no so classificadas como dependentes ou independentes. Ao invs,
todas as variveis so analisadas simultaneamente em um esforo para encontrar uma estrutura
subjacente para todo o conjunto de variveis ou elementos. Se a estrutura das variveis para ser
analisada, ento anlise de fatores a tcnica apropriada. Se casos ou respondentes devem ser
agrupados para representar a estrutura, ento a anlise de conglomerados a tcnica selecionada.
Finalmente, se o interesse reside na estrutura dos objetos, ento a tcnica da reduo multidimensional
deve ser aplicada. Assim como nas tcnicas dependentes, as propriedades das medidas das tcnicas
devem ser consideradas. No entanto, dados no-mtricos podem ser transformados atravs de variveis
dummy para uso com anlise de fatores e de conglomerados. A abordagem mtrica e no-mtrica foi
desenvolvida para a reduo multidimensional. Se a interdependncia dos objetos medidos por dados
no-mtricos deve ser analisada, a anlise de correspondncia tambm uma tcnica apropriada.
5 . A N L I S E M U LT I VA R I A D A : I N T E R P R E TA O
A anlise multivariada, mesmo quando aplicada corretamente, pelas restries de se acomodar

mltiplas variveis, cria resultados complexos que podem ser difceis de se interpretar. As orientaes
gerais seguintes podem ajudar nesta interpretao. A lista no uma coleo exaustiva de
consideraes, mas uma espcie de "filosofia da anlise multivariada".
5.1. ESTABELECER SIGNIFICNCIA PRTICA E ESTATSTICA
O analista deve considerar a significncia estatstica dos resultados, claro, mas tambm seu
significado prtico. A significncia prtica obtida respondendo a questo "E agora?". Para qualquer
aplicao gerencial, os resultados devem ter um efeito demonstrvel que justifique a ao.
5.2 O TAMANHO DA AMOSTRA AFETA TODOS OS RESULTADOS
Para pequenas amostras, a sofisticao e complexidade das tcnicas de anlise multivariada

podem facilmente resultar em (1) pouco poder estatstico para o teste para identificar resultados
significativos de forma realista; (2) facilmente oferecer um ajustamento adequado dos dados tais que
os resultados sero artificialmente bons porque se ajustam muito bem, embora no tenha generalidade.
Um impacto semelhante tambm ocorre para grandes tamanhos de amostras, tornando o teste muito
sensvel. Toda vez que a amostra exceder a 200 ou 300 unidades, o analista deve examinar todos os
Texto i: INTRODUO
resultados significativos para se assegurar que eles possuem significncia prtica, devido ao
crescimento do poder estatstico em virtude do tamanho da amostra. O tamanho da amostra afeta
tambm os resultados quando a anlise envolve grupos de resposta tal como na anlise discriminante e
MANOVA. Tamanhos desiguais entre grupos influenciam os resultados e requerem interpretaes
adicionais e/ou anlises.
5.3. CONHEA OS DADOS
A anlise multivariada requer um exame preliminar dos dados em virtude da influncia de

outliers (valores estranhos ao conjunto), violao das hipteses e a falta de dados (missing data). Para
aproveitar todos os benefcios da anlise multivariada o analista deve saber "onde olhar", com
formulaes alternativas do modelo original, tal como relacionamentos no-lineares ou interativos.
5.4. MANTENHA UM MODELO SIMPLES
As tcnicas multivariadas so projetadas para acomodar mltiplas variveis na anlise. Esta

