Metodos de Pesquisas de

Ear I

EDITe RA
U ~G
 ~ brallelres, em par-
IGDiologla e a clincle polltica,
......., .......breda por proble-
......_ obleto de perrnenente
_...,.. e OCNISionels mistiflca~es .
do t8mpo e do Mfo~o dedica-
• -..... • costume ser tornado
da pelavrosu discuuOes de
• cilncla e do confronto des
llilillllll'l_,. correepondentes - enquanto

em vlrtude, reclamando-se uma

perspective "hlstoriogr.,ica".
llnt11'0110111lgi4=a'" ou mesmo "Jomallstica".

manelre a um tempo singela e com-

do feljio-com-arroz envolvido
que velo a ser a forma mais
•lnll• da coleta e betamento de dados

illolntttxto da pesqulsa clentifica ao

ilel18111ho ou a concep~io dos projetos,
coleta e o processamento dos dados
os recursos al utillzados, ate o instru-
• •mll envolvldo na analise apropriada
material coletado.
Se o trelnamento na analise de
de sun~ey representa, por si
provavelmente a melhor forma
introduzlr o estudante na loglca do
.,_ballho clentiflco em geral, alllm de
.,.rellil6-llo com urn conjunto especffico
instrumentos, o llvro de Babble tern

lllrpillci'-;6o culdadosa da 16gica basica

.,..,. e da analise multlvarleda. Feite

~lltllc:lt119lo certamente fornece ao

lttllldlmtte urn seguro ponto de partida

llii'lllllflllll• na mesma linha e boa refe-

orltlca para a avalla~io de
k11D11Ctllva1s e tacnlcas alternatives.
 -
METODOS DE
PESOUISAS
DE SURVEY
 Earl Babbie

-
METODOS DE
PESOUISAS
DE SURVEY

Tradu~ao de
Guilherme Cezarino

2" reimpressao

Bela Horizonte
Editora UFMG
2003
 Cop)·riglll© 1997 by lntcrn:Jtional Thomson Publishing Inc.
Titulo origin:li: Survey Nesearcb ,\letbods b.:con<.l<:<.lillon)
Copynght© 1999 da tr:tUU\Cto brasil<:tr:t by l'dtlOr:t UFMG
200 I - I' reimprc":1o
2003 - 2' rdmprc"Cto
To<.los u.s direitos rcscrv:tdos
Xenhum:a parte dt:!-ilt! li\-ro podc scr n.:produzida ou trasmitida por qu;llquer forma ou
mdo, cletr6nico ou rnccfmico, induindo fotot·(,pia, imprc.:s:-.f1o ou atr;1v~s de qualqucr
sbtt:ma de arquivo c rccupcra~£10, s<..•m ;lutoriJ_:t~·;-lo t:scrita do Editor.

I'ROJETO GRAFICO E CAPA: Gl6ri:t Campo>- ,1/clllgri

EDITOHA<;:AO DE TEXTO: Ana 1\lari:t d<: Mor:u.:>
REVISAO OE TEX'I 0 I' NORMAI.IZA~:AO: Olga Maria Alws de Sousa
REVISAO DE l'l{OVAS: Lilian V:liderez Fclicio c M:tria Ap:trel'itb Ribeiro
HEVISAO TI~CNICA DA TllADU<;:AO: Ron:lido til.: Noronha
COOHOENA<;:AO: Renardc Freire Nobn:
AI'OIO A COORDENA<;:AO: Mag<.la de Pinho Tavar<:s
PRODU<;:AO GI{;\FICA: Warren de M:tril:tc Santos
FOR~IATA<;:AO: Eduardo Ferrcir:t, W:trrcn d.: ~Uribe Santos<: ~l:lrn> S.:v.ero
FDITO!v\ UF~1G

Av Ant6nio Carlos, 6627- Ala dirt•Jta da lliblioteca Centml- T.:'rreo

Campus l'ampulha- 31270-901- 13do llorizo nt<:/,\JG
Tel. (31) 3499-4650
F:tX: (31) 3499-4768
4...·-mail: c,;-ditor:t@ufmRbr
www.editora.ufmg.br

UNIVEHSIDADE FEDEI{AL DE MINAS G F.lti\IS

REITOI{A: Ana Lt1cia Almeida Gazwl:t
VICE-ItEITOH: Marcos Bor:Ho Vi:lna
CONSEI.IIO EDITORIAL
'(itularc>~ Am6nio Luiz l'inho Ribeiro, 13e:nriz lkzend<: Dam:", C:trlos i\nti'>nio Ldto: llr:md:lo,
lldoisa .~!;tria Murgel Starling, Luiz Ot:ivio F.tgund~:s Amaral. ~!:tria d:t.' Gr:t<;as Santa llarbar:1,
j\laria llelena Oamasccno c Silva Mcg:alc, Homcu Cardoso Guimadc~. \'('andcr .\k·kl :'\liran<.b
(l'rcsidentc)
Sttplcutes. Crbtiano M:tch:tdo Gomijo, Denise Ribeiro Soan...·.",Leonardo Lklrd C:1:-.1 rioL1, Luca:-.
Jos2 Uretas dos Santos, Maria Aparc<.' ida dos Santos Pai\'a, .\laurilio ~uncs Vidr:1 , ts"c\\ con
BiRnouo de Souza. Rcinaldo ~loulnliano ~tarqucs, Ricardo Castmhcir.1 Pimc.:nta Figueiredo

13112m 13abhic, Earl

MC:to<.los do: pesqut.,as de.: Sun·c.:)' F:trl B:thhic; traduc;C1o
de.: Guilhc.:rmc.: Cc.:nnno.- 13do llorizon1~:. Ed . UDIG, 1999.
519p.- (Colc~·i\o Aprcnd~:r)

Tradu~·:to de.: : Survc.:y rc.:sc.:arc·h lll<:thotls

I . Cl:nci:ts Soci:tis - ~letotlologia 2. l'o:squisa soci:li - Mctodologi:t

t. Titulo 11. Scrie

COD: .~00

CDU: 303.4

Cataloga<;C1o na publica\'""' Di\'is"o de l'l:tnejamen[() c Divulga~·'"' da

13ibliot<:ca Universit:'tria - UF:>IG

ISBN: 85-7041-175-8
4
Aescolho do livro Survey Research /rlelhods, de
fori Bobbie, para publicot6o em lingua
portuguese, deu·se a partir de umo preocupot6o
comportilhodo par alguns colegos soci6logos
que, no condicao de professores, sentiom folio
de um material did6tico mois complete para o
ensino do pesquiso quontilolivo nos ciencios
sociois, em especial o survey. Porlonlo, o livro
vi so olender a umo expeclolivo cloromenle
didalico, lendo sido ovoliodo como um bam
manual de survey, que obordo diversos ospeclos
melodol6gicos do modelo e conlem
exemplificocaes ocomponhodos de boo iluslrocao
(graficos, figures , lobelos). fspero que
lenhomos feilo umo escolho de folo ulil para
umo area de pesquiso de reconhecido volidode e
recorrenle usa nos ciencios sociois.
fslo lraducao que se oferece oo publico de
lingua portuguese e resullodo de um projelo
do Oeportomenlo de Sociologic e Anlropologio
e do Meslrodo em Sociologic, do Universidode
federal de Minos Gerais - UfMG, com
finonciomenlo do CAPfS, olroves do Progromo
PROIN/97, e sob gerenciomenlo finonceiro do
fundocoo de Omnvolvimenlo do Pesquiso ·
fUNOfP. Agrodeco as varies pessoos que
esliverom envolvidos no processo, em
porliculor 6 profo. Solonge de Deus Simoes,
pelos conlolos iniciois e enlendimenlos quonlo
oo direilo de lroducoo.

0 coordenador
 ---- ~- -

Dedicado o Sam S~ouffer, Paul lazarsfeld,

Charles Glock e aas velhos ~urcas
 s u m a
/

r 0

LISlA DE lABELAS............................................................................................. 17
LISlA DE FIG URAS ............................................................................................. 19
PREFACIO............................................................................................................ 21
PRHACIO A PRIMEIRAEDIC hO........................................................................ 29

0 CONlEXlOCIENlifiCO DA PESQUISA DE SURVEY.................................. 35

CAPilULO1
A L6GICA DA CIENCIA ............ .. .............................. 37
A Perspectiva Tradicional .... ............................. .. ..... 37
A Des mi stifica~ao cia Ciencia .... .................. .. ........... 39
A Ciencia na Pratica .... .... .. ...... ... ...... .. .................. .. .. 4 1
0 que :E Ciencia? ............ .. ................ .. ....................... 43
Resumo ........................................................ .. ..... .. ..... 54
Leitu ras Adiciona is ..... ... ... .... .. .. .. .......... .. ... .... ........... 55

CAPilULO 2
A CIENCTA E AS CIENCIAS SOCIAlS ............. .. ........ 57
A Busca de Regu la ridacles Socia is .......... .. .. .. ........... 58
As Caracte rfsticas das Ciencias Socia is .. .. ...... .. ....... 62
Metoclos de Pesquisas Cientffico-Sociais ................ 67
Resumo ........... ......... .. ...... .......................... ................ 75
Leituras Aclicio na is ... ................................ .. .. .. .. .... .. .. 76

CAPilULO 3
PESQUISA DE SURVEYCOMO METODO DAS
CIENCIAS SOCIAlS ..................................... .. ............ 77
Breve H ist6ria da Pesquisa d e Survey .. .. .. .... .. .. ....... 78
 Caracterlsticas Cienrfficas da Pcsquisa de Survey ... 82
Comparat;;ao do Survey com Outi·os Metodos ......... 86
A Pesquisa de Survey E Realmentc Cientrfica? ........ 87
Leituras Adicionais ................................................... 91
D£S£NHO D£ P£SQUISll D£ SURVEY ............................................................. 93
CliPiTULO 4
TIPOS DE DESENHOS DE PESQUISAS ................... 95
Finalidades cia Pesquisa de Survey ............ ............. 95
Unidades de Analise ................................................ 98
Desenhos I3asicos de Surveys ................................ 101
Varia<;:oes dos Desenhos I3asicos ................... ......... 105
Escolhendo o Desenho Apropriaclo ...................... . 108
nesumo ..................................................................... 110
Lcituras Adicionais ......... ...................... ...... ............. 110
CliPiTULO 5
A LOGICA DA AMOSTRAGEM DO SURVEY ...... . 113
L6gica da Amostragem de Probabilidade ............... J 18
Conceitos e Terminologia de Amostragem .... ........ 120
Teoria da Amostragem Probabilfstica e
Distribuit;;ao Amostral ................ .............................. 125
Popu la<;:oes e Molduras de Amostragem ................ 131
Tipos de Desenhos de Amostragem ....................... 134
Amostragem e Pondera<;:ao Desproporcionais ....... 148
Amostragem Nao-Probabilfsrica .............................. 152
Usos Nao-Surveydos Mcrodos de Amostragem ..... 156
Resumo ..................... ...................... ... ....................... 157
Leituras Adicionais .................................................. 158
CliPiTULO 6
EXEMPLOS DE DESENHOS DE AMOSTRAGEM ....... 159
Amostragem de Estudantes Univcrsirarios ............. J 59
Amostragem clos Professores de Escolas
de Medicina ............................................................. 161
Amostragem de Mulheres de Jgrejas
Episcopais ................................................................ 162
Amostragem de Casas em Oakland ....... ................. 165
Resumo ..................................................................... 176
Leituras Adicionais .................................................. 177
CliPilULO 7
CONCEITUA<::AO E DESENHO DE
INSTRUMENTOS ...................................................... 179
L6gica cb Conceitua<;:ao ........................ ...... ... .... ..... 179
Um Quadro de Referencias de
Operacionaliza<;:ao ........................... ........................ 182
Tipos de Dados .. ........... .................. ....... .. ........... .... 185
Nfveis de Medi<;:ao ............................. ... ................ ... 187
Guias para a Elabora<;:ao de Questoes .... .. ............. 189
Qualidade clas Medit;;oes ... .... ................... ............... 194
Formato Geral dos Questionarios .................. ........ 198
Ordenando as Quesroes no Questionario ............. 205
Instru<;:oes ......... .................................. .. ....... .. ........... 206
Reprodu<;:ao do Qucstionario ................................. 209
Resumo ............................. ...... ..... ...... ....................... 210
Leituras Adicionais ................. ................................. 211
CliPiTULO 8
CONSTRU<::AO DE INDICES E ESCALAS ................ 213
Ind ices Versus Escalas ............ ........... ... ...... ...... ....... 214
Constru<;:ao de Indices ....................................... ...... 217
Constru<;:ao de Escalas ......... .......................... .......... 233
Tipologias ................................................................ 240
Resun1o ............... ............................ .......................... 243
Leituras Acliciona is ........ .. ... ................... ......... ......... 244
COLtTll D£ DilDOS .......................................................................................... 245
CliPiTULO 9
QUESTIONARJOS AUTO-ADMINISTRADOS .......... 247
Distribui<;:ao c Retorno de Corresponc.lencia .......... 248
 Op\oes Posta is e Custos Relatives ....... .................. 249
Monitorando os Rerornos ........................... ........... 250
Correspondencias de Acompanhamento ............... 251
Taxas Aceitaveis de Resposta ................................. 253
Um Caso de Pesquisa .............................................. 254
Resumo ..................................................................... 257
Leituras Adicionais .............................. ..... ............... 258
ChPilULO 10
SURVEYS POR ENTREVISTAS .................................. 259
Importancia do Entrevistador ................................. 259
Regras Gerais para Entrevisrar ................................ 261
Trcinamento do Entrevistador ................................ 266
A Opera~ao de Entrevistar ...................................... 270
Resutno .... ................................................................. 275
Leituras Adicionais ......... .. ....................................... 276
ChPilULO 11
PROCESSAMENTO DOS DAD OS ............... ............. 279
Compuradores na Pesquisa de Survey ..... ............. 280
Codific:1\ao .................... ..... .. .................. ................. 288
Constru~ao do Livro de C6digos ............................ 291
Opc;oes de Codificac;ao e Inser~ao de Daclos ......... 293
Pre -Coclificac;ao para a Inserc;ao de Dados ............ 297
Limpeza clos Dados .................................. .. .. .. ......... 299
Resun1o ................................................. ..... .. ..... ........ 300
Leitura Aclicionais ........... ......................................... 301
ChPilULO 12
PRE-TESTES E ESTUDOS-PILOTO .......................... 303
Fazenclo os Pre-Testes ............................... ... ........... 303
Fa zen do Estuclos-Piloto ........ .. ................................ . 310
Avaliando Pre-Testes e Estuclos-Piloto ................... 313
Resun1o ..................................................................... 321
hNhLISE DA PESQUISA DE SURVEY ............................................................. 323
ChPilULO 13
L6GICA DA MEDI~AO E DA ASSOCIA~AO .......... 327
A Imagem Tradicional ............................................. 327
Intercambialidade de Indices .................................. 331
Tmplicac;oes ..................... .. ............ ................ ...... ..... 333
Resutno ................................................. .. ............. .. ... 334
Leituras Adicionais ............ ..... ... ................. ............. 335
ChPilULO 14
CONSTRUINDO E COMPREENDENDO TABELAS ...... 337
Analise Univariada .................................................. 337
Descric;oes de Subgrupos .... .... ................................ 344
Analise Bivariada ..................... .. ............................. 349
Analise Multivariada ................................................ 357
Resun1o ... .. .................................. ..... .. ....................... 360
Leituras Adicionais ........................... .. .. ................... 361
ChPilULO 15
0 MODELO DE ELABOHA~AO .............................. 363
Hist6ria do Modelo de Elaborac;ao .. .. .. .. ................. 363
0 Paradigma de Elaborac;ao ............ .. ..................... 370
Elaborac;ao c Hip6tese E'~:.: Post Facto .................... 379
RCSlllTIO ..................................................................... 381
Leituras Adicionais .................................................. 382
ChPilULO 16
ESTATISTICA SOCIAL ............ ..... ........... ....... ........... 383
Estatfstica Descritiva .. ...................................... .. ...... 383
Estatfstica Inferencial ............................................... 391
Rcsumo ............ ......... ..................... .. ......................... 405
Leituras Adicionais ................... ................ .......... ..... 407
ChPilULO 17
TECNICAS MULTIVARIADAS AVAN~ADAS ............. 409
Analise de Regressao .......... , ...... .. ........................... 409
Analise de Trajet6ria .............................................. .415
Analise Farorial ........................................................ 417
 Analise de Variancia .............................. ................. .421
BIBLIOGR~fl~ ................................................................................................... 473

Analise Discriminante ............................................. li24 ~PEND IC £S ........................................................................................................ 481

A. Tabela de Numeros Aleat6rios ........................... 482
Modelos Log-Lineares .... ...... ............. .... .................. 428
Resun1o .. .. ................... ..... ...... ................................... '-130 B. Erro Estimado de Amostragcm para uma
l3inomial (Nfvel de Confian~a de 95%) .................. 486
Leituras Aclicionais .................................................. <t32
C. Distribui~ao do Qu i-Quadrado ....................... .. .488
C~PilULO 18 D. Areas Normais de CutTa ................................... .490
0 RELATORTO DA PESQUISA DE SURVHY ............ 433
Algumas Consiclera~oes Basicas ................... .......... 433 GLOSSARIO ....................................................................................................... 491
Organiza~ao do Relar6rio ............................. .......... 436 iNDICt R£MISSIVO ........................................................................................... 511
Dircrrizcs para Rebrar as Analises ........................ .4·11
Resumo ........................ ......... .................................... 443
Leiwras Adicionais ....... ........................................... 443

AP£SQUISA 0£ SURVEY NO CONlEXlO SOCIAL. ....................................... 445

CAPilULO 19
A ETICA NA PESQUISA DE SURVFY ... ........ ... ........ 447
Parricipa~ao Volumaria ........................................... 448
Sem Prejufzo para os Entrevistados .. ...................... 450
Anonimato e Sigilo ....... .... .............. .... ..... ........ ........ 451
Iclenrifica~ao cia Final ida de e do Patrocinador ...... 451

Analise e Relat6rio ................................................. .455

Um C6digo de Erica Profissional ... ... ....... ............... 456
Erica - Tlu stra~oes Relevantcs .. ..... .. ... .... ........ .. ...... .460
Resun1o ................................ .......................... .. ... .. .. .. 463
Leiwras Adicio nais ...... ...................... .. .. .... ......... ..... 463

CAPilULO 20
0 CONSUMIDOR INFORNIADO DE PESQUI SA
DE SURVEY ............................................................ 465
Desenho cia Pesquisa .............................................. 466
Medi~ao ........................... ......................................... 467

Amosrragem ............................... ...... .......... ........... ... 469

Analise dos Dados ................................. .............. .... 470
Relat6rio dos Dados ................................................ 471
Leituras Aclicionais .................................................. ·171 15
 L s t a de T a be a s

TABELA 5-l. Resultados clas pesquisas de boca

de urna: novembro de 1988 ................................... 116

TABELA 5-2. Pesquisas de opiniao politica antes

cia elei~ilo de 1988 ...................... ........................... 117

TA13ELA 6-1. Forma usada na lista clas igrejas ........................ ...... 163

TABELA 6-2. Estratificar,:ao de quarteiroes com crescimemo

na area de pobreza D ............................ ................. 171

TABELA 6-3. Procedimento de sele~ao dos quanciroes .............. 172

TABELA 6-4. Amostra de folha de listagem ................................. 173

TABELA 8-1. Valida(ilo do indice de orientac;ao cicntifica ........... 230

TABELA 8-2. Escalonamento da orientac;ao cientifica .................. 237

TABELA 8-3. Escores cle inclice e esca la ...................................... 239

TABELA 8-4. Uma tipologia politica ......................................... .... 240

TABELA 8-5. Nove cst ilos de vida americanos ............................ 242

TABELA 14-1. Uma ilustra~ao de an ft lisc univariada ... ........ .. .. ...... 339

TABELA 14-2.Atitude com relac;ao :Is Nac;oes Unidas:

"Como a ONU esta resolvendo os problemas
que ela rem que enfrentar?" ................................... 346

TABELA 14-3. Fundindo categorias cxtremas ..... ............... ............ 347

TABELA 14-4. Omitindo os "nao sei" ....................... ...................... 349

TABELA 14-5. "Voce concorcla ou discorda cia proposic;ao de

que homens e mulheres devem ser tratados
igualmente em todos os aspectos?" .... ........... .. .. .... 350

TABELA 14-6. Direc;ao oposta cia porcentagem ............................ 350

TA13ELA 14-7. "Voce aprova ou desaprova a proposi~ao geral

de que homens e mulheres clevcm ser trataclos
igualmcme em todos os aspectos"' ....................... 357
TA13ELA 14-8. "Voce aprova ou clesaprova a proposi~·f1o
geral de que homens c mulhcres clevem
ser trataclos igualmente em todos os aspectos?" ... 359
TABELA 1+9. "Voce concorda ou discorda cia proposi(ao
geral de que homens e mulhercs den~m ser
L s t a de f g u r
trataclos igualmeme em todos os aspectos?" ........ 360

TABELA 15-1. Resumo dos cbclos cle Stouffer sobre

cscolariclade e aceita~ao do recrutamemo .... 00 . . . . . . 366

TABELA 15-2. Rck~t;:ao hipotctica entre escolariclacle e

dispensa de amigos .. 367
FIGURA 5-1. Porcenragem de alunos que
00 . . . . . . . . . . . . 00 . . 00 . . . . . . . . . . . . . . . . . . . . 00 . . .

