Classificando regimes polticos

utilizando anlise de conglomerados

Dalson Britto Figueiredo Filho

Jos Alexandre da Silva Jnior
Enivaldo Carvalho da Rocha
Departamento de Cincia Poltica
Universidade Federal de Pernambuco

Resumo: O principal objetivo desse artigo apresentar uma introduo intuitiva tcnica de anlise de conglomerados.
Metodologicamente, utilizamos os dados de Coppedge, Alvarez e Maldonado (2008) sobre as duas dimenses da poliarquia
propostas por Dahl (1971): contestao e inclusividade. A partir dessas dimenses os regimes polticos so classificados em
diferentes grupos (clusters) de acordo com o grau de similaridade entre eles. Em termos substantivos,esperamos indicar uma
ferramenta metodolgica para classificao dos regimes polticos e facilitar a compreenso da tcnica de anlise de
conglomerados na Cincia Poltica.

Palavras-chave: regimes polticos; anlise de cluster; Q analysis; classificao; mtodos quantitativos

Abstract: The principal aim of this paper is to provide a intuitive introduction to cluster analysis. Methodologically, we use data
from Coppedge, Alvarez e Maldonado (2008) regarding the two dimensions of polyarchy proposed by Dahl (1971): contestation
and inclusiveness. Based on these dimensions we classify political regimes in different groups (clusters) according to their
similarity level. On substantive grounds, we hope to suggest a methodological tool to classify political regimes and facilitate the
understanding of cluster analysis in Political Science.

Keywords: political regimes; cluster analysis; Q analysis; classification; quantitative methods

OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Classification of objects into meaningful sets clustering is an important procedure in all of the

social sciences

Richard G. Niemi
Crude classifications and false generalizations are the curse of the organized life

H. G. Wells

Introduo1

Como classificar casos de forma sistemtica? Como criar tipologias e taxonomias de forma
objetiva? Partindo do pressuposto de que a classificao um componente central do conhecimento
cientfico, o principal objetivo deste artigo apresentar a lgica da anlise conglomerados (clusters) na
classificao dos regimes polticos2. Em termos metodolgicos, utilizamos o banco de dados elaborado
por Coppedge, Alvarez e Maldonado (2008) com diferentes indicadores de democracia. Essas medidas
so reduzidas a duas dimenses latentes: contestao e inclusividade, seguindo a definio de Dahl
(1971). A partir dessas dimenses, os regimes polticos so classificados em diferentes grupos (clusters)
de acordo com o grau de similaridade entre eles.
Uma motivao central que orienta este artigo a tmida utilizao dessa tcnica nas Cincias
Sociais brasileira3. Acreditamos que esse fenmeno pode ser parcialmente explicado pela resistncia dos
cientistas sociais brasileiros aos mtodos quantitativos (SOARES, 2005; WERNECK VIANNA et al, 1998;
VALLE e SILVA, 1999 e SANTOS e COUTINHO, 2000). Um impedimento adicional refere-se
complexidade matemtica envolvida na operacionalizao das diferentes tcnicas de anlise de
conglomerados (ALDENDERFER E BLASHFIELD, 1984; BAILEY, 1975). Parafraseando Mooney (1996),
acreditamos que os benefcios associados utilizao da anlise de agrupamentos ainda no so
evidentes do ponto de vista conceitual. Por exemplo, Aldenderfer e Blashfield afirmam que apesar de
sua popularidade, os mtodos de agrupamento ainda so vagamente compreendidos quando
comparados com outras tcnicas multivariadas como anlise fatorial, anlise discriminante e
escalonamento multidimensional (ALDENDERFER e BLASHFIELD, 1984, p. 9). Dessa forma, enquanto
no ficarem claras as suas potencialidades, improvvel que esse repertrio de tcnicas seja
incorporado ao cotidiano dos pesquisadores brasileiros. Por isso, nosso foco refere-se mais ao modus
operandi da tcnica e menos interpretao substantiva dos resultados.
Mas o que anlise de conglomerados (cluster)? Ainda de acordo com Aldenderfer e Blashfield,
Anlise de Cluster uma denominao genrica para um grande grupo de tcnicas que podem ser
utilizadas para criar uma classificao. Esses procedimentos formam empiricamente clusters ou grupos

1
Agradecemos aos comentrios de Natlia Leito a verses anteriores e ao professor Michael Coppedge por gentilmente
disponibilizar o seu banco de dados. Eventuais imprecises so exclusivamente creditadas aos autores. Nosso trabalho
financiado por duas principais fontes: CAPES e CNPQ.
2
Para Pohlmann, a anlise de conglomerados tem sido referida como anlise de clusters, Q analysis, typology, classification
analysis e numerical taxonomy (POHLMANN, 2007, p. 325). Neste artigo, por fins meramente estilsticos, utilizamos os termos
anlise de conglomerados, anlise de cluster e anlise de agrupamentos como sinnimos.
3
Revisamos todos os nmeros de quatro importantes peridicos da rea (DADOS, Revista Brasileira de Cincias Sociais, Revista de
Sociologia e Poltica e Opinio Pblica) e, salvo melhor sistematizao, no encontramos um nico artigo que tenha utilizado
alguma tcnica de anlise de conglomerados. Curi (2003) agrupa pases de acordo com o padro de vida. Lima et al (2005)
utilizam a anlise de cluster para identificar conglomerados de violncia no estado de Pernambuco. No entanto, em ambos os
casos, os artigos foram publicados em peridicos de Sade Pblica.
110
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...
de objetos fortemente similares (ALDENDERFER e BLASHFIELD, 1984, p.7). Para Hair et al, a anlise
de conglomerados agrupa indivduos ou objetos em clusters de modo que objetos em um mesmo cluster
so mais parecidos entre si do que em relao a outros clusters (HAIR et al, 2006, p. 555). nesse
sentido que o principal objetivo da anlise de conglomerados agrupar casos a partir de determinadas
caractersticas que os tornam similares4. Para tanto, a anlise de conglomerados procura no s
minimizar a varincia dentro do grupo (within group variance), mas tambm maximizar a varincia entre
os grupos (between group variance)5.
Para tratar dessas questes, este artigo est dividido em cinco partes. A prxima seo revisa
brevemente parte da literatura sobre a anlise de conglomerados. O objetivo fornecer ao leitor um
ponto de partida para aprofundar seus conhecimentos sobre essa tcnica. A segunda apresenta o
planejamento, passo a passo, da anlise de cluster. A meta familiarizar o leitor com a terminologia
utilizada bem como sistematizar os estgios que devem ser seguidos. A terceira seo oferece um
exemplo de desenho de pesquisa utilizando a anlise de conglomerados. Depois disso, apresentamos as
principais estatsticas de interesse e sua respectiva interpretao. Por fim, a quinta parte apresenta as
concluses do artigo.