caracterstica, no entanto, no deve substituir o desenvolvimento de um modelo conceitual antes da
aplicao da tcnica. Enquanto sempre mais importante evitar a omisso de uma varivel preditiva
crtica, denominado de erro de especificao, por vrias razes o analista tambm deve evitar o
oposto, isto , inserir variveis indiscriminadamente e deixar a tcnica multivariada tentar identificar
as relevantes. Primeiro, porque variveis irrelevantes normalmente aumentam a habilidade de
aderncia dos dados ao modelo tornando os resultados menos generalizveis para a populao.
Segundo, variveis irrelevantes no necessariamente distorcem os resultados das relevantes, mas elas
podem mascarar os verdadeiros efeitos devidos a multicolinearidade. A multicolinearidade representa
o grau com que qualquer varivel pode ser prevista pelas outras variveis na anlise. Com o aumento
da multicolinearidade diminui a habilidade de detectar o efeito de outras variveis. Desta forma, incluir
variveis que no so conceitualmente relevantes pode ter efeitos potenciais danosos, mesmo se elas
no distorcem diretamente os resultados do modelo.
5.5. TOME CUIDADO COM OS ERROS
Mesmo com as tcnicas multivariadas, raramente se obtm as melhores previses na primeira

anlise. O analista enfrenta ento a questo: "o que fazer agora?" A melhor resposta olhar os erros
nas previses, se eles so residuais da anlise de regresso, de m classificao na anlise
discriminante ou por outliers na anlise de conglomerados. Neste caso, o analista deve usar os erros na
previso no como uma medida de falha ou meramente algo a ser eliminado, mas como um ponto de
Texto i: INTRODUO
partida para o diagnstico da validade dos resultados obtidos e um indicao de relaes

remanescentes no explicadas.
6. CONCLUSO
Nesta introduo s tcnicas multivariadas o assunto no foi absolutamente esgotado. O que

se apresentou aqui de forma introdutria foi o elenco das tcnicas j sedimentadas. Tcnicas ainda
pouco conhecidas ou recm desenvolvidas no foram analisadas. O que se pretendeu foi apresentar um
panorama amplo das principais tcnicas, suas interelaes e um guia para a escolha e a aplicao das
mesmas. Novas tcnicas que esto rapidamente ganhando importncia, com aplicaes em quase todas
as reas so as redes neurais (neuronais) e a minerao de dados (data mining).
Texto i: INTRODUO
7. REFERNCIAS
AAKER, David A., DAY, George S. Marketing Research (3e). New York: John Wiley & Sons, 1986.
CHURCHILL, A, Jr. Marketing Research:Methodological Foundations (sixth edition). Orlando, FL:

Hartcourt Brace & Company, 1995, 1117 pp.
DILLON, William R., MADDEN, Thomas J., FIRTLE, Neil H. Marketing Research in a Marketing
Environment (Third edition). Boston, Massachusetts: IRWIN, 1987, 760 pp.
HAIR, Joseph F., Jr.. ANDERSON, Rolph E., TATHAM, Ronald L., BLACK William C.
Multivariate Data Analyis: with readings (fourth edition). Upper Saddle River, New Jersey:
Prentice Hall, 1995. 745 pp.
KACHIGAN, Sam Kash. Statistical Analysis: An Interdisciplinary Introduction to Univariate &

Multivariate Methods. New York: Radius Press, 1986, 589 p.
MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to Managerial

Decision Making. New York: John Wiley & Sons, 1987. 827p.
MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Economics. IRWIN,
Boston, 1990.
NORUIS, Marija J., SPSS Inc. SPSS for Windows Professional Statistics, Release 5. Chicago,
IL: SPSS Inc., 1992.
STEVENS, James. Applied Multivariate Statistics For The Social Sciences. Mahwah, New Jersey:
LEA Lawrence Erbaum Associates, Publishers. 1996.

Estatística Multivariada - Introdução PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estatística Multivariada - Introdução PDF

Enviado por

Direitos autorais:

Formatos disponíveis

SRIE: Estatstica Multivariada

3. TIPOS DE TCNICAS MULTIVARIADAS .................................................................................................. 8

4. CLASSIFICAO DAS TCNICAS MULTIVARIADAS...........................................................................13

5. ANLISE MULTIVARIADA: INTERPRETAO .....................................................................................17

1.1. O QUE A ANLISE MULTIVARIADA?

Tcnicas analticas multivariadas esto sendo largamente aplicadas hoje na indstria, no

1.2. FERRAMENTAS COMPUTACIONAIS

Todas as tcnicas multivariadas foram desenvolvidas antes do aparecimento dos

1.3. DEFINIO DE ANLISE MULTIVARIADA

2 . CONCE ITOS B SICOS

2.1. COMBINAO LINEAR DE VARIVEIS (VARIATE)

onde Xi a varivel observada e wi o peso obtido pela tcnica multivariada.