TABELA 15-3. Rela~ao hipotetica entre a dispcnsa de amigos aprovam o c6digo estudantil .. 0000 . . . 00 . . . . . . . . . . . . . . . . . . . 00 . . 127
e a aceita~ao do proprio recrutamento .... 00000000"00 368 FIGURA 5-2. Porcenragem de ~llunos que aprovam
TABELA 15-4. Daclos hipoteticos relacionando escolaridadc a o c6cligo estuclantil ...................... 00 . . . . o o o o . . . . . . . . oo . . . . . . . . 127
accita~ao do recruramenro, pelo fa tor de ter
FIGURA 5-3. Porcentagem de ~llunos que aprovam o
amigos clispensados 0 0 . . . . . . . . . . . . . . 00 .. oo . . . . . . . . . . . . . . . . . . . . oo . . . 369 c6cligo estudantil 00 . . 00 . . . . . . . . oo . . . . . . . . oo . . oo . . . . . . . . . . . . . . . . . . . . . . . 127
TABELA 15-5. 0 paradigma cia elaborac;ao .................... 000000 . . . . . . . . . 371 FIGURA 7-l. Formatos de respostas .... 00 . . . . . . . . 0000 . . . . 00 . . . . . . . . . . . . . . . . 00 . . 200
TABELA 15-6. Regiao de origem, regiao de treinamenro c FIGURA 7-2. Voce ja fez parte cia associa~fto local cia APP? ........ 201
atitudes para como Medicare ...... 00000o00 . . . . . . . . . . . . . . . . . 373
FIGURA 7-3 . Voce j{t ouviu fala r do Programa Ciclaclc Ivloclclo? .. 202
TABELA 15-7.Ciasse social e envolvimento media com a
igreja entre mulheres episcopais oooooooOOoOooooo . . . . . . . . . . . 375 FIGURA 7-4. Voce rrabalhou alguma vez durante a
s<.:mana passacla? (Inclua trabalho parcial,
TABELA 15-8. Classes sociais e a ocupac;ao de cargos em mas nao trabalho em casa.) .... 00 • 00 . . . . . . . . 00 . . . . . . . . . . . 0000 . . 203
organizac;oes seculares oo . . . . . . oo . . . . o o o o . . . . . . . . oo . . . . . . . . . . oo . . . 375
TABELA 15-9. Envolvimento na igreja por classc social e FIGU RA 7-5 . formato de questao matricial .. 00 . . . . . . . . . . . . . 00 . . . . 00 . . . . . . . . 204
ocupa~ao de cargos seculares ...... oo o o o o . . . . o o . . . . o o o o o o . . . 376 FIGURA 8-1. Indices versus escalas .. 00 . . . . . . . . . . . . . . . 00 . . 00 . . . . . . 00 . . . . . . . . . . . . 216
TABELA 16-1. J\Jatriz de daclos bruros parciais .............. 00 . . . . . . 00 . . . . . 381t FIGURA 8-2. Relar;oes bivariadas entre itcns sobre
TABELA 16-2. Daclos brutos hipoteticos sabre escolaricbdc orienrac;ao cientffica ................. o o o o . . . . . . . . . . . . . oo . . . . oo . . oo . . 221
e preconceilo 00 . . 00 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 00 . . .. oo . . . . . . . . . . 0 0 0 0 . 385

TABELA 16-3. Daclos hipoteticos relacionando sexo e FIGURA 8-3. Hela~·oes trivariadas entre os itens sobre
en1prego 00 .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 00 oo . . . . . . . . . . . . . . . . . . . . . . 386 orienta~·:Io cienrifica ................ 00 . . 00 . . . . 00 . . . . . . . . . . . . . . . 00 . . . 223
TABELA 16-4. Dados hipotericos relacionando classe FIGURA 8-4. Rela<;ao trivariacla hipotetica entre itcns
social e preconceito ................ oo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388 de ori<.:nta<;ao cientlfica ............. 00 . . . 00 . . . . . . . . . . . . . . . . . . oo . . . 22 5
TABELA 16-5. Escalade difen.!nciac;;Io semamica ... oo . . o o o o . . . . . . . . oo . . . 390 r-IGURA 11-l.Cartao perfuraclo paclrao para registrar clados 00 . . . . . . 282
TABELA 16-6. Associac;oes gamma entre os itens de FIGURA 11-2. Exemplo parcial de um lino de c6cligos ............... 292
diferencia(ao scmantica cia escala de
sanrifkac;ao .... .. oo . . . . . . . . . . . . . . . . . . . oo . . . . . . . . . . . . . . . . . . . . . . . 00 . . . . . . . 390 FIGURA 11-3. Uma folha parcial de transfcrencia de c6cligos ...... 294

TABELA 16-7. llustrac;ao hipotc.~tica de qui-quadrado ....... oo . . . . . . . . oo 401 FIGUI'0\ 11-4. Ilustrar;ao da inserc,;ao de dados
computaclorizada ..................................................... 295
TABELA 17-1. Analise fatorial: aros de delinql.h}ncia (brancos) .. 420 oo
 FIGURA 11-5. Ilustra~fto cia pre-coc.lifica~fto de um
questionario ............................................................ 298
FIGURA 13-1. A imagem traclicional cia ciencia ............................ 329
FIGURA 13-2. A intercambialidac.le de indices .............................. 332
FIGURA 14-1. Tres '·medias" ......................................................... 341
FIGURA 14-2. Percentuando uma tabela ....................................... 354
FIGURA 15-1 ............................................. .. ................................. 370
FIGURA 15-2 ................................................................................ 370
FIGURA 16-1. Uma popula~ao hipotetica de homens e
mulheres que sao favodveis ou se opoem
~~ igualdade sexual ................................................... 395
FIGURA 16-2. Uma amastra representativa .................... .. ............ 396
FIGURA 16-3. Uma amostra nao representativa ........................... 398
FIGURA 16-4. Uma amostra reprcsentativa de uma
popula~ao na qual as variavcis se relacionam ........ 399
FIGURA 17-1. Mapa simples dos val ores de x e y ........................ 410
FIGURA 17-2. Grafico dos val ores de duas vari{tveis com
linha de regressilo (hipotetica) ............................... 41 J
FIGURA 17-3. Diagrama das fontes religiosas do
anti-semitismo ............................................ .. ........ .. . 417
FIGURA 17-4. Dais paclroes de distribui~ao de renda de
Republica nose Democratas ................................... 422
FIGURA 17-5. Seis escritores: tres escrevem a mao e tres
com computaclores ................................................. 425
FIGURA 17-6. Proje~ao grafica dos seis escritores em
termos de iclade e renda ......................................... 425
FIGURA 17-7.Apenas rencla c suficiente para predizer o
metoda de escrcver ................ .. ........................ .. .... 426
FIGURA 17-S.Padrao ligeiramente mais complicado .................... 426
FIGURA 17-9. Separando can etas dos compuradores ................... 4 27
FIGURA 17-10. Proje~ilo clos seis escritores em nova
climens~to ................................................................. 428
FIGURA 19-1. C6cligo de etica e praticas profissionais ................. 456
,
p r e f a (
Este livro e a segunda ecli~ao do original publicado h:i
clezesseis anos. Foi meu primeiro manual e sempre ocupou
um Iugar especial no meu cora~ao, apesar de ha muito tempo
nao !he dedicar aren~ao.
Comecei a lecionar pesquisa de survey em 1968, na Uni-
versidade do Havai. Na epoca, aprencli o que outros professores
da materia ja sabiam: nao havia nenhum manual realmente bom
para se dar este curso. Escolhi usar um livro britanico de C. A.
Moser, mas me us ~liunos freqtientemenre nao consegu iam se iclen-
rificar com os exemplos briranicos, nem com o modo esquisito
dos britanicos usarem a lingua inglesa! (S6 bem mais tarde me
ocorreu que estudantes nao-americanos poderiam ter problema
semelhante ao usarem textos americanos.)
Quando comecei a conhecer oLnros professores cla
mesma clisciplina (e incrlvcl 0 numero desres professores que
passam pelo Havai a caminho de algum ourro Iugar), fui
descobrindo um padrao interessante. Sempre nos fazlamos
duas pergunras, e quase sempre as resposras eram as mcsmas.
A primeira era: "Voce vai fazer pesquisa na sua sala de
aula esre ano?" A resposta em geral era uma versao de: "Nao.
Fiz uma rccenremente e tao cedo ni.io quero passar pela mesma
experiencia."
Seguncla pergunta: "Que manual voce esta usanclo?"
Os livros ate que variavam, mas a resposra sempre terminava
com:" ... porem nao gosro dele."
Minha propria frustrac;:ao neste aspecto fez com que,
certa vez, passasse um dia inteiro imaginanclo o lndice "ideal "
de um manual sabre pesquisas de survey. 0 inclice que entao
esbocei e essencialmente o mesmo cleste livro.
0 titulo que dei aquela obra imaginaria reflete uma
frustra~aomais especifica minha com o acervo mais amplo de
rexros publicados sabre pesquisas de survey. Alguns eram
 bem abstratos, ficando o lcitor perdido sabre como dl! fato
jctzer uma pesquisa. Outros eram justa mente o contr:irio, dando
receitas concretas de passos a serem dados na realizacto de
uma pesquisa especffica. Tudo bem com esra ultima aborc.iagem,
conranro que voce quisesse fazcr exatamente a mesma pesquisa
que o autor do texto. Mas se scus descjos c/ ou circunstftncias
fossem diferenres, voce ficaria perdido.
lntitulei meu livro ficticio de A Su ruey Resect reb Cookbook
a11d Otber Fables (Livro de Receitas ell! Pesquisas de Survev
e Outras Fabulas), titulo que apareceu em esbo\OS de capitulo~
c correspondencias que troquei durante a cria~ao do Jivro.
Quando o manuscrito fina lmcnte foi para a grafica, o titulo
ja fora enterrado no cemiterio das prosas nunca usadas- 0
qual, na minha experiencia, e o merccido descanso final de
um acumu lo quase infinite de desperdfcio verbal.
Entao eu j;:i havia imaginado o lnclicc de um livro aincb
ficticio, com um titulo um tanto jocoso. Pus tuclo isto de !ado,
porum clia so, pais no dia seguinte recebi uma carta de Jack
Ar no ld, editor de Sociologia da \'(/adswortb Publisbing
Company, dizcndo d o interesse cia edi tora em publicar Lllll
manual de pesq uisas de survey. Alcm do mais, um de scus
consultores editoriais, Rod Stark, havia sugerido que fossc
eu o autor cleste livro.
Dais anos antes, Rod e cu eramos amicfssimos no curso
de pos-gradLia\aO cia Universidadc da California, em 13erkeley,
e COnsiderei a hip6tese de que a Carta cJe J ac k nao passassc
clc uma brincadeira. Sempre dcsconfie i que Rod era o tipo
ca paz destc tipo de p iada, embora nunca houvesse feito
ncnhuma ass im comigo. Apesar da desconfianp, rcsponcli i"t
carta cia Wadsworrh, anexando o lnclice que ha\·ia imaginaclo
para o livro. Pouco tempo depois, assinei o contrato do
livro e me lancei ao trabalho de escrever os capltulos,
seguindo o lnclicc esbopclo.
Escrever o livro foi uma experiencia ambivalcnte. As
vczes, as palavras parcciam fluir rapida e naturalmente,
bastando apenas colocar papel em branco na maquina
datilogr:ifica. Nestas ocasioes, me semia mais Icndo do que
escrevendo o livro. No dia mais proclutivo, em meio ~ts
minhas arividacles normais como clirctor do Escritorio de Pes-
quisas de Survey, rcdigi dois capltu los, sem quase nenhuma
necessidacle de eel i\;iio.
Ja recl igir OLHros capftulos mais parecia uma torrura.
Gasrava horas, garimpanclo dolorosamcnte as palavras, como
um bebado procurando p6r um pe atras do ourro numa Jinha
reta. Como o bebado, cal muito. As vczes, trope\ava em cada
palavra, levanclo horas para criar um so paragrafo, depois
jogava tudo fora e recome\;ava. Nao era uma visao agradavel.
Um menino chega atra:;ado na escola e a professora diz:
"johnny, por que o atraso?"
Johnny diz: "Havia tanto gelo na rua hoje de manh:l, que
eu dava um passo ft frem~: e escorregava dois pra tds."
"Ah, e!"', diz a profe:;ror~t. "Entao, como voce chegou ate aqui?"
"Desisti e temei voltar pra casa."
!Ruf:tr de tambores, e o ruido da bola no aro da cesta.J
0 p ior foi o capitulo sabre estatlstica . Mais parecia um
bu raco negro, suga nclo roda a alegria cia vida. Embora os
pareceristas cia pre-publica\;ao elogiassem o manuscrito
("Obrigaclo, mamae", eu escrcvia nas margens dos pareceres),
consideraram unanimemenre o capitulo sabre cstatistica um
monstro malformado que deveria clesaparecer de vez. Entao,
revisei. E rcvisei mais.
Pode i o capitulo sabre estatfstica ate resta rcm apenas
tres calculos: lambda, gama e qui-quadrado. Na primeira
edi\;iio do livro, dois dos tres estavam con·eros. Mas este nao
foi o fim clos problemas esratlsticos.
Havia decidido que seria Citil incluir uma tabela de
numeros alearorios como apendice, para auxiliar os leitores na
sele\;iiO de amostras. Em vez de comprar uma tabela ja existence
de numeros aleat6rios, decidi usar minha recem-adquirida capa-
ciclade de programa\ao para criar minha propria tabela. Dcpois de
divcrsas temativas fracassadas, consegui fazer chegar ~~ Wadswotth
uma tabcla de nCuneros aleat6rios pronta para impressao em foto-
ojj'set, para niio con·er o risco dos tipografos estragarem tuclo.
Descobri mais tarde um problema, quando comecei a
receber cartas pergunrando: "Meus alunos me indagaram, e nao
soube responder: por que a tabela de numeros alcatorios nao
tem nenh u m 9?" Numa clas primeiras tentativas de criar a rabela,
eu havia notado a ausencia de Os c descobrira que o sistema
que eu esrava usando procurava numeros aleatorios entre 1 e
9. Descobri como cstabelecer o limite inferior em 0, mas fiz isso
abaixando o limite superior em um algarismo. Em vez de
escolhcr n(tmeros aleatorios entre 1 e 9, o sistema agora escolhia
entre 0 e 8. E clara que ninguem falava nacla sobre a abundfincia
de Os, ls, 2s etc., mas todos reclamavam do 9 ausentc.
Recomenclei ~~ Wadsworth imprimir uma folha de Errata
cheia de 9s, com a instru~ao "inserir aleatoriamente". Em vez,
compramos de alguetn uma tabela de numeros aleat6rios.
 Publicado em meados de 1973, o livro foi muito bern
recebido. Logo, a Wadsworth esrava recebendo sugcstoes de
instrutores para que e u escrevcsse um manual metodol6gico
mais geral sobre pesquisas, c nao somente pesquisas de survey.
Fo i assim que publiquei, em 1975, Tbe Practice ofSocial Researcb,
que se tomou o foco de meus escritos sobre metodos de pesquisa
nos anos subseqf1entes.
Muitos dos instrmores que inicialmenre aclotaram S111vey
Researcb Methods mudaram para Tbe Practice ofSocial Research,
como esperavamos, mas as vendas do primeiro livro conti-
nuaram boas nos anos seguinres. Periodicamenre, a \'<fadsworth
e eu considen1vamos revisar o livro, mas scm pre um outro projeto
acabava sendo prioritario. Finalmenre, em 1988, nos comprome-
temos a fazer a revisao no ano seguinre, apesar do que mais
pudesse acontecer.
0 primeiro obstaculo foi tecnol6gico. l la dez anos eu
red igia e m microcomputadorcs, com todos os matcriais em
disquete, para facilitar a rev isao, mas Survey Research
Methods fora escrito numa maquina datilografica an tiga , sem
me moria , antes do adve nto clos s istemas de processamento
de texto.
lnicialmente, a Wadsworth concorclou que um cligitador
passasse o livro original para disquetes, para eu poder fazer
a revisao num processador de texto. Acabamos rentando uma
solw;ao mais high-tech: escanea r e letron icamente o livro.
Neste processo, cacla JX1gina seria eletronica menre f'otografacla,
mas, enquanto uma fotocopiaclora imprimiria a foto em papcl,
o scamzeras armazenava em clisquete. Um programa de tradu~ao
converreria len·as e palavras num texto que pudesse scr eclitado
como qualquer arquivo de p rocessamento de texto.
Escaneamcnro de rexros, do tipo que acabei de descrcver,
certamente sera uma etas recnologias mais imponanres no
futuro. Mas clescobrimos que a inda nao era uma tecnologia
do prcsenre. A editora contratou uma empresa para o trabalho.
Uma vez pronros, os arqu ivos tinham, no clizer orgulhoso desta
empresa, "85% de exaticlao" . Vale dizer, um setimo do texto
safra e rrado! (Posteriormente, descobri que outras emprcsas e
sistemas sao mais exaros, mas mesmo assim cscaneamento de
texros aincla nao pocle ser consicleraclo "uma ciencia exata" .)
Os h e r6icos esfo r~os d e minha secrctaria, Adrienne
Alexander, finalmentc me permitiram tcr em 1988 um conjunto
de disquetes com a versao de 1973 do livro, me pennitindo iniciar
a revisao. Caso o leitor te nha trabalhaclo com a edi~ao anterior
do livro, aqui vao alg un s comentarios sabre as principais
mudan~as nesta edi~ao.
0 livro de 73 foi um procluto cia epoca, replete de
linguajar sexism. Mais especificamente, o uso de pronomes
masculines na terceira pessoa quando o genera e ra indefiniclo.
Exemplo do rexto original: "Um pesquisador usa amostragem
esrratificada quando e/equer... " Eu esrava conscie nte cleste pro-
blema na edi~ao de 73, mormente ao escrever sobre entrcvisra-
dores e perfuradores de cartao, dois gru pos preclominantemente
feminines nas pesquisas de survey. Ousadamente, usei pro-
names feminines em rela~ao a estes clois grupos, chamando os
cliretores de pesquisas de "ele", acrescentando uma longa nota
de rodape explicando o proceclimento e criticanclo a exclusao
geral de mulheres cia dire~ao de projetos.
Nos anos subseqUentes, a questao cia linguagem sexista
csqucntou c, as vezes, e u culpava "eles" por haverem criaclo a
conven~ao c.la rerceira pessoa masculina. Curiosa de saber q uem
eram "eles", descobri nao have r nenhum grupo formal com o
poder de legisla r sobre a lingua inglesa (como a Academia
Francesa, encarregada de manter a pureza lingUfstica do Jranr;ais).
No caso do ingles, esras questoes sao mais ou menos frouxa-
mente controlaclas por professores de ingles, por eclito res em
geral e editores de clicionarios em pa11icular e, bem, por pessoas
como cu. ConseqUentemente, me comprometi a e liminar
linguagem sexista dos meus textos.
Desde 1973, me rem sido facil evitar linguage m sexista.
Ofere~o abaixo algumas so lu ~oes e o incentive a aclota-las.
Antes, cis algumas '·so lu ~oes" clas quais nao gosro e qu e
tenho evitaclo:
• Substituir be (ele) por she (eta) nada resolve, pois sim-
plesmente troca um problema cliscriminat6rio por outro.
• Fazer usos aleat6rios ou alternatives de ele e ela acaba
confunclinc.lo, sugerindo haver uma razao para sc usar o
feminine ou o masculine.
• Usar rcpetitivamente 'ele 011 eta' e clesajeitado, embora
seu uso parcimonioso possa ser bom.
• Murantes lingUfsticos como ele/a (em ingles, slhe) sao
horrorosos, alem de impronunciaveis. Alcm do mais,
parecem uma concessao sardstica ao que o escritor
pocleria considerar uma preocupa~ao irrazoavcl: como
referencias sardsticas a persollagement em Iugar de
mctllClgemenl, persomwl em vez de manual etc.