Breve reviso da literatura6

De acordo com Bailey (1975), a anlise de cluster tem sua origem na psicologia a partir dos
trabalhos pioneiros de Zubin (1933) e Tryon (1939) e na antropologia a partir do artigo Quantitative
expressions of cultural relationships de Driver e Kroeber (1932)7. Para Aldenderfer e Blashfield (1984),
uma importante contribuio ao desenvolvimento das tcnicas de clustering (agrupamento) foi feita a
partir do livro Principles of Numerical Taxonomy de Sokal e Sneath (1963). Em Economia, Fisher (1969),
na Geografia, Berry e Ray (1966) e em Cincia Poltica, Kaiser (1966) foram pioneiros na aplicao da
tcnica em suas respectivas reas de interesse (BAILEY, 1975). No entanto, tanto Aldenderfer e
Blashfield quanto Bailey destacam que, durante muito tempo, as diferentes tcnicas de anlise de cluster
ficaram restritas a um grupo mais reduzido de pesquisadores devido a sua complexidade matemtica.

4
Uma forma bastante intuitiva de compreender a lgica da anlise de conglomerados imaginar a organizao de um
supermercado. Em geral, itens semelhantes so agrupados em um mesmo setor: cerveja, vinho e refrigerantes se agrupam no
setor de bebidas. Banana, ma e laranja se agrupam no setor de hortifrutigranjeiro, etc.

5
Varincia um conceito central em Estatstica e em anlise multivariada de dados. Algebricamente: = 
(y )

Onde,  representa a mdia e N representa o tamanho da populao. Para calcular a varincia da amostra a frmula a seguinte:
  = 


( 
 )
Onde,   representa a mdia da varivel na amostra e n representa o tamanho da amostra. Na anlise de conglomerados, busca-
se garantir que tanto a homogeneidade dentro dos grupos (clusters) quanto a heterogeneidade entre os grupos sejam
maximizadas.
6
Para os propsitos deste artigo, o grau de complexidade matemtica foi minimizado. Para os leitores interessados em
aprofundar seus conhecimentos, sugerimos consultar a bibliografia citada: para trabalhos clssicos utilizando a anlise de
cluster, Zubin (1938), Tryon (1939), Driver e Kroeber (1932) e Sokal e Sneath (1963). Para uma reviso da literatura, ver Bailey
(1975). Para uma introduo, ver Aldenderfer e Blashfield (1984). Para uma anlise de cluster das votaes congressuais, ver
MacRae (1966). Para uma tipologia de famlias de rua utilizando a referida tcnica, ver Danseco e Holden (1998). Para uma
aplicao em demografia, ver Peters (1958). Para um exame de atitudes polticas utilizando anlise de cluster, ver Fleishman
(1986). Goldstein e Linden (1969) empregam anlise de conglomerados para classificar 513 alcolatras em quatro diferentes
grupos. Para um estudo sobre mercado de trabalho, ver Vanneman (1977). Burton e Romney (1975) analisaram o papel de
diferentes termos lingusticos a partir da referida tcnica. Filsinger, Faulkner e Warland (1979) utilizaram anlise de cluster para
classificar indivduos a partir da varivel religio.
7
Os interessados podem acessar o referido trabalho a partir do seguinte endereo eletrnico:
<http://digitalassets.lib.berkeley.edu/anthpubs/ucb/text/ucp031-005.pdf>. Outros textos importantes foram produzidos por
Czekanowski (1911), Driver (1965) e Johnson (1967).
111
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Esses autores argumentam que o avano computacional um elemento central para explicar a
propagao da tcnica entre os diferentes ramos do conhecimento. Atualmente, os algoritmos
matemticos e os clculos de distncia entre os casos so realizados quase instantaneamente pela maior
parte dos pacotes estatsticos, isso facilita a utilizao da anlise de conglomerados por pesquisadores
que no dominam as complexidades matemticas, mas compreendem a lgica intuitiva da tcnica.
Mas para que serve a anlise de cluster afinal? Hair et al (2006) afirmam que a Anlise de
Cluster um grupo de tcnicas multivariadas cujo principal objetivo agrupar objetos a partir de suas
caractersticas (HAIR et al, 2006, p. 559). De acordo com Garson (2010), a Anlise de Cluster ()
procura identificar subgrupos homogneos de casos na populao, quer dizer, a anlise de Cluster
utilizada quando o pesquisador no sabe a priori o nmero de grupos, mas deseja identific-los e analisar
nveis de pertencimento (GARSON, 2010).
Para Aldenderfer e Blashfield (1984), o principal motivo para utilizar anlise de
conglomerados encontrar grupos de objetos similares em uma amostra de dados. Esses grupos so
convenientemente chamados de clusters (ALDENDERFER e BLASHFIELD, 1984, p. 33). Em sntese, fica
claro que o principal objetivo da referida tcnica agrupar casos de acordo com o grau de semelhana
observado entre eles. Hair et al (2006) afirmam que a lgica subjacente anlise de cluster semelhante
lgica da anlise fatorial. A diferena bsica que, na anlise fatorial, o pesquisador est interessado
em representar um conjunto de variveis observadas a partir de um nmero menor de fatores enquanto
na anlise de conglomerados o pesquisador procura representar um conjunto de casos a partir de um
nmero menor de grupos (clusters). Em uma frase: na anlise fatorial, agrupam-se variveis, na anlise
de conglomerados, agrupam-se casos8. A Figura 1 ilustra um tipo ideal de anlise de conglomerados.

8
importante lembrar que alguns pacotes estatsticos apresentam a opo de utilizar a anlise de conglomerados para agrupar
variveis, o caso, por exemplo, do Statistical Package for Social Sciences (SPSS).
112
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...

Figura 1
Exemplo da anlise de conglomerados

FIGUEIREDO FILHO, D. B.; SILVA JNIOR, J. A.; ROCHA, E. C. Classificando regimes...

113

Fonte: elaborao dos autores a partir de Hair et al (2005).

113
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Os casos so agrupados de acordo com o grau de proximidade recproca, o que a literatura

denomina de distncia/similaridade. Existem diferentes formas de estimar quo distantes/prximas so
as observaes9. Em geral, procura-se garantir o mximo de homogeneidade dentro do cluster ao mesmo
tempo em que se maximiza a heterogeneidade entre os grupos. Como impossvel maximizar duas
variveis ao mesmo tempo, espera-se encontrar uma soluo que otimize essa relao. Para tanto,
importante entender o conceito de variate. Para Hair et al, A variate do conglomerado um grupo de
variveis que representam as caractersticas utilizadas para comparar os objetos na anlise de cluster
(HAIR et al, 2006, p. 559). exatamente a partir da variate que os casos so classificados, formando os
diferentes grupos (clusters)10. A prxima seo ilustra o planejamento de uma anlise de conglomerados.