O resultado um nico valor representando a combinao de todo o conjunto de variveis que

Em cada instncia, o resultado (variate) captura o carter multivariado da anlise. Assim , na

2.2. ESCALAS DE MEDIDA

A anlise de dados envolve a partio, identificao e medio das variaes em um conjunto

Existem dois tipos bsicos de dados: qualitativos (no-mtricos) e quantitativos (mtricos).

2.2.1. ESCALAS QUALITATIVAS

Muito satisfeito No satisfeito

Os nmeros utilizados na escala ordinal so no quantitativos, porque eles indicam somente a

2.2.2. ESCALAS QUANTITATIVAS

2.3. ERROS DE MEDIDA E MEDIDA MULTIVARIADA

O uso de mltiplas variveis e a confiana na sua combinao (a variate) em tcnicas

2.4. SIGNIFICNCIA ESTATSTICA VERSUS PODER

Todas as tcnicas multivariadas exceto a anlise de conglomerados e a reduo

Os erros do tipo I e II variam inversamente, isto , quando a probabilidade de se cometer erro

1. Tamanho do efeito. A probabilidade de se obter significncia estatstica baseada no

3. Tamanho da amostra. A um dado nvel alfa, aumentar o tamanho da amostra sempre

A anlise multivariada um conjunto de tcnicas de anlise de dados sempre em expanso. A

3.1. TCNICAS DO TIPO REGRESSO

3.1.1. REGRESSO MLTIPLA

Sempre que um analista estiver interessado em prever a quantidade ou magnitude da varivel

3.1.2. ANLISE DISCRIMINANTE

Se a nica varivel dependente for dicotmica (por exemplo: homem-mulher) ou categrica

3.1.3. ANLISE DE VARINCIA MULTIVARIADA

Anlise de varincia multivariada ou MANOVA (Multivariate Analysis of Variance) uma

3.1.4. CORRELAO CANNICA

3.1.5. MODELOS LINEARES DE PROBABILIDADE (LOGIT)

3.1.6. ANLISE CONJUNTA

3.1.7. MODELAGEM POR EQUAES ESTRUTURAIS

O modelo estrutural o caminho que relaciona as variveis dependentes e independentes. Em

3.2. TCNICAS DO TIPO CORRELAO

3.2.1. ANLISE DE FATORES

Anlise de fatores, incluindo as variaes tais como a anlise de componentes e a anlise de

3.2.2. ANLISE DE CONGLOMERADOS

A anlise de conglomerados uma tcnica analtica para encontrar subgrupos significativos

A anlise de conglomerados normalmente envolve dois passos. O primeiro a medida de

3.2.3. ESCALONAMENTO MULTIDIMENSIONAL

Na reduo multidimensional o objetivo transformar julgamentos de semelhana ou

3.2.4. ANLISE DE CORRESPONDNCIA

A anlise de correspondncia uma tcnica interdependente recentemente desenvolvida para

(semelhante a anlise multidimensional). Como um exemplo, a preferncia de consumidores por

Para poder se familiarizar com as tcnicas multivariadas especficas apresentado na figura

4.1. TCNICAS DEPENDENTES

Figura 4.1 - Classificao das tcnicas multivariadas

Tipo de relao sendo examinada

Quantas variveis A estrutura do

Relaes mltiplas Vrias variveis em Uma varivel dependente

Modelagem por Qual o tipo de Qual o tipo

Mtrica No-mtrica Mtrica No-mtrica

Qual a escala de Anlise cannica Regresso Anlise Anlise Modelos

Anlise cannica Anlise de varincia

Tabela 4.1 - As relaes entre os mtodos dependentes multivariados