Eis o que para mim /em funcionado. Usar a primeira e ou
segunda pessoa, evirando a terceira, produz uma comunica~·ao
mais pessoal e evita o dilema sexisca. ··se quisermos, voce e eu
podemos escolher uma amostragem sistematica .. .'' cum excmplo.
Quando preciso acrescentar uma tcrceira pessoa, uso nomes
andr6gi nos como Jan c Par. Ou[!·a solus;ao sao os pronomes
plurais, como: "pesqu isaclores opwm por amostragem siste-
matica quando /bey desejam ... " (/bey e tanto e/es ou e/as) .
A linguagem sexisra tambem podc ser evirada pelo uso
coloquial, geralmc ntc aceito no ingles oral, da terceira pesso::t
do plural (tbem), quando o genero e indefinido. Por exemplo:
"quando chega uma pessoa a meu gabinete, faqo com que tbem
semem numa cadeira", se bem que revisores dificilmeme deixam
passar desapercebida esta constru<;ilo.
Depois de encomrar esta e omras soluc;ocs para C\'itar
linguajar sexisw, finalmcnte descobri a melhor soluc;ao: parar
de pensarem termos sexistas . Quando pensava num pesqui-
sador, nao mais pcnsava na figura de um homcm - nem s6
em mulhercs para entre,·istad oras. Conseqi..lentemente, ja
quase nao me meto ma is em armadilhas sexistas que exigem
acrobacias lingi.ifsticas para delas escapar.
Alem de eliminar o linguajar sexista cia edic;ao de 73, tive
tambcm de lidar com alguns exemplos desatualizados de pcs-
quisas. Exe mplo: em vcz de falar do sucesso dos pesquisadores
que previram a eleic;ao de Richard J\ 1. Nixon para a presiclencia
clos EUA em 1968, usei clados de boca de urna cia cleic;ao presi-
dencial de 1988 para ilustrar o poder cia amost ragem de survey.
0 fmo de s6 haver comprado meu prime iro computaclor
pessoal seis anos ap6s a publicac;ao cia primeira edi\ilO indica
a atualiZa\aO necessa ria na area de tecnologia de pesquisa.
A edic;ao atual nao mais supoe pesquisadores usando canoes
perfuraclos ncm contadores-classificadorcs ou computadores
··queimaclorcs de lenha". 0 foco agorae no uso de microcompu-
taclores, emrevistas assistidas por computador e coisas assim.
Ate diria que minha descri~ao cia tecnologia de survey esra
provavelmente um pouco a fre nte cbs normas atuais - contudo,
por pouco tempo. 0 que hoje parecc de ponta, bem logo ser:'t
de uso geral e, em pouco tempo, sc clesarualizara.
Alem do bardware de informatica usa do em pesqu isas,
muitas ou tras coisas muclaram nos clezesseis anos clesde a
primeira eclic;ao. Pesquisadores aprenderam truques novos,
clesenvolveram novas tecnicas etc. Embora scja impossfvel fazer
justi\a a toda ela num s6 livro, tenrei abordar a maioria cia
nova lite ratura .
- f r- .,..
Ensinando e escrevendo, acho que, com o tempo,
melhorci as exp li ca~oes de diversos aspecros do processo
de pesquisa, e esta nova edi~ao me cia oponunidade de compar-
tilhar o que ap rendi . Particularmeme, as novas tecno logias
cia informatica me auxiliaram a mostr:tr graficamentc muitos
conceitos, que c a forma como os comp reendo mentalmente.
Sempre converti imagens e diagramas em palavras, mas hoje
estou mais apto a ap resenta-las au nature/.
Finalmente, o livro novo cia mais aten\ilO explfcira :-t
pesquisa de mercado. Pelo que sei, a cclic;ao de 73 foi muito usacla
como referencia supletiva em cursos c agencias de marketing, ja
que, em minha opin iao, rnanuais sobre pesquisas de marketing
rendem a ser mais te6ricos que p raticos. Certamente pesquisa
de survey e uma tecnica amplamente utilizada por pessoas de
marketi11g. Se bem que n;"to pretenclenclo fazer deste livro o te:xto
principal de um curso de pesquisa de mercado, tentei faze-lo
mais relevante e uti! como suplemento.
Como na eclic;ao origina l do liv ro, gosraria de agradecer
diversas pcssoas, importantes para sua c ria~ao . Ini cialmente
rededico-o a Samuel A. Stouffer, Paul F. Laza rsfeld e Charles
Y. Glock, em quem vejo minha linhagem na pesquisa de survey.
0 comcntario estranho sobre ··os velhos turcos" e uma rcfc-
rencia a dedicat6 ria de Paul Lazarsfeld para sua obra 'l'l.Je
language of Social Research (1955) a "Charles Y. Glock e scus
'jovens [Llrcos' no Escrit6rio de Pcsquisa Social Aplicada cia
Universidade de Columbia".
Pelos comenta ri os tao s5bios quanto s impaticos dos
rascun hos da ecli<;ao rcvista, sou grato aos colegas Alan Acock,
cb Louisiana State University, e Tom Guterbock, cia Universi-
dade cia Virginia.
Serina Beauparlant, a nova ecl ito ra de sociologia na
Wacls\\'orth, herclou o manto que Steve Rutter vestira dezesseis
anos antes. Seu trabalho foi excepcio nal, como clemonstra este
produto acabaclo. Nesta tarefa, foi auxiliada por Donna Linden,
eclitora de proclu<;"~to, e pelo desig!ler-executivo Andre\v Ogus.
Finalmente, gostaria de agraclecer a minha esposa Sheila,
que inicialmentc te ria s iclo co-aurora cia primeira ecli<;ao. Apesar
de ter resolviclo nao faze-lo, continua scndo minha ctcrna
parceira e colaborac.lora. Fonte pcrmanentc de inspir:u;ao,
constantemente me incenti\'OU a olhar acima e alem das
montanhas, do outro lac.lo c.las esquinas c dcbaixo c.bs peclras.
Convido-o, leitor, a investigar e rocurar comigo nas paginas
que se seguem. Unlversldade de Brasilia
BIBLIOTECA
 Prefacio a' Primeira fd i~ ao

Pesquisa de survey e hoje provavelmente o metoda de

pesquisa mais conheciclo e amplamente usado nas cicncias
sociais. Cresce diariamente seu uso no munclo academico. E
lecionada e usada em depanamentos de sociologia, ciencia
polltica, psicologia, administrac;ao de empresas, sat:ide pC1blica
e geografia, dentre outros. Cada vez mais, alunos de p6s-
graduac;ao nas ciencias sociais sao incenrivados a fazer surveys
como requisite de pesquisa original para teses e clissermc;oes.
Estudantes de graduac;ao freqt.ientemente fazem surveys, e pro-
fessores anualmente publicam relat6rios de centenas de surveys.
Fora do mundo academico, quase todo mundo ouviu
falar de pesquisas de opiniao pC1blica, de previsoes eleitorais,
de estuclos do mercaclo de consume e de censos. Praticamente
roclo munclo ja foi afetado por pesquisas. Campanhas e sonhos
politicos deslancham ou sao desrrufdos com base em pesqui-
sas eleirorais. Empresas produzem em massa ou interrompem
produc;ao baseaclas em pesquisas de mercado. Programas
sociais de ajuda federal muitas vezes depenclem clos resultados
de esrudos de populac;ao em cidacles e esrados carentes. Ativi-
clacles tanto profissionais como nao profissionais de pesquisas
sao freqt.ienres. Clubes pesquisam seus s6cios sabre polfricas
a seguir e clatas de piqueniques. Bibliotecas e lanchoneres
levantam preferencias dos usuaries sobre servic;os e horarios.
Esrac;oes de radio convidam ouvintes a telefonarem votanclo
em temas comunitarios.
0 uso tao clifundiclo e a aceitac;ao tao ampla cla pesquisa
de survey parece indicar que se trata de recnica de f:kil
aprendizaclo c ut i liza~ao. Toclos que leram um rel:lt6rio cl<.:
pesqu isa d<.: opiniao no jornal local provav<.:lment<.: acham
que eles mesmos poclem fazer uma. Afinal, qualquer um
pode perguntar c concar as respostas.
Par Que fste Livre fnfatiza L6gica e Capacidades
Este livro aborcla tres questoes rclacionaclas a perceps;ao
erronea de que e facil fazer pesquisas de S/1/H~)'. Em primeiro
Iugar, a popularidacle clestes mctoclos rem lcvaclo a muita
pesquisa malfeita. As vezes, recnicas de pesquisa sao mal-
usadas; muitas vezes swveys sao realizaclos quando algum outro
mctodo de pesquisa seria mais aclequaclo. Espera-sc que a dis-
cussao dctalhacla cia 16gica e clas capacitar;oes necessarias as
pesquisas de survey a jude a melhora r a qualiclaclc clas mcsmas.
Em segundo Iugar, o mau uso eo uso cxcessivo levaram a
rejei<;ao total de pesquisas de swvey por parte de muiras pessoas,
inclusive um numero cresccnre de jovens cientistas sociais. Neste
aspecto, espera-sc que este livro demonstrc que pesquisa de
S/1/Vey pode ser um metoclo extremamentc Cnil de invcstigas.:ao
cicntifica em certas sirua<;oes. Usaclas corretamentc em situas.:oes
apropriadas, surveys podem gerar informa<;:oes nccessarias, dilkeis
de se obrerem an·aves de qualquer outro metodo.
Em terceiro Iugar, afirmar que determinacla pcsquisa foi
mal feita prcssupoc a existencia de um acervo comprovado e
estabelccido de padroes cientlficos, a luz dos quais a,·aliar ativi-
clades de pcsqu isa. Lamentavelmente, isto nao ocorre. Certamenre
ha padroes cienrificos muito rigorosos em alguns aspectos da
pesquisa de survey, como amostragem c manipuht<;ao cstatistica
de daclos. i\Ias OS paclroes nao sao tao claramentc clefinidos em
outros aspectos, tais como a reda<;ao de qucstoes e a codificas.:iio
de rcsposras. Padrocs existcntes em geral niio sao formalizaclos
e, ainda por cima, tcndem a ser transmitidos como rradi<;ao oral,
de pesquisador para aluno-aprcndiz. Contudo, pcsquisadores
inicianres sem accsso a cste sistema de aprcndizaclo podcm nao
emcnder nem mesmo os paclroes informais. Este livro procura
revelar estes padrocs informais c ordena-los dcnrro do contcxto
16gico cia invcstiga<;ao cicmifica.
0 proprio titulo, S111vey Researcb J1ethods, rdlcte a orien-
ta<;ao geral do rexto. Como instrutor de metoc.los de pcsquisa de
survey e consultor de swveys, cu senti a a necc~sidade pre me me
de um s6 volume que ofcrecesse a cstuc.lantcs e a pcsquisadorcs
em potenciaJum guia pr:.ltico de pesquisas de S/1/H~J'. 0 merc:tdo
esta chcio de livros e cnsaios que cliscutcm a 16gica te6rica da
investiga~ao cientlfica, sem cspecificar como normas cientificas
sao aplicadas na pratica. No olllro extrema, ha um punhado de
livros do tipo receita-de-cozinha no mercado, com diretrizes
passo a passo sobre como pesquisar, mas sua utilidade diminui
rapidamente a medicla que a sitLta\aO de campo do pesquisador
se diferencia daquelas discutidas diretamente no texto. Quando
o pesquisador encomra um problema de campo nao cobeno no
livro-receira, ficara provavelmente perdido. Estc livro procura
uma solu~ao para este problema.
Este rexto e focado na /6gica e nas capacitcu;oescla pesquisa
de survey. Relarivamcme pouca aten<;ao e dada ~~ cstatfstica, j:.l
que ha varios texros excelemes sobre ela. Ao cobrir os di,·ersos
aspectos do desenho e cia analise de survey, usei o seguinrc
formato. Primeiro, cliscute-se a 16gica te6rica, por exemplo, cia
amostragem. E necessaria que o leitor entcnda a 16gica bftsica
de se selecionar uma amostra de entrevistaclos cujas respostas
podem representar a popula<;ao cia qual foram selccionados.
Entao, cliscutem-se, passo a passo, OS metoclos mais tipicos de
amostragem. A esta altura, o lcitor deve entender nao apcnas
como selecionar uma amostra convencional, mas tambem par
que merodos convencionais de amostragcm aclvem cia 16gica
re6rica cia amostragcm. E apresentaclo, em segu icla, um lcquc
de problemas praticos freqi.ientcmente encontrados por pesqui-
~adorcs de campo e discutem-sc mctodos tipicos de sc licbr
com rais problen1as, denrro do conrexto cia 16gica cia ~tmos­
tragem do survey. Aqui, o leitor deve enrenclcr por que as
solu~oes sugeridas oferecem a melhor corresponclencia com a
16gica e os mctodos ideais da amostragem. Nao ha como
aborclar rodos os problemas pr{tticos que os leitores possam
porventura vir a enconrrar, mas se espera que eles compre-
enclam, na prarica, a 16gica da amostragcm, de forma a poderem
chega r as suas pr6prias boas solu<;oes. 1\Iesmo quando a
sit u a~ao cia pesquisa nao permitc uma boa solu~ao, o leitor
clevc ser capaz de avaliar o significado cia clecisiio que tom:u, a
respeiro clas conclusocs a sercm tiraclas do seu estudo.
Nenhum S/1/vey satisfaz plcnamcnte os idcais te6ricos da
investiga<;ao cicntifica. Cada um representa um conjunto de
compromissos entre o ideal e o possivcl. A meta primordial
clcste lCXtO C ajuclar OS lcitOrCS a chcgarem aos meJhores
compromissos possiveis. Surveys perfeitos poclem nao ser
possfveis, mas bons s/1/veys podem e devem scr realizados.
Este livro pode p:uccer um tanto elementar, foca!izanclo
quasc exclusivamente a 16gica cas capacita~oes bclsicas. Por
exernplo, rclativamente pouca atens;ao e dada as tecnicas de
escala, enquanto muita atens;ao e clevotada a consrrus;ao de
Indices simples. Discuss6es de analise de S/1/Vey sao primor-
dialmente focalizaclas em tabelas de percentagens. Ha cluas
raz6es para esra orienras;ao. A literatura metodol6gica existente
cobre extensamente tecnicas avans;adas, enquanto as tecnicas
mais basicas rem sido aborclaclas menos extensamente. Mais
importante, uma base finne na 16gica c nas capaciLas,:6es para a
pesquisa de survey e pre-rcquisito para o plena emenclimento
de tecnicas mais avans;aclas. Assim, se o leitor conseguir com-
preencler plenamente a 16gica de analise an·aves de tabelas de
percentagens, sinto que estara mais equipaclo para liclar com
correlas;oes, regress6es, analise fatorial e assim por clianre.
Lamentavelmente, hoje em clia, muitos alunos salLam cliretamentc
para formas mais complicaclas de analise, sem entenclerem bem
a 16gica clas pesquisas em geral.
Como fste Livre Pede ~er Usado
Este livro foi feito para uma ampla faixa de leitores:
qualquer pessoa interessada em realizar um survey ou em usar
e/ou avaliar os resultados de um survey. Mais especificamente,
destina-se a tres audiencias clistimas: estuclantes de metodologia,
pesquisadores principiantes e consumiclores de pesquisas.
Primeiro, o livro se dirige a alunos de graduar;ao curs a ndo
pela primeira vez metodos de pesquisas . Enquanto cliversos
professores preferem enfatizar pesquisa de survey no curso
geral, outras metodologias podem ser acrescentaclas . Por isso
0 livro e publicado em capa mole, para pennitir um uso flexfvel
dos materiais. A organizar;ao do material surgiu de minhas
pr6prias experiencias em sala de aula, lecionanclo metoclologias
de sw·uey e um esbor;o preliminar do texto foi testaclo neste
ambiente. Alem dos materiais no corpo cia obra, a maioria clos
capftulos vem acompanhacla de uma lista de leituras ac.Jicionais,
que podem ser usadas para um exame mais cletalhado de
t6picos especfficos.
Em segundo Iugar, o livro pretencle ser um guia pratico
e realista para o pesquisador principiante, sem muira experiencia
em pesquisas de survey. 0 livro aborcla os provaveis problemas,
decis6es e compromissos que constituem a substancia quotidiana
da pesquisa de campo. Procurei oferecer o leque mais amplo
possfvel de exemplos tiraclos de minhas pr6prias pesquisas e
consultorias, numa ampla varieclacle de projetos e conclis;6cs de
pesquisa, bem como das experiencias de colegas e outros
pesquisaclores. Espero que o nC1mero de exemplos aumente a
probabilidaclc de um pesquisaclor encontrar orientas;ao no texto.
Simultaneamente, busquei apresentar tais exemplos clentro cia
16gica basica cia investigas;ao cicntffica. Em vez de pedir que o
lcitor memorize tecnicas espedficas- mesmo um leque variado
de tecnicas - , pes;o que emencla por que cleterminaclas tecnicas
sao recomendadas c usadas. Assim, quando o pcsquisaclor
precisar aceitar um compromisso ou aproximas;ao, cleve estar
apro a saber o que est[t comprometendo e que conseqi.it~ncias
este provavelmente acarrerara.
Finalmente, espero que os consumiclores de pesquisa
de survey encontrem neste livro o solo meroclol6gico que os
ajucle a fazer avaliar;oes crfticas e esclarecidas. Espero ter apre-
sentado um quaclro suficientemente completo das realiclades
praticas da pesquisa de campo, para melhorar a perspectiva dos
crlticos do survey. Discutindo honestamente os meritos e usos
possfveis cia pesquisa de survey, espero converter alguns crlticos
em apoiadores esclareciclos. Tambem cliscuto as desvantagens,
insuficiencias e maus usos das pesquisas de survey, com a
esperanr;a de ajuclar alguns usuarios arclentes demais a se
tornarem um pouco mais crfticos.
Ag radeci mentes
Tive muira sorre ao ter a oporruniclacle de aprencler
pesquisa de survey num ambience de aprenclizaclo, tutelaclo por
Charles Glock. Numa epoca em que professores sao acusados
de explorar estudantes, Charlie consistentemente me tratava
como um colega mais jovem, me incentivando a embarcar em
projetos pr6prios e me tornar mais indepenclente, poclendo
recorrer a ele para orienta~ao mais avanc;ada. Um reconhecimento
rotineiro num prefacio de livro e muito pouco para a dfvida que
tenho com Charlie Glock. Apcsar de depois ter aprencliclo coisas
sabre pesquisa de survey que ele nao me ensinou, ainda me
sinto um constrangiclo ao afirmar que esre livro e meu.
Ao mesmo tempo, eleva muito a outros professores e
colegas, principalmente a Rod Stark, que agia como irmao
mais velho nos meus primeiros anos na Universiclade de
Berkeley. Mais tarde, em Berkeley, rive a sorre de conhecer
Gertrude Selznick, que me obrigou a examinar ainda mais
profunclamenre os alicerces 16gicos cia analise de suruey, e
nossas comparac;-6es de anotac;-6es sabre pesquisa empfrica
me deram um entendimento bem melhor do que e de faro inves-
tiga~·ao cientffica. Outros mestres e colegas que aprimoraram
minha compreensao da pesquisa de survey enquanto cie ncia
incluem George von Bekesy, Lin Freeman, Dave Gold, Ren
Likert, Bill Nicholls, Jay Palmore, Steve Steinberg e Charlie
Yarbrough. Sou especialmente grato pelos comentarios
dctalhados e profundos de tres revisores do manuscrito: Andv
Anderson, Joseph Spaeth e Billy J. Franklin. .
lgualmente reconhcc:;o minha cllvida para com os muitos
pesquisadores com quem rrabalhei em consulroria. Alguns me
ensinaram novas tecnicas, outros rcvisaram e comentaram os
primeiros esboc;os deste texro. Denn·e eles ciro Jim Dannemiller,
Dave Ford, Dennis Hall, Dave Johnson, Jan LeDoux, Heung-soo
Park, Dinny Quinn, Franc;oise H.utherford, Yongsock Shin, Dave
Takeuchi, Chuck Wall e Choon Yang.
Alcm do mais, o livro jamais tcria se concretizaclo sem a
assistencia de diversas pessoas envolvidas com o manuscriro.
Na editora Wadswonh, Jack Arnold, Steve Hutter c Roc.! Stark
o rganizaram e providenciaram importances insumos editoriais.
Barbara Higa assumiu um extenso projcro bibl iografico. Pat
IIonon me ajudou a encontrar tempo para recligir, alcm de ter
clatilografado o Iongo manuscrito.
Dado seu conhecimento especial de coleta de c.lados e
experiencia geral com pesquisas de suruey, minha esposa
Sheila tcria sido co-aurora do livro, tendo papel imponante
na organizac;ao inicial cia obra. Pouco clepois do infcio cia
redac;ao, rornou-se impossfvel para Sheila cledicar tempo
suficicnrc ao livro, mas ela continuou ativamenre participanc.lo
como consu ltora, conficlentc e crftica.
0 Contexte Cientlfico da
Pesquisa de Survey
CAPiTULO 1
A LOGICA DA ClfNCIA
CAPiTULO 2
AClfNC IA f A~ C l f N C IA ~ ~OCIAI~
CAPiTULO 3
Pf~QUI~A Df SURVEY COMO METODO DA~ C lfNC IA~ ~OCIAI~
Esre livro aborda o tema cia pesquisa cientffica. Sua
finalidade e ajuda-lo a fazer suas pr6prias pesquisas e compre-
encler as pesquisas feitas por outros. Embora o livro focalize um
cleterminaclo metoclo de pesquisa - o survey-, clevc ser lido
dentro do contexto gera l cia ciencia. A pesqu isa de survey
emp rega tecnicas especlficas peculia res a cste metoclo , que
podem se encaixar nas normas gerais cia investigac;ao cientffica.
Apesar de termos cicncia ha seculos e in(tmeros livros
terem s ido escritos sobre pesquisa cientffica, o assunto aincla
hoje e enigmatico para nao-cicntistas e cientistas iniciantes.
A Parte 1 cleste livro pretende oferecer uma visao geral cia
16gica cia ciencia, para que, posteriormenre, as tecnicas espe-
clficas cia pesquisa de survey possam fazer mais senticlo. Tres
capftulos sao dedicados a este t6pico.
0 Capitu lo 1 consiclcra a 16gica basica cia ciencia. Comec;a
discutinclo a imagem tradicional cia ciencia, imagem que creio
ser em geral enganosa e inapropriacla no contexto cia atual pes-
quisa ciemlfica. f'\esre aspccto, meu prop6sito nao c clesmistificar,
mas tornar a ciencia relevante c realista.
Na pratica, a ciencia nao e nem mfstica nem pura. Como
toclas as atividades humanas, a pesquisa cientffica e um compro-
misso entre o ideal e o possfvel. Na pratica, e freqOentemcntc
guiada pela emoc;ao, pelo e rro e pela nao-racionalidade. Toclavia,
a pesqu isa cientlfica e bem difc rente de outras ativiclacles
humanas. Tentarei e luciclar tais diferen~as no Capitulo 1.
 0 Capitulo 2 aborda o t6pico ainda mais complicado cia
ciencia social, sobre o qual muito se escreveu nos (tltimos
anos. Alguns autores insisrem que a ciencia social c tiio '·cien-
tffica" quanta a ciencia natural. Outros niio aceiram tal no~ao.
Ainda ourros pensam que a pesquisa social esra progredindo
Capitulo 1
rumo ao sial us de ciencia, mas aincla nao chegou Ia.
Sugiro que esre debate nao faz sentido. Assim como e
impossfvel uma afirma~ao definiriva sobre o que ··ctencia"
realmente e, e igualmente impassive! afirmar que a ciencia
social e OU nao cientifica. 0 que faremos C considerar as

c a da ( enc
/ A
diferenps e semelhanc;;as entre ciencias sociais e narurais ,
explorando as implicac;;oes desras diferenc;;as e semelhanc;;as L0 g
para a 16gica c as recnicas da pesquisa cientifica social.
0 Capitulo 3 e dedicado a um exame espedfico cla pes-
quisa de swvey. 0 capitulo come~a com um apanhado hist6rico
dos surveys e passa a abordar modos como a pesquisa de swvey
se encaixa nas normas gerais de ciencia e de ciencia social.
Ciellcia e uma palavra caseira. Todos a usam, pelo menos
0 prop6siro principal dcsrcs capftulos e prepara-lo para
ocasionalmente, mas imagens cla "ciencia" cliferem muito. Para
o entendimento das bases 16gicas subjacenres as competencias
alguns, c sin6nimo de matematica, para outros significa aventais
e tecnicas espedficas da pesquisa de survey. Em rermos mais
brancos e laborat6rios, outros a confunclem com tecnologia, e
gerais, espero que voce adquira um embasamento melhor na
ha aqueles para quem a palavra equivale a materias diffceis
l6gica da ciencia per se. Isro c parricularmenrc imporrante
em curses colegiais ou universitarios.
porque toda pesquisa cientifica e um compromisso entre 0
ideal e o possfvel. A maior pane deste livro !ida com estes Evidentemenre, ciencia nao e nenhuma desras coisas
compromissos. per se. Po rem e dificil especificar exatamenre o que e ciencia.
Este capitulo comec;;a resumindo a imagem de ciencia frequen-
Inicialmente examinamos o que deve ser fcito em cir-
cunstancias ideais, consideramos em seguida quais compro- remente apresenracla a estudantes em curses de introduc;;ao as
missos sao mais apropriados quando o ideal nao pode ser ciencias. Em seguida, examinamos a imagem negativa que
atingido. A menos que voce compreenda plenamente a l6gica algumas pessoas rem das ciencias. Finalmente, descrevemos
basica da ciencia, nao conseguira enrencler por que um com- OS COmponentes l6giCOS da ciencia tal COmO e prctticada.
promisso e aceiro no Iugar de um outro. Compreendendo
esra l6gica, ao comec;;ar sua propria pesquisa voce sed capaz
de conseguir o melhor compromisso passive! dentro das h Perspediva Tradicional
reais condic;;oes de campo.
Cursos de introduc;;ao as disciplinas cientificas freqtien-
remente apresenram uma imagem de Ciencia que a faz parecer
direra, precisa e are rotineira. Posreriormente, nesre capitulo,
criticarei esw perspectiva, mas ela e uti! como ponto de partida.