Planejamento de uma anlise de conglomerados11

Que requisitos precisam ser satisfeitos para utilizar a tcnica de anlise de cluster em um
determinado desenho de pesquisa (HAIR et al, 2006). O objetivo desta seo sumarizar essas
informaes. A Tabela 1 sintetiza o planejamento de uma anlise de conglomerados em cinco estgios.

Tabela 1
Planejamento de uma anlise de conglomerados em cinco estgios

Estgio Procedimento

1 Selecionar a amostra

2 Determinar as variveis

3 Definir a medida de similaridade e decidir o mtodo (algoritmo) de aglomerao

4 Delimitar o nmero de grupos (clusters)

5 Validar o resultado

Fonte: elaborao dos autores a partir de Aldenderfer e Blashfield (1984)

9
Aldenderfer e Blashfield (1984), Garson (2010) e Hair et al (2006) discutem diferentes mtodos para estimar a
distncia/similaridade entre os casos. Para os propsitos deste artigo, optamos por no reproduzir integralmente o debate, nos
limitando aos aspectos mais bsicos da tcnica.
10
Uma forma mais intuitiva para pensar o conceito de variate imaginar uma medida sntese que seja utilizada para calcular o
nvel de similaridade entre os casos analisados. Neste artigo, evitamos utilizar o termo variate, optando pelo termo varivel.
Agradecemos ao parecerista por essa sugesto.
11
Aldenderfer e Blashfield alertam para quatro precaues que os pesquisadores devem atentar antes de utilizar a anlise de
conglomerados em seus desenhos de pesquisa. Em primeiro lugar, os autores afirmam que a maior parte dos mtodos de
anlise de conglomerados so procedimentos relativamente simples que, em geral, no necessitam de extenso suporte
estatstico (ALDENDERFER e BLASHFIELD, 1984, p.14). Em segundo lugar, os autores afirmam que a anlise de
conglomerados est intimamente ligada ao desenvolvimento metodolgico de diferentes disciplinas, carregando, dessa forma, os
avanos e os vieses de diferentes ramos do conhecimento. Por exemplo, o que importante em Psicologia pode ser dispensvel
em Cincia Poltica e vice-versa. Nesse sentido, cabe ao pesquisador no s garantir que os procedimentos tcnicos sejam
devidamente seguidos, mas, principalmente, conferir interpretao substantiva aos resultados encontrados. Em terceiro lugar,
Aldenderfer e Blashfield afirmam que diferentes mtodos de agrupamento podem e, em geral, produzem diferentes solues
para o mesmo conjunto de dados (ALDENDERFER e BLASHFIELD, 1984, p.15). importante que o pesquisador esteja atento a
este fato na hora de replicar testes de outros pesquisadores e, sempre que possvel, procure validar os resultados encontrados.
Por fim, os autores destacam que enquanto a estratgia da anlise de cluster structure-seeking, sua operacionalizao
structure-imposing (ALDENDERFER e BLASHFIELD, 1984, p.16), i.e., grupos (conglomerados) sempre sero criados, j que a
anlise parte do pressuposto de que existe uma estrutura inerente aos dados que no pode ser observada visualmente.
114
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...

O primeiro passo definir a amostra. Para Hair et al (2006), o tamanho da amostra na anlise
de cluster no se relaciona com questes de inferncia estatstica como em anlise de regresso, por
exemplo. Ou seja, no se procura estimar em que medida os resultados encontrados na amostra podem
ser estendidos populao. Na verdade, o tamanho da amostra deve garantir que os pequenos grupos
da populao sejam devidamente representados. Alm disso, diferente de outras tcnicas multivariadas,
no existe uma regra geral para especificar o tamanho mnimo da amostra12 (DOLNICAR, 2002). Nossa
recomendao que ao se elevar a quantidade de variveis includas na anlise deve-se aumentar
tambm o nmero de casos. Um procedimento importante que deve ser empregado ainda no primeiro
estgio a identificao de outliers. Isso porque a anlise de conglomerados sensvel presena de
observaes muito destoantes. Hair et al (2006) sugerem a inspeo grfica do diagrama de perfil
(profile diagram). O pesquisador tambm pode utilizar o blox-plot e grficos de disperso para identificar
outliers, alm dos testes-padro disponveis nos diferentes pacotes estatsticos. Pohlmann sugere
calcular o escore padronizado Z e considerar como outliers as observaes cujos escores, em valores
absolutos, sejam maiores do que trs (POHLMANN, 2007, p. 333)13.
Depois de selecionar a amostra (1 estgio), o pesquisador deve decidir que variveis sero
utilizadas para estimar a distncia/similaridade entre os casos (2 estgio). Como a anlise de cluster
no diferencia entre variveis relevantes e irrelevantes, necessrio que essa incluso seja teoricamente
orientada. Hair et al afirmam que devem ser includas apenas as variveis que caracterizem os objetos
que sero agrupados e se relacionem especificamente aos objetivos da anlise de cluster (HAIR et al,
2006, p. 570). Para Aldenderfer e Blashfield, a escolha das variveis que sero utilizadas na anlise de
conglomerados um dos passos mais importantes do processo de pesquisa, mas, infelizmente, um dos
menos compreendidos (ALDENDERFER e BLASHFIELD, 1984, p.19). Idealmente, o desenho de pesquisa
deve selecionar apenas variveis teoricamente relevantes para proceder classificao dos casos. Os
autores advertem que, caso contrrio, existe um srio risco de o pesquisador enveredar por um
empirismo ingnuo, produzindo resultados conceitualmente vazios e que no contribuem para o avano
do conhecimento. No que diz respeito ao nvel de mensurao, Hair et al (2006) destacam as medidas
correlacionais e as medidas de distncia. As correlacionais permitem trabalhar com variveis
categricas, j as de distncia exigem variveis mtricas14. Outro ponto importante diz respeito
padronizao das variveis includas na anlise de cluster. Alguns especialistas recomendam que
variveis medidas em diferentes escalas devem ser padronizadas (mdia zero e varincia igual a um)
para que a comparao entre elas seja inteligvel. O problema da ponderao (criar pesos) tambm
divide a opinio dos pesquisadores15.