Teoria Ci entlfi ca
Cientisras, e o que se diz, comec;am com um interesse
por algum aspec[O do munclo ao rector. 0 interesse pode ser
saber como a pressao arterial e regulacla no corpo, por que

um grao de arroz e mais duro que outro, o que dctcnnina o
caminho dos cometas ou o que causa cftncer. Entao, eles
examinam rigorosamentc esse t6pico e estrutura em termos
16gicos e abstratos.
Eles iclentificam todos os fenomcnos reJe,·antes ao assumo
cstudado. Com base no conhecimento existente, inter-relacionam
estes fenomenos numa rede de relcu;oes causais1 - quais
elementos causam ou influenciam outros elementos. Destc
modo, desenvolvem uma teoria, um conjunto de proposir;oes
16gicas, inter-relacionadas, que explicam a natureza do
fenomeno esruclado.
Para testar a validade da teoria, supostamente derivam
hip6teses, que sao preclis;oes sobre o que acontccera em
condis;oes especificadas. Muiras vezes, essas hip6teses sao
cla forma se- entao. Se o Evento A acontecer, segue-se entao
o Evento B. Por exemplo, se voce estudar bem ncste cu rso,
tera uma vida muito feliz. (E uma hip6rese, lembre-se, nao
necessariamente o que as coisas sao.) ]5 que esta rela<;"ao causal
e sustentacla pela teoria geral, se o Evemo I3 nao se seguir ao
Evenro A, a validacle da propria teoria seria questionacla.
Operaci onal iza~oo
Teorias por natureza sao abstratas e gerais. Ilip6teses,
embora mais especfficas, sao tambem em geral um tanto
abstratas. (No exemplo acima, nao especifiquc i que tipo de
escudo ou que tipo de felicidade.) Assim, hip6tescs devem
ser converriclas em termos operacionais, isto e, nas opcras;oes
concretas feitas para testa-las - processo chamado de opera-
cionalizar;ao. Voce devc cspecificar quais fenomenos no
mundo real constituem o Evento A c quais constituem o
Evenro B.
Se a hip6tese e sobre o efeito da temperatura na taxa de
crescimento de uma planta, voce especifica como temperatura e
crescimcnto serao medidos, ou seja, que operas;oes corrcspon-
dem a esses conceitos abstratos. Especificadas as operas;oes, voce
descreve um e::~.perimento para testar a hip6tese, especificando a
duras;ao do experimento, a freqllencia de medi<;'aO do cresci-
mento e da temperatura, sc c como a temperatura sera anificial-
meme controlada, ou se varias;oes naturais serao anoraclas, e
como a medis;ao sera registrada e analisada e assim por diante.
Baseado na sua hip6tcsc, voce podc prever taxas de cres-
cimento correspondentes a cliferentes tcmperaturas e especificar
o quanta as predi\oes devem ajustar-se as taxas observadas de
crescimento para confirmar ou rejeitar a hip6tese. Deixar claro
tudo isso de antemao pode evitar muita discussao mais tarde.
£xperimento
Finalmente, as opera\6es especificadas sao efetuaclas.
Dados sao coletados e manipulados como prescritos e a
hip6tesc 6 testada. Se o experimento confirmar a hip6tese,
valida-sc a teoria geral da qual ela foi derivacla. Se a hip6tese
nao for confirmada, a teoria geral e questionada. Qualquer
que seja o resultado, presume-se que voce publicarft seus
achados, o munclo sc tornara um Iugar um pouco melhor
para se viver e voce come<;'ara a pensar noutros t6picos para
conquistar.
Imagina<;'aO e brilho parecem necessaries para construir
uma teoria, mas nao para a coleta e analise de dados. Especifi-
caclos de antemao os metodos experimentais e as opera<;'6es,
assistentcs tecnicos supostamente podem realizar c interpretar
o experimento. 2
Resumo
Ja que cientistas operam com procedimentos racionais e
objetiuos, suas conclusoes rem supostamente mais qualidade do
que as impressoes subjctivas e preconceitos do leigo. Cientistas
lidam com fatos e numeros e diz-se que os numeros nao mentem.
ADesmistifica~ao do Ciencia
Em anos reccntes, cla-se a alguns estudantes uma imagem
da ciencia e clos cientistas bem diferente da perspcctiva
traclicional aprescntada. Esta visao mais negativa da ciencia tem
varias dimensoes.
Primeiro, salienta-se que cientistas sao motivaclos pelas
mesmas emos;oes humanas e limitados pelas mesmas fraquezas
humanas de codas as pessoas. Diz-se que cientistas frequentemenre
selecionam seus objetos de escudo com base em tendencias
pessoais, e que alguns poclem clcdicar todas as suas energias a
··provar" algum palpite de estimas;ao. Em vez de planejar e
execut::ll' experimemos objetivamente, a pesquisa deles e uma
busca continua de dados para corroborar um preconceito.
 Cultos e panelinhas do mundo cientffico tern sido mostrados
ao publico. Afirma-se que urn trabalho cientifico apresentado
para publica~ao pode ser julgado mais com base no pedigree
academico do pesquisador (diplomas, escob etc.) do que
nos meritos intrfnsecos do proprio trabalho. Um editor de
perioclico que eswdou com o Professor X podc rcjeitar toclos
os trabalhos apresentados por alunos do Professor Y.
Alem do mais, frequentemente se enfatiza que "ideias
aceitas" nas disciplinas cientfficas muito dificilmente poclem
ser questionadas. Um trabalho de pesquisa apresentando
uma perspectiva radicalmente nova sabre um assunto antigo
e supostamente ja decicliclo pode nunca ser publicado.
Tambem diz-se que muitos pesqu isaclores avaliam a pers-
pectiva de um projeto de pesquisa mais pela probabilidade de
receber financiamentos do que por sua possfvel contribui~ao
ao conhecimento.
Ja que tanta pesquisa cientffica e realizada nas universi-
dades, c relevance anotar as crfticas a norma "publique ou
pere~a", atribufda a muitos depa rtamentos acaclemicos . A acu -
sa~~IO e que professores que se destacam no magisterio podem
ser despedidos se nao realizarem e publicarem pesquisas sufi-
cientemente. Pesquisas efetuadas sob tais concli~oes de pressao
provavelmente nao manifestam a curiosidade intelectual e a busca
cia verdade que associamos a imagem iclealizada cia ciencia.
Alem do mais, pesquisar por coer~ao as vezes produz
fraudes cientfficas. Ocasiona lme nte, voce le na imprensa
reportagens sabre algum pesquisador que fa lsificou daclos
para parecer urn estucl ioso produ tivo. Alem de en·ado, este
tipo de trapa~a as vezes desorienta pesquisas de ourros, desper-
di~ando recursos, atrasando descobertas cientfficas, alem de
oun·as perturba~oes causadas ao processo de pesquisa.
As crfticas a ciencia foram alimemadas por diversas
narrativas francas de pesquisas, publicadas nos u ltimos anos
por cientistas de renome. 3 Cada vez mais cientistas procuram
apresemar honesramente seus projetos de pesquisa, p6r seus
achados numa perspectiva adequada e oferecer melhor
orienta~ao a aspirames a pesquisadores. Como estas narra-
tivas re\'elam erros, omissoes e outros problemas praticos,
muitos crfticos contemporaneos cia ciencia as romam como
confissoes de que esta nao passa de mistifica~ao.
Alguma desmistific:u;:ao cia ciencia e ate boa de vez em
quando. E facil pensar na ciencia como um empreendimento
mfstico e os cientistas como praticantes-magicos infalfveis. Sc a
ciencia e funclamentalmente uma ativiclade racional e objetiva,
deve ser capaz de resistir a uma avalia~ao racional e objetiva.
Os aspectos que nao sobreviverem a crftica provavelmente nao
deverao continuar fazenclo parte do empreenclimento cientffico.
0 grande perigo na crftica a pesquisas malfeitas e ate
desonestas e oferecer uma fuga facil a dificulclade de entender
a ciencia como esta deve ser. Estudantes as vezes acham mais
simples ignorar a ciencia, como se e la fosse uma bobagem
ritualista, do que aprencler estatfstica ou a logica cia pesquisa
cientffica. E mais facil considerar tocla a ciencia ruim do que
se tornar um born cientista.
Evidentemente, oeste topico sou tendencioso. Acredito
que a ciencia e uma atividacle humana significativa. Enquamo
muitas atividacles rotuladas de "cientfficas" de faro nao o sao,
em minha opiniao muitas ativiclades cientfficas diferem de
formas importantes de outras atividacles humanas. E importante
entender estas diferenyas, tanto para quem pesquisa como para
quem le sabre elas e rem suas vidas afetadas por e las.
0 problema primordial rem a ver com a inexatidao cia
perspectiva tradicional do metodo cientffico, tal como e
convencionalmente apresentacla a alunos principiantes de
ciencia, tanto nas ciencias sociais como nas natura is. Na pratica,
a ciencia nao corresponde exatamente a sua imagem tradicional,
mas, ao mesmo tempo, nao e tao ruim como argumentam seus
c rfticos mais severos. A se\'aO seguinte procura descrever a
ciencia na pratica, que e distinta de sua perspectiva tradicional.
Em seguida, abordarei os aspectos que distinguem a c iencia
clas outras ativiclades humanas.
A Ciencia no Pr6tica
A perspectiva tradicional sugere que os cientistas passam
cliretamente de uma curiosidade intelectual sobre alguns fen6-
menos para a deriva~ao de uma teoria. Raramente, talvez nunca,
isto acontece. 0 interesse inicial num fen6meno muitas vezes se
origina em alguma pesquisa empfrica anterior, talvez em alguns
achados inconsistences gerados pcla sua propria pesquisa ou no
trabalho de ourros. De cerro modo, voce pode comeyar com a
'·resposta" e pa1tir para a descobena cia "questao".
Voce pode iniciar com uma observa~ao especffica: crian-
~as de lares sem pai e/ ou mae rem taxa de delinqliencia mais
alta do que as outras. Em seguicla, voce tenta desenvolver
um enrendimento mais geral de por que isto acontece .
Quase nunca reorias resultam de processes totalmente
dedutivos. Mais comumente, teorias sao o resultaclo final de
uma tonga cacleia de dedur;ao e indur;ao. Em cerro ponto,
 voce pode ter uma explicac;ao preliminar de uma rela<;:ao empfrica,
pode testar esta explica<;:ao prcliminar atraves da coleta de mais
dados, usar os novos resu ltados para moclificar a cxplica<;:ao,
coletar novos dados e assim por diantc. Construc;:ao de teoria
entao, envolve interas;ao de observas;oes e explicas;oes. ' mento. Cada uma clesras siruas;ocs requer decisoes que influen-
Portanto, raramente as teorias sao confirmaclas num
cleterminado momenta. Na ciencia, sao rebti,·amente poucos os
"experimentos crfticos", ou seja, experimentos que Ievam tocla a
teoria a se sustentar ou clesabar. Ao contrario, evidencias mon-
tadas pouco a pouco ap6iam uma teoria continuamente
moclificada. Em algum momenta, alguma forma cia teoria pode
se rornar geralmente aceita, mas raramente c possfvel identificar
o momenta exato em que a teoria foi "provacla" ou aceita. Alem
do mais, coda teoria contin ua a passar por mocl ificas;oes .
Nenh um cienrista ja clescobriu o u dcscobri ra "A Verdacle".
A operacionalizas;ao de conceitos nu nca c tao clara e direta
como sugere a imagem tradicional cia ciencia. Esre assunto sera
abordado mais profu nclamente no Ca pftulo 7, mas cl eve-se
observar que a maioria clos conceitos cicntfficos sao passfveis
de cliversas interpreta<;oes. Assim, voce pocle especificar opera-
cionalizas;oes preliminares clcsses conceiros e usar os resultados
clos experimentos tanto para avaliar tais operacionalizas;oes
quanta para testar h ip6reses. Se melhorias num novo bem
de consumo aparentemente nao aumentarem a satisfas;ao clos
consumidores, voce pode quescionar se esta meclinclo satisfas;ao
aclequaclamente.
Mesmo quando conceitos sao operacionalizaclos de forma
aceitavcl, resultados expe rimentais rarameme sao conclusivos
em semido absoluto, mesmo com relas;ao a hip6teses especfficas.
Tipicamente, se confirma ou se rejcira uma hip6tese a te certo
ponto, quase nunca complctamente. ja comentamos que reorias
sao normalmente aceitas com base no peso cia cviclencia de
cliversos experimentos. Se um grande numero de observas;oes
empfricas e mais bem expli caclo pela Teoria A do que por
qualquer outra teoria clisponfvel, enrao a Teoria A provavel-
menre sera aceita.·1
Finalmente, c totalmenre incorreta a impressao de que
testes empfricos sao uma ativiclade rotineira. A imagem tra-
clicional cia ciencia sugere que criativiclacle e ate mesmo brilho
sao necessaries a derivas;ao de teorias e ao clesenho de experi-
I;lentos, mas que a execus;ao propriamente dita clos expcrimentos
c mon6tona c sem imaginas;ao. Na p rarica, a execus;ao de um
experimento, a coleta de daclos empfricos, exige inC1meras
d~cisoes crfticas. Surgem situa<;oes inesperaclas. Observas;oes
b1zarras sao registradas, sugerinclo erros de medida. Daclos
poclem ser perdidos ou falsificados. (Como se vera neste livro,
esses proble mas sao particularmeme comuns em surveys.) Alem
disto, a operacionalizas;ao de conceitos nunca e totalmente nao-
ambfgua e deve ser especificada mais ainda durante o experi-
darao o resultado do experimento e, por extensao, a avalia\aO
da hip6tese e a teoria cia qual ela pocle ter sido derivada.
Isto e importance. Sc 'oce trabalhou como assistente
de pesquisa num p rojeto, ou conhece outros que o fizeram,
provavelmente conhece a disparidacle entre o desenho te6rico
do projeto e o trabalho quotidiano nele. Especialmente se
foi um projeto mal supervisionado, voce pode ter uma visao um
tanto negativa cia sua clescri\ao, aparentemente tao cienti'fica
numa publicas;ao academica. Neste caso, voce pocle ficar tentaclo
a concluir que tocla ciencia e "nao-cientffica".
Enfatizo estc ponto por dois morivos. Primeiro, saliento
(e farei isso no livro roclo) que a qualidade de um projeto de
pesquisa depende em grande parte clas decisoes e atividadcs
a parentemente mundanas que se ciao na coleta e no proces-
samento de dados. 0 di retor de projero que nao se envolve
intimamente com tais ativiclades corre o serio risco de di rigir
um projero sem senticlo. Mas, ao mesmo tempo, as implicas;oes
desras decisoes- mesmo o desleixo- nem sempre aparecem
p rontamente. 0 que ao leigo pocle parecer um p rocedimenro
desleixado pode de faro ser insignificante para o valor final
dos clados. Toma r boas decisoes c avaliar as implicas;oes
das mas depende d e uma compreensao sal ida cia 16gica cia
ciencia enqua nto ativiclade distinta. E este ultimo aspecto
que abo rdaremos agora.
0 que f Ciencia?
Basicamentc, coda ciencia pretende entender o mundo ao
reclor. Tres componentes principais constituem esta ativiclade:
descris;ao, a descoberta de regularidades e a formulas;ao de
teorias e leis. Primeiro, cientisras obseruam e descreuem objetos
e eventos que aparecem no mundo. Isto pocle envolver a
medi<;ao cia velocidacle de um objeto que cai, o comprimenro
de onda de emissoes de uma estrela distante ou a massa de
uma partfcula subatomica. Tais descri<;oes sao guiadas pelos
objetivos da exaridao e cia utilidade.
Segundo, cientistas procuram descobrir regularidades e
ore/em no caos por vezes alucinante e estonteante cia experiencia.
Em pane, isto pode envolver a coincidencia ou correlafclo de
ce rtas caracte rfsticas o u eventos. Assim, por exemplo, voce
pode notar que pressao atmosferica se correlaciona com
altitude ou que a aplica~ao de foro;;a a um objeto resulta na
modificao;;ao de sua velociclacle.
Terceiro, cientistas tentam formalizar e generalizar as
regulatidades clescobertas em teorias e leis. Sao exemplos clisto
a lei eta grnvidade de Newton e as teorias gerais e especiais cia
relativiclade de Einstein. Teorias e leis sao, em geral, enunciaclos
16gicos de relao;;oes entre caracter!sticas e eventos que oferccem
explicao;;oes para uma ampla faix.a de ocorrencias empfricas.
Vale a pena observar que nt1o-cientistas buscam estas
mesmas tres meras. Toclos n6s observamos e dcscrevemos o
munclo ao reclor. Procuramos achar regularidacles: o fun-
cionario de escrit6rio pocle descobrir que chegar atrasado
ao trabalho resulta em rep reensao. Tentamos formular leis c
teorias que ofereo;;am orientao;;ao geral na vida diaria, tais
como perspectivas religios:1s que sustentam que aderir a
ensinamentos religiosos rcsultara em recompcnsas ncste e/
ou no outro mundo.
Para enfatizar este ponto, vejamos as semelhanps nas
respectivas atividades de um cientista clescuidado e de um
racista. Ambos fazem observao;;oes sobre o mundo e podem
relata-las a outros. Por cxemplo, o cicntista observa que mem-
bros de uma determinada tribo primitiva gozam de saude
dental relativamente boa; o racista observa que um lojista
chines trapaceou numa transao;;ao comcrcial. 0 cientisra
conclui preliminarmente que a dieta cia tribo pode ser responsa-
vel pela sa(tde dental dos seus membros, enquanto o racista
conclui que a rao;;a do lojista e responsavel pelas praticas
comerciais antieticas.
Tanto o cientista como o racista procuram novas obser-
vao;;oes para reforpr suas conclusoes preliminares. 0 cientista
checa a saudc dental de outras tribos primitivas com clietas
semelhantes, enquanto o racista fica de olho em lojisras
chineses. E importante norar que tanto o cientista como o
racisra sao seletiuos em suas observao;;oes subseqi.ientcs. Con-
centrando-se na dieta, o cientista pocle ignorar o ambiente
climatico da tribo, a estrutura economica e assim por diante.
Por sua vez, o racista nao cbra aren<;ao a eduGt\ao dos lojisws,
sua· classe social etc.
Alem do mais, tanto o cientista descuidado como o racista
podem tender a ignorar obsetvao;;oes que conrradizem as con-
clusoes a que chegaram. 0 cientisra pode ignorar relat6rios de
boa saucle dental em tribos com clietas radicalmenre c!ifercntes
e relat6rios sobre tribos que seguem a dicta em quesrao,
mas cujos dentes apodrecem e caem. 0 racista pode ignorar toclos
OS lojistaS chineses honestOS e toclos OS nao-chineses dcsonestOS.
o cientista descuidado pode justificar o faro de ignorar
tais relat6rios atribuindo-os a trabalho de campo malfeito.
(Fndentemente, o cientista cuidadoso lidaria com rais casos.)
o racista pode referir-se vagamente as "exceo;;oes que provam
<1 regra".'
Ao se depararem com um excesso de observat;oes que
desconfirmam suas hip6teses, tanto o cientista descuidado
como o racista procurarao informao;;oes adicionais que possam
alinhar as obsetvao;;oes perturbadoras as suas conclusoes. No
caso eta tribo com dentes bons mas dieta diferente, o cientista
pode intensificar o trabalho de campo na tentativa de descobri r
que a dieta desra tribo e mais semelhante aquela em questao
do que parecia inicialmente. Confrontado a um lojista nao-
chines desonesto, o racista poderia comeo;;ar a buscar um avo
chmes do bisavo desre lojista ou paixao por comida chinesa.
Apcsar de anomalias emplricas, nosso cientista pocle
acabar com uma teoria relacionando uma certa dicta a saudc
dental, e o racista, uma teoria de que chineses sao desones-
tos. As duas teorias serao aparentemente corroboraclas por
observao;;oes empfricas e explicao;;oes l6gicas.
A compara<;ao acima visa salientar dois pontos. Primeiro,
nao ha difereno;;a magica entre atividades cientlficas e nao
cientlficas. Vimos duas linhas de investigao;;ao bem semelhantes.
Segundo, as ativiclades de "cientistas" va riam em qualidade
'·cientifica". Faz mais sentido falar de atividades mais ou
menos cientlficas do que dicotomizar entre atividades cient!ficas
e nao cientfficas. Assim, uma linha de investigao;;ao conduzida
porum flsico profissional pode ser relativamente nao cient!fica,
enquanto um bombeiro hidraulico pode fazer pesquisas do
mais alto calibre cientrfico.
No restante dcsta set;ao, daremos ateno;;ao as caracte-
rlsricas que tornam uma determinada atividade mais ou menos
cienrlfica. Procurarcmos compreender as caracterfsticas ideais
eta ciencia, entenclendo que nenhuma atividacle esta de pleno
acordo com estes ideais, seja conduzida por um cientista
profissional ou por um leigo.
Ciencia f L6 gi ca
Ciencia e funclamentalmente uma atividade racional , e
cxplicao;;oes cientrficas devem fazer senticlo. Religioes podem
se fundar em revelao;;oes, costumes, tradio;;oes, apostar na fe.
A ciencia, porem, deve se fundamentar na razao 16gica.
 L6gica c um ramo cliffcil e complcxo da filosofia, c um
delineamento completo clos sistemas cia 16gica excedc em muito
o escopo deste livro. Talvez alguns exemplos ilustrem o que
significa a ciencia ser 16gica. Por exemplo, um clerenninado eYento
nao pocle logicamente causar um outro que ocorreu antes dele.
Suas atitudes sociais com rela~ao a, digamos, rela~oes raciais
nao podem cletermi na r a regiao do pals oncle voce nasceu, mas
o inverso pocle ser verclacle.
Assim, a ciencia adow. uma aborclagcm diferente das visoes
teleol6gicas de algumas religioes. Por excmplo, alguns crisraos
acrcclitam que Jesus estava destinado a ser crucificado e que,
portanto, cste dcstino fez com que ele fossc trafdo c julgaclo. Tal
ponro de vista nao pocle ser aceito clentro da logica cia cil:ncia .
Na logica cia ciencia e impossfvel um objcro rer duas
qualiclaclcs mutuamente e.xcludentes. Ao jogar uma moedinha ,
nao pode dar simultaneamente cara e coroa. Em contraste,
podemos notar que muitas pessoas preconcciLUosas dizem que
os armenios sao "clanicos" (recusam misturar-sc com o urras
naciona li dades) e ··caras-de -pau" (im poem sua presenp aos
nao-armenios). Face a essas assenivas confl itan tes, a 16gica
da c iencia sugere que ou uma ou ou rra , ou ambas, desras
Caracteri za~oes dos a rmenios nao e vcrdaclcira OU que as
du as ca racterfsticas cstao definidas de tal fo rm a que nao
sao mutua men te excludentes.
Um evento tambem nao pode tc r resultados muruamente
exclude ntes . Assim, educa~ao s upe ri o r nf1o pode fazer uma
pessoa mais rica c mais pobre ao mesmo te mpo. Educa~ao
un ive rs itaria pode fazer uma pessoa mais rica e ou tra pessoa
mais pobre, assim como alguns armenios podem ser descritos
como c lanicos c OLltros como caras-de-pa u, mas resultados
ou d esc ri ~ocs contradir6rias nao rem sustenta\ao 16gica e
sao intoleraveis pa ra a ciencia.
Nada disto diz que, na prarica, a cil:ncia csra rotalmente
isenta de enunciaclos il6gicos. Voce deve saber que os ffs icos
atualmente consideram a luz como parrfculas c como onclas,
apesa r de esras descri~oes cia natureza cia luz se rcm comra-
dir6rias. Esta contracli~ao particular existe na ciencia porque a
luz se comporra como parrfculas sob cerras condi~oes c como
ondas sob outras. Consequ entcmentc, ffsicos continuam a usar
as duas conceitua~oes contraclit6rias segu ndo parecem apro-
priadas em co ncli~oes claclas. Todavia, isto representa uma
tcnsiio para a 16gica da ciencia.
Indo um pouco alem da no\ao de "scnso comum" da
16gica, dois sistemas 16gicos clistintos, mencionados antes, sao
importanLes para a busca c ientiJica: /6gicu cleclutiua e !6gica
indutiua. Beveridge as descrevc assim :
Os 16gicos distinguem raCJodnio indulivo (de instancias
particu lares para p rindpios gerais, de fatos para teorias) c
raciocinio dedulivo (do geral para o particular, aplicando
teoria a um caso particular). Na indur;ao, inicia-sc com
dados observados e se descnvolve uma generaliza\'aO que
explica a rela~ao entre os objetos observados. Par outro
lado, no raciodnio dcdutivo sc comc\;a com alguma lei
geral , que e aplicacla a uma instftncia particular.<•
0 cxemplo classico cia logica decluriva e o silogismo
familiar: "Toclos OS homens sao mona is; Socrates e homem·
pon anto, Socrates e mortal. " Um pesquisador poclcria cia:·
sequencia a este exercfcio declurivo restanclo empiricamente a
mortalidacle de Socrates. Esta e essencialmentc a aborclagem
discutida antes como a "perspecri va tradicional cia ciencia".
Usando a 16gica inclutiva, voce pode comepr notanda
que Socrates e mortal e observar tambcm diversos outros
homens. Voce nota que todos os homens observaclos eram
mortais e, a partir claf, arrisca a conclusao de que todos os
homens sao mortais.
A 16gica dedutiva e um s istema muiro antigo, remon-
rando no mfnimo a Arist6telcs, que predominou na filosofia
ocidcntal ate os secu los XVI ou XVII. 0 nascimento cia ciencia
moclerna foi marcado pelo s urgime nto cia logica inclutiva em
varios contextos cientfficos. Cacla vez mais conclusoes gerais
dcrivadas de obse rva~oes cuidaclosas contracliziam os postu-
laclos gerais que ancoravam muitos s istemas ded uti vos.
Na astronomia, por exemplo, as obscrva~oes de Ptolomeu
lcvaram-no a va ria ~oes do seu moclelo, clesenvolvendo um
modelo cpidclico no qual as estrelas e planetas rotavam em
d rculos ao redor de pontos no espa~o que, por sua vez, rotavam
em drculos ao reclor da Terra estacionaria. A medida que se
obsetvaram varia~oes aclicionais, o sistema se tornou cada vez
mais complicado, com nlveis novas de epiciclos senclo acres-
ccmados para manter as crenps chaves no movime nro circular
c na Terra estaciona ria.
Copcrnico atacou o sistema de Prolomeu sugerinclo que
o Sol, e nao a Terra, era o centro do uni vcrso . Ele clerivo u
essa perspectiva raclica lmente nova da obse rva~ao do movi-
mento ce lestial, e nao de um comprom isso inicial de que a
Terra era o centro do unive rse. Mas Copernico nao clesafiou
o su posto do movimento ci rcu lar. "Um asrro nomo posterior,
Kepler, d isse que Copernico nao conseguiu vislumbra r as
riquezas ao seu alcance, contentando-se em imcrpretar Pro-
lomeu em vez de interpretar a natureza." 7 Keple r, par outro
!ado, estava determinaclo a interpretar a natureza sob a forma
de volumosos daclos empfricos que herdara do astronomo
dinamarques Tycho Brahe. Continua Burterfielcl:
Sabemos com que colossal gasto de energia ele tesrou
hip6tese ap6s hip6tese, descartando-as ate alcanr;ar o ponto
em que ja tinha um vago conhecimento da forma exigicla -
al decidindo que, para fins cl<: c:llculo, uma elips<: poderia
!he dar resultados aproximados e descobrindo que de faro
uma elipse dava ceno. 8
Este exemplo ilustra o surgimento da 16gica indutiva na
cicncia . Dramas semelhantes ocorreram em outros campos de
investiga~ao durante OS ferteis seculos XVI e XVII. Mais ou
menos um seculo mais tarde, a pesquisa indutiva e cientffica
de Cha rles Darwin entrou em conflito com outra tradi~ao.
Nao se cleve concluir destes exemplos hist6ricos que a
J6gica dedutiva e inerentemente incorrera OU CSt{t ultrapassada.
Um exercfcio de l6gica dedutiva e tao bam quanta sua consis-
tencia interna e a verclade de seus supostos iniciais. Par omro
!ado, a 16gica indutiva e tao boa quanro sua consistencia
interna e a exatidao de suas observa~oes.
Na pn1tica, a pesquisa cientffica envolvc tanto o raciocfnio
indutivo quanta o dedutivo, na medicla em que as cientistas vao
e vem incessantemente entre teoria e observa~oes cmpfricas.
hCiencia f Deterministica
A ciencia se baseia no suposto de que todos os eventos
tem causas antecedentes sujeiras a idcntifica~ao e ao entendi-
mento 16gico. Para o cientista nada "simplesmenre acontece" -
acontece par uma razao. Se a lguem gripa, se chove hoje, se
uma bola parece rolar morro acima, o cientista supoe que cada
um destes evenros e susceptive! de explica\'ao racional.
Como veremos no capitulo seguinte, esta caracterlstica
cia ciencia traz uma dificuldade especial para as ciencias
sociais, que competem com no~oes de sensa comum sabre
comportamento social. Voce pode afirmar que fez alguma
coisa, par exemplo, votou num candida to, simplesmente porque
decidiu agir assim, mas o cienrista social provavelmente argu-
menraria que seu voro foi cleterminado par varios evenros e
cond i~oes previas. A decisao de vota r pode ser atribulda a
sua classe social, a regiao do pals ondc voce mora etc., mesmo
que voce porventura negue a influencia destes fatores.
Mas deve-se tamar diversos cuidados neste aspecto.
Primciro, ciemistas nao conhecem, nem pretendem conhecer, as
cau~as especfficas de todos os eventos. Simplesmente supoem
qut: tais causas existem e podem ser descobenas. Segundo,
a ciencia aceita causa~ao multipla. Qua lquer evento pode ter
d.rias causas; sua decisao de votar pode ter sido causada
par diversos fatores. Um evento, tambem, pode ter uma causa,
enquanto outro evenro semelhante pode ter uma causa diferente.
Duas pessoas podem votar no mesmo canclidato par razoes
difcrentes, mas se supoe que em cada caso existe uma razao.
Finalmenre, grande parte cia ciencia se fundamenta numa
forma probabilistica de cleterminismo. Assim, o Evcnto A pocle
resultar no Evento B 90% clas vezes ou 70% de toclos os
Republicanos podem votar num determinado polftico, enquanro
somente 23% dos Democratas o fazem. Neste sentido, cliz-se
que filia~ao polftico-partidaria determina comporramento elei-
roral, ainda que de fonna incompleta. Outros fatores poderiam
ser introcluzidos para explicar as discrepancias.
hCiencia f Geral
A ciencia busca entendimento gera l mais do que expli-
ca~ao de eventos indivicluais. Tipicamente, o cientista se
interessa menos par que determinada bola cai para baixo,
quando salta do a lto, e mais par que Iadas as bolas tenclem
a se com portar assim. Do mesmo modo, o cienrista se interessa
menos em explica r par que voce votou cia forma que o fez e
mais em entencler par que os eleitores em geral vota ram cia
fo rma como o fizeram.
Esta caracterfstica cia ciencia se relaciona com seu cleter-
minismo probabillstico. E conceblvel que possamos explicar
completamente as razoes de um evento - par exemplo, par
que certa pessoa vorou no canclidato X. E conceblvel que
consigamos descobrir cacla fator individual que influenciou
a decisao do voto. Caso o fa~amos, podemos supostamente
prcver com perfeira exatidao o comportamento eleitoral de
pessoas identicas. Mas, a Iongo prazo, csta capacidade nfto
gcraria muiw informa~ao uti! sabre o comportamento eleitoral
em gcral. Primeiro, e duvidoso que encontrassemos oL1tra
pessoa com exatamente as mesmas caracterlsticas cia primeira.
Ma is importance ainda, nossas descoberras pocleriam ser de
pouqufss ima ajuda na compreensao do paclrao de voro de
pcssoas com outras caracterfsticas. Ficamos, enrao, sarisfeitos