12
Formann (1984) sugere que o nmero de casos (n) deve ser igual a 5*2k, onde k representa o nmero de variveis. Logo, se o
pesquisador utilizar trs variveis, ele deve contar com, no mnimo, (5* 23) = 40 casos.
13
Para padronizar uma varivel, deve-se subtrair o seu valor pela mdia e dividir o resultado pelo desvio-padro. Algebricamente,
 
 =


Onde x1 representa o valor da observao, representa a mdia da populao e representa o desvio-padro.

14
Aldenderfer e Blashfield (1984) argumentam que a mais importante discusso a respeito das diferentes medidas de
distncia/similaridade pode ser encontrada no trabalho de Sneath e Sokal (1973).
15
Para o leitor interessado em um debate inicial sobre esses temas, ver Aldenderfer e Blashfield (1984). Para uma discusso
mais aprofundada, ver Everitt (1980).
115
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Depois de selecionar as variveis utilizadas para estimar a similaridade entre os casos (2

estgio), o pesquisador deve definir a medida de similaridade utilizada (3 estgio). Pohlmann afirma
que a similaridade entre objetos (interobject similarity) uma medida de correspondncia, ou
semelhana, entre os objetos a serem agrupados (POHLMANN, 2007, p.333). Existem diferentes
maneiras de calcular essas medidas e diferentes medidas tendem a produzir solues distintas. Para
Pohlmann, existe frequentemente um grande grau de subjetividade envolvido na escolha da medida de
similaridade. Importantes consideraes incluem a natureza das variveis (discretas, contnuas,
binrias), escalas de medida (nominal, ordinal, intervalar, proporcional) e o conhecimento da matria
objeto da pesquisa (POHLMANN, 2007, p.333-334). Recomendamos que pesquisadores iniciantes
utilizem as medidas de similaridade mais convencionais, incorporando diferentes medidas ao longo do
seu processo de aprendizado.
Uma vez calculada a similaridade, o prximo passo decidir o mtodo (algoritmo matemtico)
de aglomerao. Ou seja, o pesquisador deve definir como as distncias sero calculadas e quantos
conglomerados (grupos) devem ser criados16. O Statistical Package for Social Sciences, verso 16, fornece
trs abordagens gerais para criar os conglomerados: a) Hierarchical clustering (agrupamento hierrquico);
b) K-means clustering e c) Two-step clustering17. A abordagem Hierarchical clustering (HCA) mais
apropriada para amostras pequenas - em geral, N<250 (GARSON, 2010). Na medida em que o tamanho
da amostra cresce, a soluo do algoritmo tende a ficar mais lenta, podendo, inclusive, travar o
computador. Na HCA, os clusters so aninhados, ou seja, no so mutuamente exclusivos. O pesquisador
pode escolher a amplitude do nmero de clusters ou a quantidade exata de grupos que devem ser
criados a partir dos casos observados.
A opo K-means clustering mais indicada para amostras maiores (N>1.000) j que ela no
computa a matriz de proximidade de distncias/similaridade entre todos os casos observados. Como
medida de similaridade, a abordagem K-means clustering utiliza a distncia Euclidiana18 e o pesquisador
deve especificar antecipadamente o nmero de grupos (conglomerados) que sero formados (GARSON,
2010).
A abordagem Two-step clustering considerada ideal para grandes bases de dados, j que tanto
o agrupamento hierrquico quanto a K-means clustering podem apresentar problemas de escalonamento
quando a amostra demasiadamente grande. Alm disso, a sada do output apresenta mais opes,
inclusive um grfico que compara a importncia de cada varivel na formao dos conglomerados.
Depois de escolher a medida de similaridade e o mtodo (algoritmo matemtico) de
aglomerao (3 estgio), o pesquisador deve identificar o nmero de grupos (K) que sero formados (4

16
A verso 16 do SPSS contempla as seguintes medidas de similaridade para variveis mtricas: euclidian distances, squared
euclidian distances, Cosine, Pearson correlation, Chebychev, Block, Minkowski e Customized. Como mtodos de aglomerao o
referido software dispe do seguinte: between groups-linkage, within groups-linkage, Nearest neighbor, Furthest neighbor, Centroid
clustering, Median clustering e Ward`s method. Para uma discusso sobre cada um deles, ver Garson (2010).
17
Para as diferenas entre as trs abordagens, ver Garson (2010).
%
18
Algebricamente, !" = #&
($ "$ )

Onde dij representa a distncia entre os casos i e j; xik o valor da K-esima varivel para o i-esimo caso. Para evitar a utilizao
da raiz quadrada, possvel elevar o valor da distncia ao quadrado (dij2) produzindo, dessa forma, a distncia Euclidiana ao
quadrado (squared Eucledian distance).
116
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...
estgio). Nesse momento, ele dever utilizar a teoria para orientar a sua escolha. Por exemplo, se
trabalhos anteriores sugerem a existncia de trs grupos, uma possibilidade analtica replicar o
nmero de grupos com o objetivo de verificar em que medida a soluo encontrada mais ou menos
robusta. Na ausncia de teoria sobre o assunto, o pesquisador pode adotar uma perspectiva exploratria
e repetir a anlise variando o nmero de grupos (K). As diferentes solues devem ser comparadas luz
da literatura especializada sobre o tema em busca de uma explicao substantiva.
Por fim, no 5 estgio, o pesquisador deve validar os resultados encontrados. Hair et al alertam
que o pesquisador deve ter muito cuidado na validao e na garantia de significncia prtica da soluo
final (HAIR et al, 2005, p.405). A validao consiste em garantir que a soluo encontrada seja
representativa da populao, descrevendo um padro relativamente estvel para outras amostras. Um
procedimento para executar a validao consiste no particionamento (diviso) da amostra original em
outras separadas e comparar as solues obtidas em ambos os casos, verificando a correspondncia dos
resultados (HAIR et al, 2005). Outro caminho testar a capacidade preditiva da soluo gerada a partir
da comparao de uma varivel aleatria que no tenha sido utilizada na soluo inicial de gerao dos
conglomerados. Por exemplo, ao separar grupos de acordo com o hbito tabagista, espera-se que, em
mdia, a resistncia fsica dos no fumantes seja maior do que a dos fumantes. Dessa forma, depois de
separar os grupos, o pesquisador pode conduzir uma bateria de testes fsicos e verificar se o grupo dos
no fumantes, de fato, apresenta um rendimento superior performance dos fumantes. Ou, ao
classificar regimes polticos de acordo com o seu nvel de democratizao, o pesquisador pode estimar
em que medida a desigualdade de renda varia entre os diferentes grupos de pases, assumindo que
democracias tendem a promover maior distribuio de renda do que no-democracias.