com menos de lOOo/o de entendimcnto, ~c pude rmos entender
o comportamento eleitoral em geral.
Este e o senticlo em que o cicntista e o historiaclor
diferem em suas abordagens do mesmo tema. 0 historiaclor
procura emender tuclo sobre um determinado evcnto especlfico,
enquanro o ciemista se interessa mais no enrendimenro geral de
uma cbsse de eventos semelhantes, mas nao iclenticos. Assim
tambem o psic6logo e o terapeuta diferem na abordagem do
compottamento humano. 0 psic6logo examina o compottamento
csquizofrenico de varios inclivkluos, procurando chegar a uma
compreensao geral cia esquizofrenia, enquamo o rerapeuta
aproveita o conhecimento geral ja existente para procurar
ajudar um indivfduo especffico.
Porranto, a capacidacle de generaliza\ao e uma carac-
terfstica importante das descobenas cicmfficas. Descobrir que
bolas vermelhas caem na Terra a uma ccrta acclerac;;ao e
menos uti! do que descobrir que bolas de toclas as cores
fazem isso. Tambem e menos uti! saber que bolas caem com
uma cleterminada acelerac;;ao ao nfvel do mar do que saber que
a acelerac;;ao de todas as bolas em queda pode ser determinada
por sua altitude.
~ Ciencia f Parcimoniosa
Portanto, os cientistas procuram descobrir fatores deter-
minantes de tipos de evcntos. Ao mcsmo tempo, procuram
descobrir os fatores nao cleterminantes de cventos. Assim, ao
cleterminarmos a acelerac;;ao de um objeto em quecla, descar-
tamos sua cor como irrelevante.
Em te rmos mais gerais, os cientistas tentam clescobrir as
razoes dos eventos usando o mfnimo possfvcl de fatores expli-
carivos. Na prarica, e claro, o numcro de fawres explicativos
considerados aumenta caracteristicamcntc o grau de cletermi-
na~iio conseguicla. Um cientista polftico pocle conseguir um ce1t0
grau de explicac;;ao do comportamento eleitoral usanclo apenas
clois fatores, por exemplo, filiac;;ao partidaria e classe soci:-~1.
Outro cientista politico pocleria alcan<;ar um cntcndimcnto mais
completo levando em considera'!;fio outros fatores, como rap,
regiao oncle a pessoa foi criacla, sexo, ecluca'!;iiO etc. FreqCtente-
mente, cientistas sao forc;;aclos a escolher entre simplicidadc
de um !ado e grau de explicac;;ao de ourro. Em Ciltima analise,
tentam otimizar o equilfbrio entre expliGl\aO e simplicidade,
a fim de conseguir o maximo de explica\ao com um nC1mero
mfnimo de fatores. Esta parcimolliCJ e uma qualidade bem
ilustrada pela elegfmcia da famosa equa~·ao de Einstein: e =me!.
A \OII:UCIO 't 't>pe\.111\.U
Ja observamos que a cicncia e geral, no scntido de
procurar chegar a clescobertas e !~is de ap~ica~ilicl~d~ _gera;.
Entretanto, a maioria dos concenos gerats sao ~ujettos .t
d , L·rsid.tde de interpreta~oes. Por exemplo, ao procurar
e. plicar as fontes do preconceito em g~ral, voce pcrcebe que
0 P
rcconceito assume muitas formas chfercntes. Portanto, .ao
desenhar, realizar e relatar sua pesquisa, voce precisa ser preoso
em seus merodos de medir o conceito.
Ao realizar um projeto de pesquisa sobre preconceito,
voce rem de operacionalizar especificamente o conceito de
preconceito, por exemplo, concot:da~cia com varia~ afirma~6es
num questionario que parecem tndtcar prcconcetto. No rela-
t6rio cla pesquisa, voce deve ter cuidado ao descr~ver s~as
operacionaliza~oes detalhadamente, para que o lcttor satba
exatamenre como o conceito foi mcdido. Mesmo que alguns
leitores possam discordar de sua operacionaliza~ao, pelo
menos saberao qual ela e.
FreqCtentememe, a generalizabilidade de uma descobetta
c alcanc;;ada pelo uso de diversas operacionalizac;;oes diferentes
dos conceitos envolvidos. Se determinaclo conjunto de fatores
causa preconceito, independentemente de como o preconceito
e medido, voce pocle concluir que estes farores resultam em
preconceito em geral.
~ Ciencia £fmpiricamenteVeri ficavel
No apice de sua elegancia, a cicncia resulta na formu lac;;ao
de leis ou equac;;oes gerais, descrcvenclo o mundo ao redor. Mas
rais formular;oes s6 sao Ctteis se puclercm ser vcrificadas pela
coleta e manipulac;;ao de dados empfricos. Uma teoria gera l do
preconceito seria in(ttil se nao sugerisse modos an·aves dos quais
daclos pudessem ser coletados e nao previsse os resultados que
seriam obtidos na analise dos claclos.
Ha, porem, oll(ra forma de ver esta caracterfstica. De
cerro modo, nenhuma teoria cienrffica pode ser provada.
Considcremos o excmplo da gravidadc. Os ffsicos dizem que
um corpo cai para baixo por causa eta atra\ao geral emre os
corpos ffsicos e que esta rela~ao e afctada pela massa dos
corpos envolvidos. Ja que a massa terrcstre e vasta, uma bola
tanc;;ada de uma janela se movimenta em clirec;;fto a Terra.
Tal cxplicar,;ao da gravidacle e empiricamente verifidvel.
Um pcsquisaclor poclc jogar uma bola pela janela e obscrva-la
cainclo. Mas isto nao proua a vcrdade cia teoria cia graviclade.
0 que 0 pesquisador faz e especificar que se a bola llclO cair,
a teoria cia gravidade e incorreta. Ja que se observa a bola se
comportanclo como esperaclo, a teo ria cia gra vi clade ncio foi
desconfirmada.
Assim senclo, quando afirmamos que uma explica~ao
cienrffica deve sujeirar-se ao teste empfrico, queremos dizer,
mais exatamente, que o pesquisador deve ser capaz de
especificar as condi<;oes nas quais a teoria seria clesprovada.
Neste senticlo e que cientistas falam cia desconfirmabi/idade
clas teorias. Se voce falha consistentemenre em desprova r sua
teoria, fica crescentemente confiante na corre<;ao deJa. Mas e
importance entencler que voce nunca vai conseguir prouii-/a.
Continuando com o exemplo anterior, outro te6rico
pocleria notar que a bola experimenral era da me.sma cor do
chao no qual cafa, sugerinclo que corpos cia mesma cor sao
mutuamente arrafdos por qualquer razao que c le pucles.se
pensar. 0 experimemo inicial daria confirma<;ao as cl uas reorias
em competi<;ao. A "teoria da atrac;ao pela cor" sugere, porem,
que se uma bola de cor diferente clo chao for arirada pela
janela, nao deveria cair. Um experimento apropriaclo resu lta ria
(esperamos) na clesconfirma<;ao empfrica cia teoria.
hCiencia e lntersubjetiva
Com frequencia se afirma que a ciencia e '·objcriva", mas
tal afi rmac;ao tipicamente resulta em muira confusao quanto ao
que seja "objetividacle". Alem do mais, nota-se crescentemente
nos ultimos anos que nenhum cientista e completamente obje-
tivo em seu trabal ho. Toclos os cientistas sao '·subjetivos" ate
cerro ponto- influenciados por suas motiva<;oes pessoais. Ao
afirmar que a ciencia e intersuhjetiua, queremos dizer que clois
cientistas com orienta<;oes subjetivas d iferentes chegari am a
mesma conclusao se cacla um cleles conduzisse o mesmo
experimento. Um exemplo de ciencia polftica deve esclarecer
este conceiro.
A tenclencia clos intelectuais nos EUA se alinharcm mais
com o Partido Democrata do que com o Republicano leva
muitas pessoas a supor que os Democratas, como grupo, sao
mais escolarizados do que os Rcpublicanos. E razoavel supor
que esta afirma<;ao sarisfaria um cienrista Democrata e abor-
receria um Republicano. Mesmo assim, seria possfvel que os
clois cientistas concordassem sobre o clesenho de um projeto
de pesquisa para coletar clados no eleitoraclo americana,
referente a filia~ao partidaria e nlvel educacion::tl. Os clois
rl r ·
desse assunto, e ambos descobririam que os Rcpublicanos,
como um todo, rem um nfvel educacional mais alto do que
os Democratas. (Deviclo ao faro de que o Partido Democrata
tambem arrai uma propon;ao maior dos eleitores da classe tra-
balhadora, enquanro os homens de neg6cios sao mais arrafdos
pelo Partido Republicano.) Os clois cientistas politicos -
com orientac;oes subjetivas opostas - chegariam a mesma
conclusao empfrica.
Cientistas muims vezes cliscordam entre si. Podem oferccer
explica<;oes claramente diferentes de um evento. Mas, em
geral, tais desacorclos envolvem questoes de conceitua<;ao e
clefini<;ao . Assim, um cientisra social pocle relatar que religiosi-
clacle se relaciona posiLivamente com preconceito, enquanto
outro cliscorda. 0 que d iscorcla provavelmente sugerira que
uma ou ambas as varaveis fo ram incorretamente meclidas.
Voce pocleria rea lizar seu proprio estuclo, meclinclo cliferen-
temenre as cluas va riaveis, e relatar uma rela<;ao negativa
e n tre elas. Mas, se os primeiros pesquisadores houvcssem
relataclo p recisa e detalhadamente o desenho e a execu<;ao
dos seus escudos e voce conseguisse repl ica-los exatamente,
chega ria ao mesmo achado. E isto que significa a intersub-
jeti vidacle cia ciencia.
b. Ci encia f hberta a Mod i fi ca~6es
A sec;ao anterior cleve ter cleixaclo clara que a "ciencia"
nao oferece uma sequencia de etapas faceis para atingir "A
Verdade". Dois cientistas, ambos aderindo as caracterfsticas
previamente discutidas de ciencia, poclem chegar a explica<;oes
bem cliferentes de um fenomeno. Alem disso, pode nao haver,
num dado momento, como avaliar os meritos relativos delas.
Se duas explica<;oes se contradizem, as duas nao poclem,
presumive lmente, estar con·eras. Ou se demonsrra que uma
clas cluas ou ambas estao incorretas ou se clescobre que as
duas explicac;oes, nao sao, afinal de conLas, mutuamente exclu-
dentes, clevido a uma muclan<;a de paradigma, por exemplo.
In(Jmeras teorias "cientfficas" do passaclo foram mais tarde
desprovadas e substitufdas por novas teorias. Tuclo que "sabe-
mos" hoje era antes previamenre '·conhecido" diferentemenLe
e, as vezes, consicleramos ingenuas, tolas ou esrupidas estas
antigas visoes. Vale a pena lembrar, porem, que tuclo que "conhe-
cemos" hoje provavelmente sera mudado no futuro e o povo do
futuro - nossos arrogantes descendentes - nos consicle-
rarao ingenuos, tolos ou estupiclos. (Se isto o perturba, talvcz o
console lembrar-se de ue eles tambem sofrerao a mesma sorte.)