Exemplo de desenho de pesquisa: classificando regimes polticos

Retomando a questo de pesquisa: como classificar casos sistematicamente? Como criar

tipologias e taxonomias de forma objetiva? Para responder a essas questes, utilizamos a anlise de
conglomerados para classificar regimes polticos. Em termos metodolgicos, utilizamos o banco de
dados elaborado por Coppedge, Alvarez e Maldonado (2008) (1 estgio), analisando as duas dimenses
da poliarquia propostas por Dahl (1971): contestao e inclusividade (2 estgio)19. A amostra
contempla diferentes pases no perodo entre 1950 e 2000. Finalizado o segundo estgio, o prximo
passo definir o tipo de distncia e decidir o mtodo de aglomerao (3 estgio). Para os propsitos
deste artigo, utilizamos a medida mais comum: o quadrado da distncia Euclidiana. Alm disso, como a
amostra relativamente pequena e todas as variveis so contnuas, optamos por utilizar as abordagens
Hierarchical clustering e K-means clustering. Depois disso, essas dimenses (contestao e inclusividade)

19
Coppedge, Alvarez e Maldonado (2008) utilizam um modelo de anlise fatorial para reduzir diferentes indicadores de
democracia nas duas dimenses da poliarquia propostas por Dahl (1971), contestao e inclusividade. Essas dimenses so
utilizadas no presente artigo como as variveis de referncia para classificar os regimes polticos em diferentes conglomerados.
Aldenderfer e Blashfield (1984), Hair et al (2006) e Garson (2010) advertem que a anlise de conglomerados pode no ser
eficientemente realizada quando as variveis utilizadas so fatores ou componentes extrados via anlise fatorial. Essa
preocupao se justifica por que, em muitas solues, os fatores extrados carregam pouca varincia (S2<60%), o que, de fato,
pode prejudicar o poder aglomerativo das variveis. A soluo fatorial encontrada no presente banco de dados explica mais de
75% da varincia total das variveis observadas, o que assegura um maior nvel de capacidade de as dimenses latentes
(contestao e inclusividade) agruparem os casos observados em diferentes clusters.
117
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

foram utilizadas para classificar os regimes polticos (4 estgio). Por fim, utilizamos a validao por
amostras particionadas, alm disso, comparamos nossa classificao, produzida via anlise de
conglomerados, com a classificao proposta por Mainwaring, Brinks e Prez-Lin (2001) (5 estgio).

Resultados20

Os dados mais recentes disponveis no banco referem-se ao ano de 2000. Optamos por
trabalhar com essas informaes, totalizando 192 observaes21. Por motivos pedaggicos,
selecionamos uma amostra aleatria de 20%, j que os resultados computacionais, produzidos
utilizando todas as observaes no mtodo de agrupamento hierrquico, dificulta a edio das
informaes dada a magnitude das tabelas22. Dessa forma, foram selecionados 41 casos. Do mtodo de
agrupamento hierrquico, analisamos apenas o dendograma, concedendo mais ateno s sadas
produzidas pelo mtodo de agrupamento K-means clustering.
O dendograma uma sntese grfica da anlise de conglomerados e agrupa os casos em
funo do padro de similaridade, dispensando a determinao prvia da quantidade de grupos23. Os
casos esto listados no eixo vertical, no caso, os pases. Quanto mais casos, maior o peso do
conglomerado. O eixo horizontal ilustra a distncia entre os clusters (grupos) quando eles so agrupados.
uma medida de diferenciao entre os grupos. Quanto maior a distncia, maior a diferena entre os
casos.

20
Neste artigo, todo o trabalho computacional foi efetuado a partir do Statistical Package for Social Sciences (SPSS), verso 16.
Para solicitar a anlise de cluster no SPSS, o pesquisador deve escolher as opes Analyze, Classify e, ento, optar pelo mtodo
de aglomerao desejado (Hierarchical clustering ou K-means clustering ou Two-step clustering).
21
O banco de dados utilizado neste artigo est disponvel no seguinte endereo eletrnico:
<http://www.nd.edu/~mcoppedg/crd/datacrd.htm>.
22
Como procedimento padro, o Statistical Package for Social Sciences, verso 16, disponibiliza duas diferentes sadas: a) case
processing summary e b) agglomeration schedule. O primeiro representa a frequncia dos casos analisados, bem como o nmero
de casos missing. Caso o pesquisador observe que o nmero de casos com informaes ausentes seja alto, ele deve repensar a
utilizao da tcnica e/ou preencher as informaes faltantes. A segunda sada ilustra o processo de aglomerao. Ela indica,
passo a passo, os casos que foram aglomerados para formar um determinado cluster. O linkage plot fornece a mesma informao
em formato grfico.
23
Alm do dendograma, a sada computacional do mtodo de aglomerao hierrquica fornece a matriz de proximidade, desde
que requisitada na opo estatsticas. Como ela estima a distncia de cada caso em relao aos demais, quanto maior o N,
tanto mais complicada a sua edio grfica. Por esse motivo, nos furtamos de report-la aqui. O importante observar que a
matriz de proximidade resume o grau de semelhana/diferena de cada caso em relao aos demais ao mesmo tempo.
118
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...
Figura 2
Dendograma

CASO 0 5 10 15 20 25
+---------+---------+---------+---------+---------+
FIN
NZL
DNK
AUT
CHE
USA
CRI
ARG
ISL
GBR
DOM
GUY
BRA
BLZ
LKA
UKR
BGR
KIR
SMR
CPV
MCO
BRB
ADO
PER
GHA
CUB
UZB
DZA
CMR
KAZ
DJI
BHR
LBY
KWT

Analisando o dendograma de cima para baixo, observa-se a existncia de diferentes clusters. O

primeiro conglomerado agrupa os seguintes pases: Finlndia (FIN), Nova Zelndia (NZL), Dinamarca
(DNK) e ustria (AUT). O segundo grupo formado por 10 observaes, so elas: Sua (CHE), Estados
Unidos (USA), Costa Rica (CRI), Argentina (ARG), Islndia (ISL), Reino Unido (GBR), Repblica
Dominicana (DOM), Guiana (GUY), Brasil (BRA) e Belize (BLZ). O terceiro grupo rene 10 casos: Sri
Lanka (LKA), Ucrnia (UKR), Bulgria (BGR), Kiribati (KIR), San Marino (SMR), Cabo Verde (CPV),
Mnaco (COM), Barbados (BRB), Andorra (ADO) e Peru (PER). O quarto cluster formado por apenas um
caso: Gana (GHA). O quinto conglomerado formado por Cuba (CUB) e Uzbequisto (UZB). O sexto
agrupamento conglomera trs pases: Arglia (DZA), Camares (CMR) e Kazaquisto (KAZ). O stimo
cluster tem apenas um caso: Djibuti (DJI). O oitavo conglomerado formado por dois casos, so eles,
Baren (BHR) e Lbia (LBI). Por fim, o ltimo grupo formado por um nico caso: Kuwait (KWT). Mas qual
a interpretao substantiva que o pesquisador pode extrair desses dados? Os resultados revelam que
os casos que se encontram no mesmo grupo so, ao mesmo tempo, mais parecidos entre si e mais
diferentes das observaes que se localizaram nos demais grupos.

119
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

No entanto, importante lembrar que a definio

defini do nmero de conglomerados um processo
subjetivo. Isso porque a anlise de conglomerados sempre encontrar uma soluo que separa os casos
em grupos, mas cabe ao pesquisador determinar o nmero de grupos efetivamente extrados. Nesse
sentido, reforamos a ideia
ia de que essa tcnica deve ser utilizada com cautela em sua modalidade
exploratria. prefervel que o pesquisador tenha alguma motivao terica para agrupar seus casos em
diferentes grupos. Neste artigo, estimamos como a anlise de cluster classificaria os regimes polticos a
partir das duas dimenses propostas por Dahl (1971): inclusividade e contestao. O objetivo
comparar o agrupamento realizado atravs da mdia com o agrupamento produzido via anlise de
cluster. Para colocar em prtica essa opo, selecionamos o mtodo de aglomerao K-means clustering.
O Grfico 1 ilustra a disperso dos pases divididos em quatro clusters, lembrando que as linhas
pontilhadas representam
sentam as mdias das respectivas variveis.

Grfico 1
Disperso dos pases em quatro grupos

Os valores esto padronizados de tal modo que a mdia zero e a distncia entre as
observaes calculado em termos de desvio-padro.
desvio O cluster 1 formado por Arbia Saudita (SAL) e
120
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...
Afeganisto (AFG), ambos os regimes apresentam baixa inclusividade e reduzida contestao pblica. A
maior parte dos regimes polticos do cluster 2 est acima da mdia na dimenso da inclusividade.
Quanto contestao, todos eles esto abaixo do termo mdio. A exceo de Togo (TON), todos os
pases do conglomerado 3 esto acima da mdia nas duas dimenses. Similarmente, todos os pases
agrupados pelo cluster 4 tambm apresentam inclusividade e contestao acima da mdia. primeira
vista, o leitor seria levado a acreditar que a anlise de cluster falhou em classificar os regimes polticos.
Isso porque agrupou pases com mdias de contestao e inclusividade semelhantes dentro de diferentes
conglomerados (clusters 3 e 4). No entanto, os conglomerados so criados de forma relacional,
considerando todos os pases ao mesmo tempo em funo do centro do cluster. Tem-se, ento, uma
medida de similaridade entre os regimes polticos tendo como parmetro no a mdia, mas sim a
distncia de cada um deles em relao ao centro do conglomerado. Por exemplo, ao se utilizar a mdia
como referncia, Haiti (HTI), Canad (CAN) e Frana (FRA) formam um mesmo grupo, localizado no
quadrante superior direito. Porm, via anlise de cluster, o pesquisador chegaria a um resultado bem
diferente e concluiria que o Haiti (HTI) mais semelhante a Togo (TON) e Serra Leoa (SLE).
Mas quo diferentes so esses grupos (clusters)? Tecnicamente, o pesquisador pode avaliar em
que medida a soluo encontrada estatisticamente aceitvel. Garson (2010) recomenda analisar a
distncia mdia das observaes em relao ao centro do cluster aps a formao dos diferentes
conglomerados. Quanto maior for a diferena entre essas mdias, maior o grau de diferenciao entre
os grupos. A Tabela 2 sumariza essas informaes.

Tabela 2
Centro do Cluster final

Cluster
Dimenses 1 2 3 4
Inclusividade -1,94 0,26 0,05 0,83
Contestao -1,03 -0,68 0,39 1,16

Observando os valores da distncia final de cada grupo (cluster) para cada uma das dimenses,
tem-se que o cluster 4 apresenta os maiores nveis de inclusividade (0,83) e contestao (1,16). No outro
oposto, o cluster 1 apresenta os valores mais reduzidos de inclusividade (-1,94) e contestao (-1,03). A
Tabela 3 apresenta a estatstica F e os respectivos nveis de significncia estatstica para cada dimenso
analisada24.

24
importante lembrar que como a anlise de cluster maximiza a diferena entre os grupos, a estatstica F no pode ser
interpretada como representando um teste de hiptese de diferena entre os grupos. A sua interpretao mais adequada deve se
restringir ao aspecto descritivo.
121
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Tabela 3
Anlise de Varincia (ANOVA)

ANOVA

Cluster Erro
Dimenses
Mean Square gl Mean Square gl F Sig.

Inclusividade 5,61 3 0,086 45 65.28 0,000

Contestao 11,51 3 0,149 45 77.08 0,000

Por fim, importante validar os resultados encontrados. Neste

Nest artigo, optamos por duas
formas de validao: a primeira consiste em selecionar outra amostra aleatria a partir da amostra
original e replicar a anlise. O segundo procedimento comparar a classificao produzida via anlise de
conglomerados com a taxonomia proposta por Mainwaring, Brinks e Prez-Lin (2000).
Em relao primeira forma de validao,
validao extramos outra amostra aleatria a partir do banco
de dados original. O Grfico 2 ilustra a disperso dos pases divididos em quatro clusters.

Grfico 2
Disperso dos pases
pas em quatro grupos (validao 1)

122
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...

O cluster 1 se localiza integralmente no quadrante inferior esquerdo (ambas as dimenses