A ciencia nao busca a verclade clefinitiva, mas a tttilidade.
Teorias cientJ:ficas nao devem ser julgaclas por sua verdad~
relativa, mas pela medida de sua utiliclade em mdhorar nosso
conhecimento do mundo ao rector.
Em ultima analise, as caracterfsticas cla ciencia discuridas
neste capitulo oferecem um conjunto de clirctrizes que aumen-
tam a utilidade de dcscobertas e teorias. Investiga<;6es que
procuram se pautar por tais caracterlsticas produzirao, a Iongo
prazo, mais descobcnas uteis do que investiga<;6cs de outros
tipos. Assim, uma pessoa pode ser capaz de prever o tempo
com mais exatidao baseada no seu joelho reumatico do que
todos os meteorologistas ciencificos do mundo, mas, a Iongo
prazo, os cicntistas contribuirao mais para o nosso conheci-
mento geral c!a natureza do clima.
Resumo
Este capitulo come<;ou revendo a imagem tradicional
da ciencia, primariamenrc como um conjunro de etapas que
inevitavelmente conduzem a "Verdade". Esta visao foi contrastac!J
com outra, mais recenre, critica da ciencia, que sugere que
cienristas nao sao tao diferenres dos leigos. Na parte principal
do capitulo, tentamos mostrar que, embora a investiga<;ao
cientlfica nao seja infalfvel, e la difere em aspectos importantes
de outras atividades humanas. Cienti stas estao certamente
sujeitos a todas as fraquezas humanas clas demais pessoas,
mas a cicncia prove um conjunto de diretrizes que pode
aumenrar a utilidacle das suas investiga<;6es.
Este capitulo abordou a ciencia em geral c o proximo
focalizara especificameme a ciencia social. Veremos que a
ciencia soc ial esta presa as mesmas regras que os outros
tipos de investiga<;ao cientifica . Ao mesmo tempo, porem, a
tematica especial etas ciencias sociais apresenta problemas
cspeciais - e oportunic!ades especiais.
Netas
1
Palavras t.: !'rases em "it:llico" s::io definidas t.: dbcuticlas no Glossario
no fim do livro. Se vocf: n::io entenckr bem um termo, vale a pena
verificar imediatamente no Gloss;\rio.
1
Em minha experiencia, isto c mais tfpico da psicologia do que da
sociologia, como st.: vf:, por exemplo, em propostas de tt.:ses de dout01:1do.
Um estudante de p6s-graclua<;f1o em psicologia cuja proposta de l'hD
foi act.:ita j:'i se encontra quast.: no final da tese, enquanto o de sociologia
est:'i apenas come<;anclo.
~ Ver, por excmplo, WATSON, j~1mes D. The Double_J felix: New York: :he
New American Library Inc., 1968, eo act.:rvo de b1ograf1as de pesqu1sas
sociais em HAMMOND, Phillip (Ed.). Sociologists at Work. New York:
Basic Books, 1964, e GOLDEN, M. Patricia (Ed.). The Research E.;o..:pericm-
ce. Itasca, IL: F. E. Peacock, 1976.
• Nao suponha que isto ocorre automaticamente. Muito tem siclo escrito
sobrt.: a tenacidacle com que os cientistas as vezes se apeg::un a "para-
digmas" estabelecidos ( modelos ou ponros de vista), mesmo em face de
t.:\'idfmcia em contr:'irio e paradigmas adversarios. 0 li\ ro dassico neste
t6pico e de KUIIN, Thomas 5. The Stmcture of Scienti}i'c Reuolutions.
Chicago: Un1versity of Chicago Press, 1970.
' Originalmente, prouar, nesta expressf1o, significl\'a "Lestar", como quando
st.: diz que grandes obstaculos "testaram severamente" o compromisso
de alguem. Vale dizer, exce\;ocs eram v istas como amea<;:as ou desafios
a regra.
" 13EVERIDGE, W. l. 13. 77Je Art of Scienti}/c Inuestigatioll. 1\:ew York:
Vintage 13ooks, 1950. p.l13.
' !3UTIEIU'IELD, Herbert. The Origins of.\Jodem Science. New York: The
MacMillan Company, 1960. p.24.
8 Ibidem. p.64.
Leituras hdicionais
BEVERIDGE , W. I. B. The A11 of Scientific Investigation. New
York: Vintage Books, 1950. I
BUTIERFIELD, Herbert. The Origim of Modem Sciellce. New
York: The MacMillan Company, 1960.
GOLDEN, M. Patricia (Eel.). The Research E\perience. Itasca , IL:
I
~
F E. Peacock, 1976.
IRVINE , William. Apes, Angels and Victorians. New York:
Meridian Books, 1959.
I
KAPLAN, Abraham. The Conduct of f11qui1:V San Francisco:
Chandler Publishing Co., 1964.
KUHN, Thomas S. 77Je Structure ofScientiflc Reuolwions. Chicago:
University of Chicago Press, 1970.
TOBEN, Bob. Spctce-Time and Beyond. New York: E. P. Dutton,
1975.
WATSON, James D. The Double 1/elix. New York: The New
American Libraty, Inc., 1968.

Capitulo 2
\XIHITEHEAD, Alfred North. Science and the J1odem World. New
York: The MacMillan Company, 1925.

Ciencia e as Ciencias Soc iais

Um dos mais vivos debates academicos dos ultimos anos

diz respeito ao status "cientffico" das disciplinas englobadas
sob a JUbtica de ciencias sociais - tipicamente incluindo sociologia,
ciencia politica, psicologia social, economia, antropologia, pesquisa
de mercado e, as vezes, areas como geografia, hist6ria, comuni-
ca~oes e outros campos compostos ou especializados. A questao
basica e se o comportamento humano pode ser submetido ao
estudo "cientffico". ]a que o capitulo antetior chamou a aten~o para
a confusao sobre o tetmo ciencia em geral, nao e de surpreender que
os academicos discordem rambem sobre as ciencias sociais.
Oposi~o a ideia de ciencias sociais rem surgido tanto dentro
como fora clos campos das d~ncias sociais. Dentro clos campos, o
movimento para as ciencias sociais rem significado um redireciona-
mento e, em alguns casos, uma renomea¢i.o cia tradi~ao academica
estabelecida. Cada vez mais, dcpartamemos de Governo rem sido
substitufdos por clepanamentos de Ciencia Polftica, depattamentos
de Fala se tornam de Comunica~ao. Em muitos casos, o movi-
menro para as ciencias sociais significa uma passagem da enfase
na desoi~o para a explica~o sistenk!tica. Na ciencia polftica, isto
significa maior enfase em explicar compottamento polftico do que
em descrever institui~oes polfticas. Em antropologia, rem repre-
sentado diminui~o na enfase em emografla. 0 crescimento de sub-
campos como a econometria tem tido efeito semelhante na cconomia,
como ocorre com a historiografia na hist6tia. Alguns ge6grafos vem
mudando cia enumera~ao de importa~oes e exporta~oes para
modelos matematicos de migra~ao. Compreensivelmenre,
profissionais treinados e com experiencia nos metodos mais
tradicionais destes campos objetam as novas orienta~oes.
 Fora dos departamentos de ciencia social, oposi~lo scmell1.'1ote
vem das ciencias fisicas- de fisicos, bi6logos, qufmicos etc. Guiaclos
pela i.magem tradicional cia ciencia discutida acima, alguns cientistas
ffsicos objetam que o ··metoclo cientifko" nao pode ser aplicado ao
comportamenro social humano.
Freqlienremente, os defensores (las ciencias sociais abas-
teceram o debate emulando cegamente os prorocolos e rituais
etas ciencias esrabelecidas. Essa emula~ao roma muiras formas:
fasdnio por equipamentos de laborat6rio, uso muitas vezes
inapropriaclo cia estatistica e cia matematica, o desenvolvimento
de uma tcrminologia obscura e a ado~ao em bloco de teorias e
terminologias das ciencias fisicas.
Na maioria, estes e rros parecem advir cia aceita~ao cia
imagem tradicional cia ciencia e cia falta de compreensao cia 16gica
cia ciencia na pratica. Aspirantes a cientistas sociais muiras vezes
buscam obter entendimento com metodos que nao funcionam
mesmo para os cientistas fisicos. 0 resulrado, freqi."lentemenre, e
serem ridicularizaclos pelos cientistas flsicos, por colegas de pro-
fissao e por leigos.
E um firme suposto deste livro que o comportamento
social humano pocle ser submetido a um esrudo ··cienrffico" tao
legitimamente quanto <ltomos e celulas. Este e, porem, um suposto
que deve ser enrendido no conrexto cia discussao anterior cia
ciencia na pratica. Desta 6tica, nenhuma ..s!lfur~n~significariva
parece existir entre ciencias fisicas e sociais. Como os cienristas
ffsicos, os cienristas sociais procuram descobrir regularidade e
ordem. Cientistas sociais buscam regu laridadc no compona-
mento social an·aves cia observac;ao e med i ~ao cuidadosas,
descoberta de relac;oes e elaborac;ao de moclelos e teorias.
A Busca de Regularidades Sociais
Medindo fen6menos Sociais
0 primeiro rijolo cia ciencia e a "medi~ao" ou a observac;ao
sistematica. Nao ha razao fundamental pela qual OS cienristas
sociais nao possam medir fen6menos relevanres as suas invesri-
gac;oes. Por exemplo, idade e sexo clos atorcs sociais podem ser
mediclos. Local de nascimenro e esraclo civil podem ser mecliclos
de cliversas maneiras, variando em exatidao e economia.
Comportamento social agregado tambem pocle ser medido
sistematicamente. 0 cientista polftico consegue dctcnninar o
comportamento na urna em clia de elei(ao de todo o eleitorado
ou de zonas cleitorais individuais. A quantidacle de trafego num
determinado n·echo de rodovia pode ser medida em diferentes
poncos do tempo. Pesquisadores de mercado poclem medir
volumes de venclas.
Atitudes tambem podem ser mecliclas, embora este seja
um ponto de muiro desacorclo. Por exemplo, preconceiro contra
mulheres pocle ser medido cleterminando a accitac;ao ou a
rejei<;ao individual de crenc;as e perspectivas que representam
tal preconceito. Religiosidacle, liberalismo politico e conserva-
clorismo, autoritarismo e variaveis semelhantes tambem podem
ser medidos de maneira semelhante.
Medir atitucles e freqi.ientementc questionado como "nao-
cientffico"; embora aborde este tema mais adiante nesre e em
capftulos subsequenres, clevo fazer alguns comentarios aqui.
Dcve-se reconhecer que todas estas meclidas (todas as medidas,
alias) sao basicamente arbitrarias. 0 cienrista social nao pode
descrever uma pessoa inequivocamente como "alienada" e outra
como "nao alienada". Pessoas serao, ao inves, descritas como
relatiuamente mais ou menos alielladas - ou seja, comparando
uma com a oLJtra. Esta caracteristica, enu·eranro, nao e pretTogativa
das ciencias sociais, como demonsrram a "cscala de dureza" usada
nas cicncias ffsicas, a "escala Richter" para rerremotos etc. Nin-
guem pode clizer em termos absolutes que um dererminado
metal c "duro" ou um terremoto "severo", apenas que e ''mais
duro" ou "mais severo" que outro.
Descobrindo Regularidades Sociais
As pessoas rendem a consiclerar os objetos etas ciencias flsicas
como mais regulares que os etas ciencias sociais. Um objeto
pesaclo cai para baixo sempre que e solto, enquanto uma pessoa
podc votar num determinado candidate numa eleic;ao e contra
o mesmo candidate na elei<;ao seguinre. Assim tambem, o gelo
se den·etc quando aquecido, enquanto pcssoas aparentemente
religiosas nem sempre vao a igreja. Embora estes exemplos sejam
geralmente verdadeiros, ha o perigo de se acabar descartando
toralmente a existencia de regularidades sociais. A existencia
de normas sociais observaveis contradiz esta conclusao.
Algumas nomus sociais sao prescritas pelas instiruic;6es for-
mais de uma sociedade. Por exemplo, s6 pessoas de uma certa
idacle ou mais podem votar em eleic;oes. Antes de 1920, homens
americanos podiam votar e mulhercs nao. Tais prescric;oes
formais, enrao, regulam ou regularizam o comportamento social.
Alem de prescri~oes formais, podemos obsetvar outras
nomus sociais. Republicanos registrados votarao nuis provavelmente
em candidates Republicanos do que Democraras. Professores
universitarios tendem a ganhar mais dinheiro do que traba-
lhadores nao especializaclos. Mulheres tendem a ser mais religiosas
do que homens.
Relates de regulariclades por cienristas sociais esll1o frequen-
temente sujeitos a tres tipos de crltica. Primeiro, o relato pocle
ser acusado de trivialidade, de que toclo munclo j<1 sabia clisso.
Segundo, podem ser citados casos contradit6rios, indicando
que a observa~ao nao e totalmente verdadeira. Tcrceiro, pode-se
argumentar que as pessoas envolvidas podem, se realmentc
quiserem, perturbar a regularidade obscrvada.
A acusa~ao de que muitas descobertas feitas por cientisras
sociais sao triviais ou ja bern conhecidas levou muiros aspirantes
a cientisras a procurarem descoberras esotcricas ou obscuras
que provassem que a ciencia social c mais do que senso comum
pretensioso. Esta resposra e inapropriada sob diversos ponros
de vista . Para come~ar, tantas conrracli~oes sao eviclenres no
vasto corpo do "senso comum", que se torna essencial expurga r
sisrematicamente os e rros nele exisrentes. Mesmo quando uma
proposi~ao nao e questionada pelos leigos, ela deve ser testada
empiricamente.
Muitos instrutores de metoclologia das ciencias sociais
iniciam suas aulas revelanclo um conjunlo de "clescobenas impor-
tantes" clas ciencias sociais, derivadas de estudos conduziclos por
Samuel A. Stouffer durante a II Guerra Mundial.' Tais ··desco-
bertas" inclucm os segu intes achaclos:
• Solclados negros ficavam mais felizes em campos de trci-
namento no None do que no Sui dos Estaclos Uniclos.
• Solclados cia For<;a Aerea americana, onde as pro-
mo<;aes eram rapiclas, tinham n1ais probabilidacle de achar
que seu s istema de promo<;oes era justo do que os
soldaclos cia Polfcia Militar, oncle clas eram muito lentas.
• Solclaclos mais escolarizaclos tinham mais probabili-
dacle de se rcssentir como a listamento militar for<;ado
do que soldados menos escolarizaclos.
Quando os alunos come<;am a fazer pouco caso cia obviedade
das "clescobcrtas imporrantes", o instrutor revela que cadaunw
delas foi desprouada pela pesquisa de Stouffer e explica por
que a rela(:ao observada faz scnticlo quando examinada abaixo
do nfvel clas aparencias. 2 Em suma, "documentar o 6bvio" e
uma fun(:ao valiosa de qualquer ciencia, ffsica ou social, e nao
e uma crftica legflima de qualquer empreendimento cientffico.
(Darwin cunhou o rem1o "experimento de tolo" numa referenda
ironica a grande parte de sua pr6pria pesquisa.)
A crftica de que certas generaliza(:OeS da ciencia social esrao
sujeitas a desconfltma¢o em casos especfficos tambem nao e um
desafio suficiente ao cai<lter "ciemffico" clas investiga<;oes. Assim,
nao basta notar que um ce1to homem e mais religiose do que uma
cena mulher. Regulaiiclades sociais representam padroes probabi-
lfsticos, e uma rela¢o geral entre duas variaveis nao precisa ser
verdadeira em 1000/o dos casos obse1vaveis.
A c iencia fisica nao esta isenta clesra crftica. Na genetica,
por exemplo, o cruzamento de uma pessoa de o lhos azuis com
outra de olhos castanhos prouauelmente resultara numa crian<;a
de olhos castanhos. Mas se a crian(:a nascer de olhos azuis,
isto nao clesafia a regularidacle obseivacla, ja que a genetica
afirma apenas que a probabilidade clos o lhos serem castanhos
e maior c, mais ainda, que olhos castanhos devem ser esperados
num ce1to percenrual dos casos. 0 ciemista social faz uma previsao
probabilfstica semelhantc -que, no computo geral, mulheres tem
mais probabilidade de serem ma is religiosas do que homens.
Com inst.rumemos de medi<;ao restados adequadamente, podemos
prever o percentual de mulheres que se mostrarao mais religiosas
do que homens.
Finalmente, a acusa¢o de que regulaiiclades sociais obser-
vadas podem ser pe1turbadas pela vomade consciente dos arores
nao e desafio suficiente a ciencia social, mesmo se coisa seme-
lhante parece nao existir nas ciencias ffsicas. (Suposramente, um
objero nao consegue resistir e nao cair no chao "porque nao
quer".) Isto nao e negar que um racisra branco de direita pocle,
se quiser perru rbar os cientistas politicos estudando elei(:oes,
vorar num negro esquerclista radical. Numa elei~ao, toclos os
vorames podem, de repente, muclar e votar no canclidato azarao,
frustrando as pesquisas eleitorais. Seguindo o mesmo raciodnio,
todos os trabalhadores podem ir trabalhar mais cedo ou ficar
em casa c nao ir trabalhar, evirando que aconte(:a o congestiona-
mento de trafego esperado na bora do "rush". Mas rais coisas
nao ocorrem tao frequentemente a ponto de amea<;ar seriamenre
a observa(:i.i.O de regularidades sociais. Ironicamente, e claro,
se rodos os trabalhadores ficarem em casa, isto tambem seria
uma regulariclade susceptive! de explica(:ao.
0 faro e que no1mas sociais existem c podemos obseiva-las.
Quando muclam com o tempo, podemos tambem observar e explicar
as mudan(:as. Em Ciltima analise, regularidades sociais persistem
porque tendem a fazer sentido para os indivlduos nelas envolvidos.
Podemos sugerir que e l6gico esperar que um cerro tipo de pessoa
aja de certa maneira e esta pessoa pode muito bem concorclar
com a base 16gica clesta expectativa. Assim, mesmo se direitistas
brancos podem votar num negro radical de esquerda, eles acham
estupido votar assim, assim como eleitores negros de esquercla
acham estupido votar num candidato cia Ku Klux Klan.
Cria~ao de leorias Sociais
Cientistas sociais ainda nao criaram teorias de comporta-
mento social comparaveis as teorias desenvolvidas pelos cienristas
flsicos. Inumeras teorias de compo1tamento social foram elaboraclas
ha ja varios seculos, mas sua adequ a~ao nao e mais clefendida
seriamente. Eviclentemente, muitas teorias sobre o munclo fisico
foram tambem descartaclas. 0 abandono cia teoria dos epiciclos
de Ptolo meu nao nega o carater cientifico cia astronomia contempo-
ranea. Nem saber que as teorias contemporaneas cia fisica serao
mais tarde superaclas nega o status cientffico clesse campo.
De qualquer maneira, atualmente as ciencias sociais nao
rem teorias fo1mais comparaveis as existentes em outros campos.
Em parte, isto se deve ao faro de que metoclos sistemaricos,
"cientfficos", nao rem sido aplicaclos ao comportamento social
tanto tempo quanto aos fenomenos ffsicos. Ao mesmo tempo, a
relutancia em admitir a susceptibiliclacle do comporramento
social ao estuclo cientffico rem limitaclo os recursos disponfveis
para o desenvolvimento clas ciencias sociais.
Alem do mais, este livro rem origem na conviq:ao de que
o desenvolvimento cientffico das ciencias sociais foi seriamente
prejudicado pela incompreensao da natureza 16gica cia ciencia
em geral, especificamente pelo compromisso com a imagem
tradicional, exclusivamente declutiva, cia ciencia, oposta a com-
preensao da ciencia na p racica . Em vista disto, disc utiremos
agora as caracterfsticas clas ciencias sociais, paralelamente ~t
discussao do Capitulo 1, que abordou a ciencia em geral.
~s Caraderisticas das Ciencias Sociais
~ Ciencia Social f L6gica
As ciencias sociais visam enrencler racionalmente o compor-
tamenro social. Isto nao significa dizer que todo comportamento
social e racional. Cenos comportamentos sociais sao irracionais,
alguns sao nao racionais, mas os cientistas sociais devem ser
relativamente racionais ao procurar compreender roclas as formas
de compo1tamento.
0 cientista social esta preso a muitas das mesmas restri~oes
16gicas que o cientista flsico. Um evenro nao pocle causar outro
evento oco rrido antes. Um objeto nao pocle ter caracterfsticas
mutuamente excludentes, e um evento ou caracterfstica nao
pode ter resultados mutuamente excludentes. Tambem, ramo
a l6gica dedutiva quanto a indutiva sao apropriadas para as
ciencias sociais, como ja se discutiu a respeito da ciencia em
geral no Capitulo 1.
~ Ciencia Social f Determinfstica
Como os cientistas fisicos, tambem os cientistas sociais
supoem que eventos rem razoes, que as coisas "nao aconrecem
si.mplesmente". Todo evento ou sirua~ao rem dererminantes antece-
dentes. Esta caracterfstica das ciencias sociais muitas vezes parece
entrar em choque com o senso comum, como vimos antes. 0 cien-
rista social pode concluir que um grupo de pessoas se compotta de
determinacla maneira clevido a alguns eventos e conc!i~oes ante-
riores, como no caso do compo1tamento eleitoral do racista branco
de direita. Neste sentido, as condi~oes de ra~a. preconceito e
orienta~ao polftica determinam o compottamento eleitoral. lsto
nao significa dizer que estes eleitores nao podeiiam votar num can-
dida to negro de esquercla; apenas e improvavel que 0 fa~m.
A postura cleterminista das ciencias sociais representa o
afastamento mais significativo dos estudos mais tradicionais,
humanistas, do comportamento social. Enquanto o observador
mais humanisticamente o rientado considera a busca cla alma e as
agonias atraves das quais uma pessoa pesa os meritos e clemeritos
relativos de uma a~ao, para chegar a uma clecisao bem pensada, o
cientista social mais tipicamente busca os determinanres gerais de
tal decisao entre diferentes agregados de pessoas. Enquanto o
humanista argumenta que a decisao de cada indiv!duo resultt'l de
um processo icliossincratico, o cientista social diz que ela se encaixa
num padrao bem mais simples e geral.
~ Ciencia Social f Geral
Vimos que as c1encias sociais visam a observa~ao e ao
enrendimento de padroes gerais de eventos e correla~oes. A utili-
dade de uma teoria social ou con·ela~o social cresce em fun~ao de
sua "generalizabilidade". Quanta mais fenomenos sao explicados,
maior a urilidade. Assim, uma teoria do comportamcmo do
consumidor aplicavel apenas a jovens e menos uti! do que outra
aplicavel a consumidores de rodas as idades. Uma teoria do
comporramento politico aplicavel apenas a americanos e menos
uri! que ourra aplidvel aos povos de rodas as nar;ocs.
Embora muiras vezes possamos comer;ar renrando explicar uma
faixa mais limirada de comporramenro social ou o compo1tamenro de
wn subconjunro limirado da popula~o, nossa mera, nom1almenre, e
expandir o pocler explicative de nossas clescoberras a outras fonnas
de comporramenro e a outros subconjunros cia popula~io.
hCiencia Social f Parcimoniosa
Como o cientisra flsico, o cienrisra social busca atingir o maior
pocler explicative com o menor numero de variaveis. Em muiros
casas, a considera~o adicional de novas valiaveis acrescenra pocler
explicative e preclirivo, mas resulra rambem num moclelo n1ais com-
plicado. Na pratica, o acrescirno de mais vatiaveis muitas vezes recluz
a generalizabilidade cia explicar;fro, ja que ce1tas va1iaveis poclem rer
um efeiro sobre membros de um subconjunto d'1 popula¢.io e efeiro
diferente sabre membros de outros subconjuntos.
Nore-se que a parcimonia das ciencias sociais, ~~ semelhanr;a
de sua posrura dererminisra, as abre a crfrica clas pessoas que
susrentam uma visao mais humanisra. Enquanro o humanista
tencle a explorar as profunclidacles clos farores idiossincraticos
que resultam numa decisao ou ar;ao de um ator social, o cienrisra
social conscientemente renta limitar esra investigar;ao.
0 pesquisaclor de mercado procura explicar preferencias
por morar na cidade, nos suburbios ou no campo baseaclo
em, digamos, tres ou quatro variaveis. Eviclenremente, pocle-se
a rgumentar que todo mundo rem mu itas outras razoes indivi-
duais para a opr;~o por seu estilo de vida e que um numero
limitado de variaveis nao consegue explicar adequadamenre a
profundidade de uma decisao ramada por qualquer uma das
pessoas estudaclas.
0 humanista tem razao ao afirma-lo, mas o cientista
social tem uma meta bem diferente dado humanista. 0 cicntista
social procura conscienrememc obter o maximo de compreensao
com o menor numero de variaveis. Nem o cientista social nem
o humanista esta mais correto do que o outro; simplesmente,
as metas dos dois sao diferentes. Temos que entender plena-
mente a meta do cientisra social, para reconhecer a nao validade
desta crftica.
hCienc ia Social f fspecif ica
Cientistas soctais, como os ffsicos, clevem especificar
seus metoclos de meclir;ao. Isto e particularmente importance
nas ciencias sociais, que lidam com conceitos vagamente clefmidos
no discurso comum. Enquanto o ffsico define "acelerar;ao"
mais rigorosamente que um leigo, a definir;ao cienrffica nao
clifere ramo assim do enrendimento co mum do tem1o. J1 conceitos
como "alienar;ao", "liberalismo" e "preconceito" possuem signi-
ficados rao variados na linguagem comum que suas definir;oes
rigorosas nao sao prontamente aparenres.
Cientisras sociais podem submeter tais conceiros a exame
cientlfico rigoroso, mas para isto devem especificar claramente a
natureza clas meclir;oes eferuadas em cada caso. Tambem as defi-
nir;oes serao avaliaclas com base na utilidacle - sua contribuir;ao
para a explicar;ao e o entenclimento generalizaclos - e nao na
"Verdacle" absoluta.
hCiencia Social£ fmpiricamente Verificavel
Pa ra serem C1teis, proposir;oes e teorias cientlficas sociais
devem ser testadas no mundo real. Assim, afi rmar que eclucar;ao
se associa negativamente com preconceiro e inutil sem sugerir
modos para medir as cluas variaveis e testar a proposir;ao.
Como nas ciencias ffsicas, o cientista social cleve ser capaz
de clescrever condir;oes emplricas nas quais uma dada proposi-
r;ao seria julgada incorreta, iStO e, OS modOS pelos quais ela
seria desprovacla.
Crenr;as religiosas, como a cia existencia de Deus, por
exemplo, nao sao susceptfveis de verificar;ao empfrica. Do
mesmo modo, a afirma<;ao de que membros de um grupo
religioso ou racial sao desleais "em seus corar;oes", mesmo
quando parecem agir de forma lea l, nao pocle ser submetida
a verificar;ao empfrica. 0 mesmo se aplica a proposir;oes sobre
como seria o comportamento humano caso o Sol nao aparecessc
numa clerenninacla manha.
hCiencia Social f lntersubjetiva
Se um cleterminaclo exame cientffico social for clescrito
aclequaclamente em seus cletalhes especfficos, qualquer outro
cientista social, de quaisquer convicr;oes pcssoais, deve pocler
replicar o exame com resultados semelhanres. Descoberras cientl-
fico-sociais opostas sao mais freqi..ienremenre conseqi..iencias de
desacordos sobre o desenho mais apropriado cia pcsquisa -
incluindo definic;:ao e medic;:iio de conceitos- do que de resul-
tados obtidos com um mesmo dcscnho.
Isto e valido tanto para pesquisas sobre t6picos altameme
emocionais como religiiio, polltica e prcconccito quanto para 0
estudo da acelerac;:ao de objetos em queda. Evidentemente, na
pratica, pesquisadores raramente realizam estudos quando
acrcditam que seu desenho e incorreto. Por exemplo, o cientisra
social conservador provavelmente ni'io clefinira conservadorismo
de forma negativa para os conservadores.
~ Ciencia Social f ~beda a Modifica~oes
Provavelmente nenhuma teoria social sobrevivera indefi-
nidamente. Ou um crescentc peso de eviclencias contrarias a
derrubara ou se encontrara uma substituta, mais nova e parcimo-
niosa. Em qualquer caso, niio se pode csperar que um achado de
ciencia social, a Iongo prazo, resista ao teste do tempo.
Claro que, na pratica, o ciemista sociallida com fen6menos
rambem afetaclos por icleologias - religiosas, pollticas, filos6-
ficas -, c icleologias sao menos abenas a modificac;:oes que a
ciencia. Quando cientistas socta is explicam religiosidade em
termos de variaveis estru turais, eles dcsafiam crenps religiosas
basicas sobre comporramento moral, sistemas religiosos de
recompensas e castigos e tc. Quando cientisras po liticos con-
cluem que a classe operaria nos EUA e mais autoritaria do que
a classe media, clesafiam a idcologia polftica da esquerda. A
postura cletcrminista das ciencias sociais em gcral nao aceita a
imagem filos6fica do livre arbltrio dos seres humanos, de tao
antiga hist6ria na civilizac;:ao ocidemal.
0 perigo e que alguns cientistas sociais possam estar tao
pessoalmente comprometiclos com certas posic;:oes ideol6gicas,
que este compromisso os impec;:a de manter aberta sua pratica
cicntlfica. Assim, o cientista politico comprometido com a
esquerda pode nao estar disposto a considcrar, realizar ou
aceitar pesquisas que possam lcvar a conclusao de que a classe
operaria e mais auroritaria do que a classe media.
]a foi comentado que esra situa\iiO niio ~ privilegio
das ciencias sociais. lnvestigac;:oes nas cicncias ffsicas desafia-
ram e continuam desafiando sistemas estabclecidos de crenc;:as
ideol6gicas e alguns ciemistas flsicos tem sido prejudicados por
compromissos ideol6gicos que reduziram a abcrtura de suas
atividades cientfficas.
Metodos de Pesqu is as Cientifico-Soci ai s
Apesar deste livro abord:H especificamente um s6 metoda
de pesquisa social, e Litil colocar este metoclo no contexte clos
outros metodos clisponlveis ao cientista social. Fac;:o isto, em
parte, para sugerir que o exame de um cleterminado fenomeno
social freqi.ientememe e mais bem-sucecliclo usanclo-se varios
metoclos diferemes - ponto particularmente imponame a
enfatizar numa epoca em que a pesquisa de survey goza de
tao grande popularidade. A pesquisa de suru~ytem vantagens
especiais, mas veremos neste livro que tambcm tem lim.iwc;:oes
c nao e 0 mctodo aprop riado para estuclar cenos t6picos.
Pesquisaclores sociais que se resu·ingem a um s6 metoclo, swvey
ou qualq uer outro, limitam gravemente sua capacidade de
entender o munclo ao seu redor.
Ao mesmo tempo, e imporrante compreencler que toclos
os metodos de pesquisa social sao norteados pelas caracterfsticas
gerais cia ciencia clelineaclas nesre e no capitulo anterior. E
uti! , portanto, examinar as forc;as c fraquezas relativas de
cada metodo.
0 fxperimento Conholado
Em mu itos aspectos, o cxperimento conrrolado repre-
senta o exemplo mais claro de pesquisa cientlfica, pelo menos
na imagem popula r cia ciencia. 0 clesenho experimental rem
muitas variac;:oes, mas aqu i nos limitaremos ao desenho antes/
clepois com um unico grupo cle comrole.
Suponha que voce esteja interessado em metodos para
recluzir o preconceito racial. Suponha tambem que voce acredita
na hip6tese de que o prcconceito antincgro poderia ser
reduzido com uma consciencia maior do papel importante
dos negros na Hist6ria americana. Para testar esta hip6tesc,
voce pocle alugar ou mesmo produzir um filme documentando
a hist6ria dos negros nos EUA. Este filmc represemaria o
estfmulo para o experimento.
Em segu ida, voce seleciona dois grupos de sujeitos. Na
praLica, voce p rovavelmente procura voluntarios e podc
paga-los para parriciparem do experimen to. Se voce for
pesquisador universitario, provavelmente estes participantes
seriio alunos universitarios. 0 mais importante na selec;ao
dos participantes e criar dois grupos emparclhados, isto e,
dois grupos de sujeitos tao parccidos um com o outro quanta
possfvel. Voce pode conseguir isro pelo emparelhamenro
cuidadoso de camctelisticas (sexo, idade, ra~a etc.), ou designanclo
os sujeitos aos clois grupos a!eatOJiamente.
Um clos gmpos sera chamaclo grupo e.\petime/lta! eo outro
grupo de COlli role. Os clois grupos serao testaclos para meclir OS
nfveis iniciais de preconceito contra negros. Por exemplo, ambos
preencherao um questionario do tipo concorclo/ cliscorclo a
cliversas frases manifestanclo preconceito aminegro. Espera-se
que os clois grupos alcancem aproximaclamcme o mesmo escore
geral oeste pre-teste.
Em seguida, o grupo expe rimental assistir:.l ao filme
documentario cla hist6ria dos negros nos EUA. 0 grupo de con-
trolc nao assistin1 ao filme. Depois, os dois grupos serao
novamente testaclos quanta a preconceito contra negros. A hip6-
tese do pesquisaclor sera confirmada se o grupo experimental
demonstrar preconceito significarivamenre menor do que o
grupo de controle no p6s-teste.
0 papel do grupo de conrrole em tal expcrimento c crftico.
Serve a func;ao de isolar o estfmulo experimental como unica
foote da mudanc;a nos sujeitos do experimemo. Se decorrer um
Iongo tempo entre o pre eo p6s-teste, o preconceito dos sujeiros
pode diminuir g rac;as a farores e?Cternos ao experimento. 0
filme poderia enrao ser irrelevance para a reduc;ao observada
do preconceito. Se isto ocorrer, o preconceito do grupo de
conrrole deve diminuir rambem. A hip6tese sera confirmacla
somenre se o preconceito do grupo experimental climinuir
mais do que o do grupo de controle.
De fo rma semelhante, o grupo de controle ajucla o
pesqu isador a se precaver contra o efeito do experimento
por si mesmo. E possfvel que o ato de testar e retcstar torne
os sujeiros mais sensfveis aos prop6sitos do estudo. Enquanto
eles podem parecer relativamente preconccituosos no pre-teste,
o proprio teste pode alena-los para o faro de que o pesquisador
quer descobrir quao preconceituosos sao. ja que pouca genre
quer ser identificacla como racism, os sujeitos podem rer mais
cuidado ao responclerem o questionario p6s-teste, procurando
responder de forma a evira r aparecerem como racistas. Mas
este faror deve operar igualmente no grupo de conrrole e no
experimental, e o declfnio cliferencial no prcconceito observaclo
c o teste cia hip6tese.
!solar as variaveis experimenrais e a vantagem chave do
experimento conu·olado. Ele apresenta tambem diversas desvan-
tagens, conrudo. Primeiro, o experimemo controlado tipicamente
nao fornece clados descritivos uteis. Se 20% dos dois grupos
concordarem com uma afirma~ao preconceituosa, nada
aprenclemos sabre o percenrual cia populac;ao em geral que
concorclaria com ela, j5. que os sujeitos nao sao, via de regra,
selecionaclos clessa populac;ao por metodos de amostragem
aleat6ria. Se eles forem tirados de uma subpopulac;ao especial,
como estuclanres, seu valor descririvo se recluz ainda mais.
Segundo, o experimenro controlado representa um teste
~utificial cia hip6tese. A relevancia do experimento para o
mundo real esta sempre sujeita a questionamento. No exemplo
anterior, suponhamos que o filme documentario parec;a reduzir
significativamente o preconceito antincgros quando assis:ic~o
como parte de um expe rimento ciencffico num labo ratono
especial , com os sujeitos consciences de parriciparem de t~m
experimento. 0 filme nao teria necessariamente o mesmo efe1to
se assisciclo pelo grande publico na rclevisao ou em cinemas.
Finalmente, OS achados podem nao ter aplicabilidacle
generalizavel a outros grupos cia populac;ao. E concebfvel ~u_e o
filme reduzisse preconceito entre universitarios - se os SUJCttos
forem extrafdos de esruclantes - , mas nao teria impacto em nao-
esruclantes. Um exemplo nao-experimenral ilustra esta possibili-
dade. Durante anos, acreclirou-se que, enquanto o preconceito contra
negros era maior na classe operaria do que nas classes media e
alta, o anti-semitismo aumentava a meclida que se subia na
escala social. Tal conclusao se baseava numa serie de esrudos
sabre preconceito realizados com estudantes universirarios.
Esruclantes de familias de classe alta pareciam consistentemente
um pouco mais anti-semitas do que os de classes sociais relati-
vamence mais baixas. Esse achado se deveu ao faro de que os
alunos nos escudos provinham todos de uma faixa relativamenre
esrreita de famllias de classes mais altas. 0 vercladeiro achado
seria enrao que estudames de classes mais altas eram ligeim-
men~e mai~ anti-semitas do que alunos de classe media-alta.
Estudos subseqCtentes cia populac;ao em geral indicaram, porem,
que os responclenres de classe operaria eram mais anri-semiras,
assim como eram mmbetn tnais antinegros.
As carencias do cxperimento controlaclo podem ser
recluziclas pela sofisticac;ao etas pcsquisas, variac;ao do clesenho
experimental e replica~ao em grupos muito diferemcs de patti-
cipanres. Alem do mais, o experimento controlado pocle ser
especialmenre valioso quando combinado com outros metodos,
visando a um unico t6pico de pesquisa.