abaixo da mdia) e agrupa Kuwait (KWT), Barm (BHR) e Lbia (LBI). O cluster 2, por sua vez, apresenta
tambm distribuio homognea, localizando-se no quadrante superior direito (ambas acima da mdia).
O cluster 3 agrupa os pases com inclusividade acima da mdia e contestao abaixo do termo mdio.
Finalmente, o conglomerado 4 tambm agrupa os pases com nveis de inclusividade e contestao
acima da mdia. Em uma anlise de disperso convencional (olhando para as mdias), o pesquisador
seria levado a classificar os regimes polticos dos clusters 2 e 4 sob uma mesma categoria. No entanto,
visualmente perceptvel a diferena que existe entre os regimes polticos dos clusters 2 e 4, registre-se:
os regimes polticos agrupados no grupo 4 so mais democrticos do que aqueles aglomerados no 2,
embora eles estejam contidos no mesmo quadrante. Dessa forma, uma primeira vantagem associada
utilizao da anlise de conglomerados o maior grau de preciso analtica que o pesquisador pode
atingir. Como a classificao de um determinado regime poltico mais objetiva, o pesquisador reduz a
probabilidade de produzir classificaes grosseiras. Alm disso, possvel avaliar quo diferente um
caso em relao s demais observaes do seu grupo bem como ponderar o nvel de diferenciao entre
os diferentes grupos.
O segundo procedimento adotado para validar os resultados comparar as solues
encontradas via anlise de conglomerados com a classificao elaborada por Mainwaring, Brinks e
Prez-Lin (2000). Para tanto, realizamos uma nova aglomerao com os 19 casos analisados por
esses autores, tendo o ano de 1999 como referncia. Utilizamos o mtodo K-means clustering de
aglomerao e definimos a criao de quatro grupos. A Tabela 4 apresenta a classificao proposta por
Mainwaring, Brinks e Prez-Lin (2000) bem como os nveis de contestao e inclusividade de cada
pas e o seu respectivo cluster.

123
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Tabela 4
Comparao entre a classificao de MBP (2000) e anlise de cluster

Pas Perodo MBP (2000) Contest99 Inclus99 Cluster

Argentina 1983-99 D 1,09 1,03 3

Bolvia 1982-99 D 1,43 0,54 4

Brasil 1985-99 D 1,37 0,79 4

Chile 1990-99 D 1,43 0,78 4

Colmbia 1990-99 S 0,94 0,80 3

Costa Rica 1949-99 D 1,70 0,72 4

Repblica Dominicana 1996-99 D 0,91 0,88 3

Equador 1979-99 D 0,96 0,81 3

El Salvador 1992-99 D 1,23 0,68 4

Guatemala 1986-99 S 1,00 0,72 3

Haiti 1945-99 A 0,33 0,01 2

Honduras 1982-99 S 1,08 0,82 3

Mxico 1988-99 S 0,91 0,69 3

Nicargua 1984-99 S 1,12 0,88 3

Panam 1994-99 D 1,44 0,93 4
Paraguai 1989-99 S 0,73 0,25 2
Peru 1995-99 S 0,21 0,77 1
Uruguai 1985-99 D 1,71 0,94 4
Venezuela 1958-99 D 0,95 0,87 3

Seguindo a classificao proposta por Mainwaring, Brinks e Prez-Lin (2000), observa-se que
11 dos 19 regimes polticos so classificados como democrticos (57,89%), 36,84% dos casos so
classificados como semi-democrticos (7 observaes) e apenas o regime poltico do Haiti foi
classificado como autoritrio. No entanto, interessante notar que pases classificados com o mesmo
regime foram agrupados em diferentes clusters, como o caso de Argentina (cluster 3) e Bolvia (cluster
4). O Grfico 3 ilustra a disperso dos pases analisados por Mainwaring, Brinks e Prez-Lin (2000)
divididos em 4 grupos.

124
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...

Grfico 3
Disperso dos pases em quatro grupos (validao 2)

se uma grande correspondncia entre o cluster 3 e o grupo de

Em primeiro lugar, observa-se
pases classificados como semi-democracia
democracias segundo a tipologia elaborada por Mainwaring, Brinks e
Prez-Lin (2000).. A exceo fica por conta do Peru (PER) -cluster 2 - e Paraguai (PRY) -conglomerado
1. Em relao a este ltimo, Mainwaring, Brinks e Prez-Lin
Prez (2000), o classificam como semi-
democracia. No entanto, a anlise de cluster sugere que o regime poltico paraguaio est mais prximo
do Haiti (HTI), nico pas
s classificado como autoritrio segundo a tipologia elaborada por Mainwaring,
Brinks e Prez-Lin (2000). Alm disso, os pases considerados democrticos pelos referidos autores
esto divididos entre os clusters 3 e 4. Por exemplo, Venezuela (VEN) - cluster 3 - e Uruguai (URY) -
cluster 4 - esto agrupados sob a mesma categoria: democracia. Todavia, os pases do cluster 4 so
nitidamente mais democrticos do que os regimes
reg polticos do conglomerado 3. Isso quer dizer que a
taxonomia proposta por Mainwaring, Brinks e Prez-Lin
Prez (2000) no permite observar a variao dentro
dos grupos. A depender de quanta variao esteja presente, corre-se
corre o risco de chamar urubu de meu
louro. Em termos mais tcnicos, corre-se
se o risco de produzir classificaes e tipologias inconsistentes
que no discriminam os casos de interesse a partir das categorias analticas utilizadas.

125
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

Concluso

Como elevar a preciso analtica de tipologias teoricamente orientadas? O principal objetivo

deste artigo foi apresentar, passo a passo, a lgica intuitiva da tcnica de anlise de conglomerados. Isso
porque acreditamos que a classificao de casos em categorias uma etapa fundamental do
conhecimento cientfico. Comparativamente, observou-se que a classificao de regimes polticos via
anlise de agrupamentos fornece um maior grau de preciso do que classificaes categricas do tipo:
democracia versus autoritarismo; democracia, semi-democracia e autoritarismo, etc. Com a anlise de
conglomerados, o pesquisador tem como estimar com maior preciso o grau de semelhana/diferena
entre os seus casos de interesse. Entendemos que essa tcnica proporciona um avano metodolgico
importante e, caso seja aplicada adequadamente, pode nos ajudar a melhor classificar nossos casos em
categorias teoricamente inteligveis.
E qual o problema de agrupar casos diferentes sob a mesma categoria? Fundamentalmente,
perde-se poder de sensibilidade analtica. Ou seja, a varivel de interesse perde a sua capacidade
explicativa em relao a outras variveis. Por exemplo, se o pesquisador acredita que democracias
tendem a promover um maior nvel de redistribuio de renda, a classificao inadequada dos regimes
polticos vai influenciar negativamente a capacidade de encontrar o efeito esperado. No porque o efeito
no existe e sim porque as categorias utilizadas no possuem poder discriminatrio.
Atribui-se a Charles Darwin a seguinte passagem: A ignorncia gera mais frequentemente
confiana do que o conhecimento: so os que sabem pouco, e no aqueles que sabem muito, que
afirmam de uma forma to categrica que este ou aquele problema nunca ser resolvido pela cincia.
Acreditamos que a empreitada do conhecimento um caminho tortuoso e quanto mais precisos forem
nossos instrumentos para investigar a realidade, tanto mais capacitados estaremos para responder s
questes que nos interessam. Com este artigo, esperamos ter facilitado a compreenso da tcnica de
anlise de conglomerados nas Cincias Sociais em geral e difundido a sua aplicao prtica na Cincia
Poltica em particular.