hnal ise de Conteudo
Alguns t6picos de pesquisa sao susceptfveis ao exame
sistcnritico de documemos, como romances, poemas, publicas;6es
go\'ernamentais, musica etc. Este metodo de pesquisa chama-se
mzcllisedecoJtleL7do. A tftulo de ilustras;:.lo, suponha que \'OCe queiJ-a
cxaminar as muclans;as nas atitucles oficiais dos sovieticos para
com os EUA. Voce pocle limitar o perfodo do escudo aos anos
entre 1950 e 1990 e clecidir tomar os editoriais do Pravda como
indicadores de polftica oficial.
Voce pode, emao, ou obter c6pias de toclos os editoriais
do Pravda durante aquele perfoclo ou fazcr um desenho amostral
selecionando, cligamos, cada decimo editorial. Cada eclirorial
~era examinado e receber;1 um escore corresponclenclo a posi~ao
Javoravel ou crftica aos EUA- ou a ser irrelevanre para os EUA.
Esta atividacle exige um metoclo sistematico de atribuir escores.
Voce tem de especificar que tipos de referencias aos EUA serao
consideraclas e quantificadas como fa\'Oraveis e que tipos
consideradas e quanrificaclas como crfticas. E. concebfvel que
\'OCe deseje ponclerar referencias diferencialmente, em termos
cia for\a relativa do apoio ou cia crftica. Neste caso, e necessario
especificar como, nesta ponderac;ao, os pesos cliferenciais
serao atribu fdos.
Tendo atribufdo escores aos editoriais, voce pode agora
agregar os escores de forma a caracterizar clifcrentes perfoclos
temporais. Talvez voce combine os escores por ano, relatando,
por exemplo, que 12% dos cditoriais em 1950 cram favoraveis
aos EUA, 8% dos de 1951 eram a favor, e assim por cliante. 0
padrao etas diferens;as ao Iongo do tempo representara a atitude
oficial sovietica para com os EUA.
Se bem que estes daclos sirvam a uma finalidade descritiva
uti!, talvez ,·oce deseje ir alcm de descric;oes para explicar as
flutuac;oes obseiTaclas na atitude oficial sovietica para com os
EUA. Suponha que voce acredite que as atillldes sovieticas
foram, em grande parte, determinaclas pelo montante de crfticas
que a URSS recebia dos EUA; isto e, quando os EUA critica\'am
a UH.SS, esta rcagia acirranclo as crfticas aos EUA.
Voce pocle examinar esca possfvel explicac;iio analisanclo
o contelido de cliscursos e debates nos EUA. Voce decidiria
quais formas de comunica~iio nos EUA melhor refletiriam o
<:Stfmulo hipotetizado e examinaria e claria escores a todos ou
a uma amostra deles quanto a seu conteCJclo de crftica anti-
sovietica. Os metodos de escore teriam de ser especificaclos e os
escores dados teriam de ser agregados para o mesmo perlodo
de tempo usado no estuclo inicial. Voce entao compamria os dois
p:1dr6es de flutuas;oes, para ~etermin~r se a crftica a~1erican~
.1 URSS era tipicamente segu1da ou nao de pronunCiamentos
antiamericanos no Pravda.
Analise de conteudo rem a vantagem de fomecer um exame
sistematico de materiais em geral avaliados de forma mais
impressionistica. Um reporter pode, por exemplo, lcr os
editoriais do Pravda ao Iongo do tempo - anotando mental-
mente os que mencionam os EUA e ta lvez observando os
edi toriais que ap6iam ou criticam fortemente os EUA - , criando
uma impressao geral etas flutuas;oes na postura oficial. Au·aves eta
analise de contelido sistematica, contudo, voce se previne contra
vieses inadvertidos que pode p rojeta r no estudo. Voce pode
comec;ar suspeitando que a URSS foi relativamente pr6 EUA
durante um cerro perlodo, podendo, inconscientemente, dar mais
atenr;ao a contelidos de editoriais favoraveis neste perfodo,
descontanclo os eclitoriais negativos descobertos. Seguindo
rigorosamenre um sistema preeswbelecido de amostragem e
atribuir;ao de escores, voce reduziria a influencia de seus vieses.
Como todo metodo de pesquisa, a analise de conte(IdO
rem pontos fracos. Primeiro, o tipo de documentos selecionados
para exame pode nao ser a medida mais apropriada eta variavel
cscudada: e posslvel que eclitoriais do Pravda nao sejam o melhor
indicaclor da atitude sovietica oficial pam com os EUA. Discursos
pC1blicos de autoridadcs governamentais selecionadas ou pronun-
ciamentos sovieticos no saguao clas Na~oes Unidas poderiam scr
mais apropriados. Na maioria dos casos, nao ha como detem1inar
qual fonte representa o melhor foco do escudo. Este inconvenience
pode ser minimizaclo examinando sistematicamente diferentes
fontes e determinando se cada fonte leva a mesma conclusao.
Segundo, metodos de escore quase sempre contem um
elemento arbitrario. Alguns comemarios em editoriais nos EUA
sao tao ambfguos que atribuir-lhes escorcs e dificflimo, talvez
imposslvel. Outros comentarios podem ser julgaclos favoraveis
por um observaclor e crfticos por outro. Talvez o pesquisador
consiga reduzir esse problema pedindo avaliac;oes independentes
de outros pesquisaclores experientes no assunto. Se varios
observaclores inclepenclcntes concorclarem sobre o escore dos
comenrarios num editorial, a utilidade deste sistema de quanti-
ficac;;ao cresce. Em Ciltima analise, nao ha como garantir, com
segumnp absoluta, que comenrarios editoriais estao recebenclo
o escore ceno. No Iugar dessa confiabilidade absoluta, voce
 deve ser o mais espedfico possfvel na cria~ao, execu~ao e relaro
do sistema de escore. Os leirores do seu relar6rio cia pesquisa
devem saber, pelo menos, o que os escores represenram
exaramenre, mesmo se cliscordarem cia adequabilidade do
sistema usado.
Analise dos Dodos Existentes
Pesquisa cientffica nao e igual a coleta c analise de dados
originais. De faro, alguns t6picos de pesquisa podem ser esrudados
analisando dados j:i colerados e compilados. 0 exemplo classico
e o esruclo do suicfclio de Emile Durkheim,-i Tnreressado em
descobrir as razoes primarias do suicfdio, Durkhcim conduziu
sua i n vestiga~ao sem colerar um s6 dado original. Ele resrou
um amplo espectro de hip6teses examinando taxas publicaclas
de suicfdio em diferenres areas geograficas. Por exemplo,
examinou taxas diferenres de suicfclio de prorestanres e car6licos,
comparando as taxas de areas predominantemenre protestantes
com as de areas predominanremente cat6licas. Examinou os
efeiros do clima, comparanclo raxas de rcgioes quenres com as
de regioes mais frias.
A analise de dados agregados existenres rem a grande
vantagem cia economia. 0 pesquisaclor nao precisa arcar com
os custos de amostragens, cntrevistas, coclifica\;:6es, recruramenro
de sujeiros expcrimenrais ere. Mas csra forma de pesquisa social
rem duas importanres dcsvantagens.
Primeiro, o pesquisador fica limirado a clados ja coletados
e compilaclos, que poclcm nao rcpresenrar adequadamente as
variaveis que o interessam. No entanto, esre problema pode
ser resolvido com uma boa dose de engenhosidade. Quando
Samuel Stouffer examinou os efeitos cia Grande Depressao nas
famflias americanas e fora clos EUA, consiclerou varios indica-
dares possf\'eis de uma quebra hipoterica de normas familiares
tradicionais. 4 Taxas de div6rcio forneceram um indicador, mas
Stouffer foi bem alem, consideranclo as raxas de casamenros
inter-religiosos, cerim6nias civis em oposi~ao a religiosas,
casamentos fora dos Estados oncle viviam os casais ere. Durkheim
exibiu engenhosidade semelhanre no csrudo do suicfdio.
0 segundo problema rem a ver como que e chamado de
faldcia ecol6gica. Scmprc que voce correlaciona variaveis geradas
a partir de dados agrcgados, rorna-se cliffcil derenninar se a
mesma rcla\;:ao entre as vari:.lveis permancce verdacleira no nfvel
clos indivfduos. Por exemplo, quando Durkheim encontrou taxas
de suiddio consistentemenre mais alras em areas predominante-
mente prorestantes do que em areas predominantemenre
car6licas, nao teve como determinar se os protestanres esravam
-:-omctcnclo suicfdio. E concebfvel que cat6licos residinclo em
;ireas preclominantcmente protestames apresenrassem as taxas
de suiddio mais altas de todas. Tambem, quando Stouffer
cncontrou mais casamentos "impulsivos" durante os anos cia
Depressao, nao teve como determinar se os envolviclos eram
os mais afetados pela Depressao. Um exame engenhoso e 16gico
dos dados pocle ajudar a reduzir este risco. Incenrivo a leitura
dos dois livros cirados, para ver algumas das formas usadas
por Stouffer e Durkheim para resolver o problema.
fstudo de Coso
0 estudo de caso e uma clescri~ao e explica\;:ao abrangentes
clos muitos componenres de uma determinada sirua~ao social.
Um esruclo de comun iclade, como o de W. Lloyd Warner sobre
a comunidade de ''Jonesville", e um exemplo de estudo de caso.~
Num esruclo de caso, voce busca coletar e examinar o maximo
de dados possfveis sobre o seu tema. Num esrudo de comunidade,
voce aprende a hist6ria cia comuniclade, seus aspectos religiosos,
polfticos, econ6micos, geograficos, composi~ao racial ere. Voce
pode p rocurar derenninar a estrutura de classes cia comuniclade,
isto e, quem sao OS cicJadaos mais importantes e pocJeroSOS e
quem esta embaixo cia piramide.
Em resume, voce procura a clescri~ao mais abrangenre
possfvel cia comunidade e renra determinar as inter-rela~oes
16gicas clos seus varios componenres. Qual foi o impacto do
fechamemo cia madeireira no infcio clos anos 30? Como, em
1960, o prefeito reformisra mudou as rela~oes de peeler na comu-
nidacle? 0 que causou a invasao dos Yuppies nos anos 80?
E importante saber que, quanro aos objerivos cienrfficos,
a aborclagem estudo de caso de pesquisa social d ifere radical-
mente dos outros meroclos vistos ate aqui. Enquanto a maioria
das pesquisas visa diretamente o enrendimento generalizado,
o estudo de caso, busca inicialmente o entendimento abrangenre
de um s6 caso icliossincrarico. Se a maioria das pesquisas procura
lim.itar o numero de variaveis consicleradas, o esrudo de caso renta
maximiza-lo. Em u ltima analise, o pesquisador, fazendo um
estudo de caso, busca, tipicamenre, conhecimentos geralmente
aplicaveis alem do caso unico estudado, mas por si s6 o estudo
de caso nao garante esra generalizabilidadc.
 Por exemplo, um estuclo de caso pocle sugcrir que a entrada
de trabalhadores estrangeiros niio qualificaclos na comuniclacle teve
como efcito gcral promover a ascensiio ocupacional clos trabaU1a-
dores nativos, com muiros assuminclo cargos de supervisao clos
novos migrames. Esre achaclo pocle lev:l-lo a supor que \'Oce
descobriu um princfpio geral de mobilidade ocupacional e
que mudan~a semelhante ocorreria na maioria das comunidades
que sofressem influxo de mao de obra cstrangeira nao-qualificada.
Um (mico estudo de caso, contudo, nao poderia confirmar esta
hip6tese, e esrudos adicionais em ourras comunidades seriam
necessaries para confirma-la.
Observa~ao Participante
0 ten11o observafao partic1pcmte refere-se a um metoda
de coleta de dados em que o pesquisador wrna-sc participame
no evenro ou grupo social estudado. Voce pode juntar-se a uma
marcha de protesto como forma de colher dados sobrc os otl(ros
panicipantes, ou entrar num grupo religiose que cleseja estudar.
Na pr{Hica, como observador parricipanre, voce pocle ou
nao revelar seu papel de pesquisador; esra clecisao rem impor-
tames i mplica~oes metodol6gicas e ericas. Se voce aclmirir abena-
mente aos clemais participantes que esta realizando um estuclo
cientffico do grupo, sua presen~a pode afetar o fen6meno que
pretende estudar. Saber que suas a~6es podem ser publicadas
pode afetar o modo como os participanres agem. Por outro !ado,
se voce esconder suas ativiclades de pesquisa c fingir ser um
membra tfpico do grupo, estara sujeito as qucstoes cticas relativas
a engano. Alem do mais, filia~ao aparentcmcntc genufna pode
apresentar problemas cientfficos. 0 que voce far:l se for eleiro
prcsidenre do grupo ou se pedirem sua opiniao sobre o que o
grupo deve fazer em seguida? Sua rea~ao afetar:l o que voce
esta rentando esrudar. Ja que situa~oes e finalidacles de pcsquisas
variam tanto nesre aspecto, nao se pode dar uma diretriz geral,
mas voce deve estar conscience das questoes envolvidas.
Como o estudo de caso, a observa~ao participanre visa
colher muita informa~ao detalhada. Mergulhando nos evenros
sociais em andamenro, voce estara em condi~oes de aringir pro-
funclidade de conhecimento muito maior do que seria possfvel,
por exemplo, na analise de conreudo ou no experimento. Ao
mesmo tempo, porem, o observador panicipante encomra grande
dificuldade em manter procedimentos sisrem:lricos de pesquisa.
Ja que sera humanamente impossfvel observar e documentar
tudo o que acontece, voce tera de selecionar seus c.lados. Tenrar
observar e registrar tuclo pode resultar numa situa~ao na qual
vieses inconscientes se tornam a base da sele~ao. Por exemplo,
se voce come~a a firmar a conclusiio de que estuclantes mulheres
est.1o sc tornando mais atuanres na dire~ao de marchas de pro-
tl·sto, pocle, inconscientemente, ficar mais pronto a anotar as
instancias que susrentam esta conclusiio. Em ultima analise, o
perigo maior e nao conseguir dizer ao lei tor quais criterios voce
usou na sele~ao e relata das observa~ocs, para que ele possa
avaliar a adequabilidade dos criterios usados e a generalizabi-
!idade das conclusoes.
Voltaremos a considerar brevemente estes metoclos de
pesquisa nas conclusoes do Capftulo 3, que examina a pesquisa
de survey. Ap6s clescrever a natureza, as for~as e fraquezas dos
metodos de survey, n6s os compararemos com os outros metoclos
descritos oeste capitulo. As conclusoes a que chegaremos poclem
ser reveladas aqui: (1) situa~oes diferentes de pesquisas sociais
requerem metodos diferentes e (2) o melhor Formato muitas
vezes e 0 que envolve 0 uso de diversos metodos focados no
mesmo t6pico.
Resume
Neste capitulo, consideramos a possibilidade de aplicar
metodos de investiga<;:ao cientffica ao comporramento social.
Mesmo anotando algumas considera~oes particulares pertinentes
a esta aplica<;:ao, nao enconrramos nenhum obstaculo funda-
mental ~ts ciencias sociais. Embora as caracterfsricas da ciencia
em geral possam ser trazidas para o estudo cia sociedade, isto
niio pocle ser feito emu lando a imagem tradicional cia ciencia.
Vimos tambem que pesquisadores sociais podem usar
v:'irios metodos de pesquisa para observar e entencler o com-
portamento social. 0 capftulo scguinte aborda especificamente
a pesquisa de survey como rna is um metoda de pesquisa social.
logo veremos que as caracrerfsricas b:isicas cia ciencia em geral
aplicam-se igualmente a pesquisa de survey em particular.
Netas
1
STOUFrcR, S3muel A. et 31. 7be American Soldic!l: Princeton, NJ: Princeton
University Press, 1949.
-'r:.stes achados sao discutidos no Capitulo 15, ''0 fllodelo de Elabora\JO".
DUHKI IEIM, Emile. Suicide: a Study in Sociology. Tr.td. George Simpsen.
.I
New York: Free Press, 1951.
·• STOUFFER, Samud A. Social Researcb to Test Ideas. New York: Free
Press, 1962. p.134-153.