Referncias Bibliogrficas

ALDENDERFER, M. S. e BLASHFIELD, R. K. Cluster Analysis. Sage University Paper Series: Quantitative Applications in
the Social Science, 1984.

BAILEY, K. D. Cluster Analysis. Sociological Methodology, vol. 6, p. 59-128, 1975.

BERRY, B. J. L. and RAY, M. Multivariate socio-economic regionalization: A pilot study in central Canada. Unpublished
manuscript. Department of Geography, University of Chicago, 1966.

BURTON, M. C. e ROMMEY, A. K. A Multidimensional Representation of Role Terms. American Ethnologist, v. 2, n.3,

p.397-407, 1975.

COPPEDGE, M.; ALVAREZ, A.; MALDONADO, C. Two Persistent Dimensions of Democracy: Contestation and
Inclusiveness. Journal of Politics, v. 70, n. 3, p. 1-45, 2008.

CZEKANOWSKI, J. Objectiv Rriterien in der Ethnologie. Korrespondenz-Blatt der Deutschen Gesellschaft fur Anthropologie,
Ethnologie und Urgeschichte, 42, p.71-75, Hamburg, 1911.

126
 FIGUEIREDO FILHO, D. B.; SILVA JUNIOR, J. A.; ROCHA, E. C. Classificando regimes...

DAHL, R. Poliarquia: Participao e Oposio. So Paulo: Edusp, 1971.

DANSECO, E. R.; HOLDEN, E. W. Are There Different Types of Homeless Families? A Typology of Homeless Families
Based On Cluster Analysis. Family Relations, v. 47, n. 2, p. 159-165.

DOLNICAR, S. A review of unquestioned standards in used cluster analysis for data-driven market segmentation. Faculty
of Commerce Papers. 2002. Disponvel em: < http://ro.uow.edu.au/commpapers/273 >.

DRIVER, H. E. Survey of numerical classification in anthropology. In: HYMES, D. (Ed.). The Use of Computers in
Anthropology. The Hague: Mouton, 1965.

DRIVER, H. E.; KROEBER, A. L.Quantitative Expressions of Cultural Relationships. Berkeley: University of California Press,
1932.

EVERITT, B.S. Cluster Analysis. Second Edition, London: Heineman Educational Books Ltd, 1980.

FILSINGER, E.; FAULKNER, J. & WARLAND, R. Empirical taxonomy of religious individuals: An investigation among
college students. Sociological Analysis, v. 40, 136-146, 1979.

FISHER, W. D. Clustering and Aggregation in Economics. Baltimore: Johns Hopkins, 1969.

FLEISHMAN, J. A. Types of Political Attitude Structure: Results of a Cluster Analysis. The Public Opinion Quarterly, v.
50, n. 3, p. 371-386, 1986.

FORMANN, A.K. Die Latent-Class-Analyse: Einfhrung in die Theorie und Anwendung. Weinheim: Beltz, 1984.

GARSON, G. D. Statnotes: Topics in Multivariate Analysis [online]. Disponvel em:

<http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm> Acesso em 22 jan. 2010.

GOLDSTEIN, S. G. and LINDEN, J.Multivariate Classification of alcoholics by means of MMPI. Journal of abnormal
Psychology, v. 14, n. 6, p. 661-669.

HAIR, Jr; BLACK, W. C; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Anlise Multivariada de Dados. Porto Alegre:
Bookman, 2005.

______. Multivariate Data Analysis. 6 edio. Upper Saddle River, NJ: Pearson Prentice Hall, 2006.

JOHNSON, S. Hierarchical clustering schemes. Psychometrika, 38, p.241-254, 1967.

KAISER, H. F. An objective method for establishing legislative districts. Midwest Journal of Political Science, v. 10, p.
200-213, 1966.

KING, G.; KEOHANE, R.; VERBA, S. Designing Social Inquiry: Scientific Inference in Qualitative Research, Princeton:
Princeton university Press, 1994.

MACRAE, D. Jr. Cluster Analysis of Congressional Votes with the BC TRY System. The Western Political Quarterly, v. 19,
n. 4, p. 631-638.

MAINWARING, S.; BRINKS, D.; PREZ-LIN, A. Classificando Regimes Polticos na Amrica Latina, 1945-1999.
Dados, v. 44, n. 4, 2001.

MOONEY, C. Z. Bootstrap Statistical Inference: examples and evaluation for Political Science. American Journal of
Political Science, v. 40, n. 2, p. 570-602.

PETERS, W. S. Cluster Analysis in Urban Demography, Social Forces, v. 37, n. 1, p. 38-44, 1958.

POHLMANN, M. C. Anlise de Conglomerados. In: CORRAR, L. J.; EDLSON, P.; DIAS FILHO, J. M. (Orgs.). Anlise
Multivariada. So Paulo: Atlas, 2007.

SANTOS, M. H; COUTINHO, M. Poltica comparada: estado das artes e perspectivas no Brasil, BIB, v. 5, n. 4, p. 3-146,
2000.

SOARES, G. O calcanhar metodolgico da cincia poltica no Brasil. Sociologia, Problemas e Prticas, v. II, n. 48, p. 27-
52, 2005.

SOKAL, R. R.; SNEATH, P. H. A. Principles of Numerical Taxonomy. San Francisco: W. H. Freeman, 1963.

127
OPINIO PBLICA, Campinas, vol. 18, n 1, Junho, 2012, p. 109 - 128

TRYON, R. Cluster Analysis. New York: McGraw-Hill, 1939.

VALLE e SILVA, N. Relatrio de Consultoria sobre Melhoria do Treinamento em Cincia Social Quantitativa e Aplicada no Brasil.
Rio de Janeiro, Laboratrio Nacional de Computao Cientfica, 1999.

VANNEMAN, R. The Occupational Composition of American Classes: Results from Cluster Analysis. The American
Journal of Sociology, v. 82, n. 4, p. 783-807, 1977.

WERNECK VIANNA, L. et al. "Doutores e teses em cincias sociais", Dados, v. 41, n. 3, p. 453-515, 1998.

ZUBIN, J. A. "A technique for measuring likemindedness". Journal of Abnormal and Social Psychology, 33, p.508-516,
Oct.1938.

Dalson Britto Figueiredo Filho - dalsonbritto@yahoo.com.br

Jos Alexandre da Silva Jnior - jasjunior2007@yahoo.com.br
Enivaldo Carvalho da Rocha - eni-rocha@hotmail.com

Recebido para publicao em setembro de 2010.

Aprovado para publicao em junho de 2011.

128