Capitulo 3
5 WARNER, W. Lloyd. Democracy ill jonesville. New York: I larper &. Rov. ,
1949.

Leituras Adicionais
BABBlE, Earl. Observing Ourselves: Essays in Social Research.
Belmont, CA: Wadsworth, 1986.
COOK, Thomas D., CAMPBELL, Donald T. Quasi-Experimenta-
tion: Design and Analysis Issues for Field Settings. Chicago:
Rand McNally, 1979.
DURKHEIM, Emile. 7be Rules ofSociological Method. Tracl. Sarah
Solovay e John Mueller. New York: Free Press, 1962. (Eclitado
por George Catlin.)
HOLST!, Ole. Content Analysis for the Social Sciences and
Humanities. Reading: Addison-Wesley, 1969.
HUNT, Morton. Profiles ofSocial Research: TI1e Scientific Study of Human
Interactions. New York: Russell Sage Foundation, 1958.
LOFLAND, John. Analyzing Social Seflings. Belmont, CA:
Wadsworth, 1984.
McCALL, George, SIMMONS, ]. L. (Eel.). Issues in Participa11t
Observation: a Text and Reader. Reading, MA: Addison-
Wesley, 1969.
RAY, William, RAVIZZA, Richard. Methods Toward a Science of
Behavior and Experience. Belmont, CA: Wadswonh, 1985.
WALLACE, Walter. 7be Logic of Science in Sociology. Chicago:
Aldine-Atherton, Inc., 1971.
Pesquisa de Survey como
Metoda das Ciencias Socia is
Este livro aborda funclamenralmente a 16gica e as capacidades
de um metoclo de pesquisa: 0 survey. Antes de continuar, descre-
veremos rapidamente os componentes do survey tfpico, se bem
q ue veremos mais ta rde que metodos de survey podem ser
aplicados a uma vasta gama de t6picos e desenhos.
Suponha o interesse de estudar atitudes de estudantes
de uma universidade. Seleciona-se uma amostra de centenas
de estudantes da totalidade do corpo discente. Um questio-
nario e elaborado para obter informa~oes (por exemplo, ati-
tudes) relevantes ao tema investigado. Os questiom1rios sao apli-
cados a amostra de alunos, au·aves de enrrevistas pessoais,
por telefone ou por correio. As respostas de cada estudante
cia amostra sao codificadas de forma padronizada e registradas
de forma quantitativa. A seguir, transferem-se as respostas
codificadas de cada aluno para disquetes de computador. Os
registros padronizados de todos os alunos sao submetidos a uma
analise agregada, para fornecer descri~oes dos estudanres cia
amostra e cleterminar correla~oes entre cliferentes respostas. As
conclusoes descritivas e explicarivas obtidas pela analise sao,
enrao, generalizaclas para a popula~ao cia qual a amostra foi
selecionacla, neste caso toclo o corpo estuclantil.

Breve Hist6ria da Pesquisa de Survey
Pesquisa de survey apresenra semelhan~as suficienres
com outros merodos de pesquisa para ter uma hist6ria bem
longa. Em particular, surveys sao muito semelhantes a censos
sendo a diferen~a principal entre eles que um survey, ripica~
mente, examina uma amostra de popula~ao, enquanto o censo
geralmente implica uma enumcra~ao cia popula~ao roda.
Censos remontam, no mfnimo, ~~ antiga civiliza~ao egfpcia,
onde OS governanteS julgavam Uti! colher clados empfriCOS descre-
venclo seus suditos. As fun~6es polfricas da pcsquisa de swvey
continuam ate hoje, com a continua~ao dos ccnsos, a apari~ao
de pesquisas politicas encomencbdas por cancliclmos e usos feitos
por soci6logos politicos. Um clos primeiros usos politicos do
survey de aritucles ocorreu em 1880. Um soci6logo politico alemao
enviou questionarios pelo Correia a 25.000 trabalhadores fran-
ceses, para averiguar em que grau cram explorados pelos parr6es.
Era um questionario bem Iongo, incluindo item; como:
Seu empregador ou representant<.: dell: Ianr;a mao de
desonestidacle para priv{t-lo de parte do seu sal{trio?
Sc voce se abastece nos armazens cia empresa, a qualidade
dos produtos serve de prerexto para dedu~·C>cs fraudulentas
do seu sai:Jrio''
0 pesquisador em questao era Karl Marx. 25.000 questio-
narios foram enviados e nao ha qualquer registro tie que algum
tenha siclo retornado.
Informa-se tambem que Max Weber, um dos fundadores
cia sociologia moderna, usou metodos de pesquisa de survey
no seu estuclo sobre a etica protesranre. Alem do exame
hist6rico comparative do clesenvolvimenro econ6mico, ele
tambem estuclou operarios protesrantes e cat61icos, para
obter clados confirmat6rios em nlvel indiviclual. 2
Mas a maioria cia pesquisa de survc:.vcontemporanea foi
realizacla neste seculo por pesquisadores amcricanos. 0 esraclo
atual do metoda resulta de impottante trabalho de clesenvol\'i-
mento em trcs setores clistintos cia sociecladc americana.
Primeiro, o trabalho ininterrupto do U. S. Bureau of Census
fez imporranres contribui~6es aos campos de arnostragem e
coleta de dados. Apesar do Bureau ser mais con heciclo pelo
recenseamento c/ecenal da popu l a~ao americana, a grande
maioria clas ativiclades cia agencia rem a ver com uma scrie
continua de surveys amostrais que constantemente atualizam
dados demograficos e economicos entre os recenseamentos.
0 Bureau clesempenhou um papel singularmenre imponanre
no clesenvolvimento de defini~oes padronizadas de amostragens
e de metodos para a implemenra~ao destas defini~6es no
campo. Ao mesmo tempo, os dados gerados pelo Bureau
c. mstitufram um valioso recurso para o desenvolvimento de
desenbos de amostras em surveys especificos. (0 Capitulo 6
ilustra esre ponto com detalhes.)
A segunda foote de clescnvolvimemo foram as atividades
de firmas comerciais de pesquisas de opiniao, entre elas as
organizadas por George Gallup, Elmo Roper, Louis Harris e
outros. Estas firmas foram uma fonte continua de funclos para
apoiar 0 desenvolvimento e 0 uso de metodos de survey, princi-
palmente nas areas de marketing de proclutos e de pesquisas de
polfticas. Em epocas e m que nao havia recursos para sustemar
pesquisas academicas de survey, estas empresas come rciais
fizeram experimenta~ao com nuJtodos de amost?·agem, reda-
~cio de perguntas, tecnicas de coleta dec/ados e ourros aspec-
tos de pesquisa de survey. Alem c.lisso, pesquisas comerciais de
opiniao rem siclo uma fonte de dados de valor incalculavel
pa ra analise secundaria, e numerosos livros e arrigos acade-
micos foram publicados relatando analises mais detalhadas de
dados coletaclos inicialmente para fins c.lescritivos e comerciais. 3
Terceiro, o refinamento cientlfico da pesquisa de swvey,
sobretudo metodos sofisticac.los de analise, foi em grande parte
o procluto de algumas poucas universidacles americanas. Mais
especificamenre, clos esfor~os de dois homens e, mais tarde,
de centros de pesquisas de survey. Samue l A. Stouffer c Paul
F. Lazarsfeld devem ser consicleraclos pioneiros da pesquisa
de survey como e la e conhecicla hoje.
A obra pioneira de Stouffer consistiu, em grande parte,
em tentativas de aplicar metodos empfricos de pesqu isa social
a problemas sociais, come~anclo com analises clos efeitos cia
Depressao nos EUA e com coleta de dados sobre o status
dos americanos negros nos anos 30.' Na II Grande Guerra,
Stouffer dirigiu o Departamento de Informa~ao e Educa~ao
do Exerciro dos EUA, reunindo um grupo emcrgente de cientistas
sociais para examinar temas relevantes ao sucesso americana
na guerra. 5 Durante a era McCarthy, no infcio clos anos 50,
Stouffer realizou surveys nacionais para examinar os efeitos
cia cruzada anticomunista. 6
Nestcs e em inumeros outros estudos, Stouffer procurou
desenvolver metoclos cientificos de pesquisa cmpirica, ac.lequados
ao exame clos fenomenos sociais . Seus esfor~os conravam com
um solido treinamento cienrlfico pelos estatfsticos briranicos
Karl Pearson e R. A. Fisher, bem como de sua criativiclade inata. 0
legado de Stouffer e eviclentc em clesenhos de pesquisas, metoclos
de amostragem, clesenhos de questiom1rios, logica de analise e
outros metoclos de survey ainda hoje usaclos correntemente.
Paul Lazarsfeld trouxe para os EUA uma formar;ao intelec-
tual europeia. Como Stouffer, interessava-se pelo estudo de
fen6menos sociais como lideranr;a, comunicar;6es, compOitamento
econ6m.ico e profiss6es. No exame desses topicos, Lazarsfeld, como
Stouffer, desenvolveu tecnicas rigorosas para aplicar metodos
empfricos a quest6es sociais. Na area do comportamento
politico, ele achou importante examinar o voto como processo
e nao como evento singular. Para isso, projetou e realizou
estudos de paineis, reentrevistando um determinado grupo
de respondentes em ocasi6es diferentes durante uma campanha
polltica, acompanhando assim mudanr;as nas intenr;6es de
voto ao Iongo do tempo. Nao contente em clescrever, Lazarsfelcl
combinou este esforr;o com um exame cuidadoso dos fatores
demograficos e sociais associados as muclanr;as observaclas. 7
As contribuir;6es de Lazarsfeld para o desenvolvimemo
cla pesquisa de survey foram tantas que nao se pocleria enumera-las
todas aqui; mas tres merecem ser citadas. Primeiro, a carreira
de Lazarsfeld correu paralela ao desenvolvimento tecnico clos
equipamentos mecanizados de processamento de dados -
inicialmeme os perfuradores e separadores de cart6es e depois
os computadores. Deve-se creditar a ele o reconhecimento do
potencia l de uso desses equipamentos na pesquisa social
analftica e haver encaminhado jovens cientistas sociais para
realizar esse potencial.
Segundo, Lazarsfeld usou equipamentos mecanizaclos
de processamento de dados para elucidar e forma lizar a logica
cia analise de survey. Enquanto a engenhosidacle de Stouffer o
levou a sugerir raz6es para relar;oes observaclas nos esrudos
sobre o Exercito americana na II Guerra Mundial, foi Lazarsfeld
quem formalizou estas raz6es num modelo logico destas
relar;6es, mostrando como o modelo podia ser implementado
na pratica. 8 (Este topico e discutido mais detalhadamente no
modelo de elabom(:ao, Capitulo 15.)
A terceira grande contribuir;ao de Lazarsfeld foi a criar;ao
do centro permanente de pesquisas de apoio aos metodos de
survey, comer;anclo com a organizar;ao do Bureau for Applied
Social Research na Columbia University. A semelhanr;a do
grupo de pesquisas de Stouffer no Exercito, o Bureau reuniu
e treinou uma legiao de jovens e brilhantes cientistas sociais;
0 Bureau, porem, conseguiu sobreviver no pos-guerra.
Organizar;6es semelhantes, estabelecidas depois, incluem o
Survey Research Center na Universidade cia California em
Berkeley, o National Opinion Research Center na Universidade
de Chicago, o Institute for Social Research cia Universidacle de
Michigan, o Survey Research Center na Universidade cia California
em Los Angeles, e o Survey Research Laboratory cia Universiclacle
de Wisconsin.
Alem clestas instituir;oes, ha atualmente institutes e centros
semelhantes em campi universitarios espalhaclos pelos EUA
e pelo munclo, servinclo a diversas funr;oes. Primeiro, embora
os departamentos acaclemicos freqlientemente oferer;am ensino
em sala de aula sobre metoclos de survey, os cemros de
survey caracteristicamente permitem que estudantes recebam
rreinamento pratico de aprendizaclo, muitas vezes trabalhando
como assistentes de pesquisa. Segundo, inumeros surveys sao
realizados em tais centros, bancados por subvenr;oes gover-
namentais e de funclar;6es ou encomenclados por clientes
comerciais. Os centros tambem ciao consultorias e fazem
outras prestar;6es de servir;os a pesquisadores usuaries de
metoclologias de survey. Finalmente, esses centros clesempenham
u m papel importante no desenvolvimento metodologico da
pesquisa de survey. Enquanto um pesquisador individual
conduzindo um projeto de pesquisa pode relutar em experimentar
tecnicas alternativas de coleta de dados, uma uniclade organizada
de pesquisas e capaz de faze-lo em diversos estudos.
Antes de concluir esta breve historia do survey, devemos
mencionar o papel desempenhaclo pelas associar;6es profis-
sionais. Ao Iongo dos anos, associar;6es profissionais, cujos
membros freqlientemente utilizam metodos de survey, tem
promovido discuss6es de novas tecnicas e descobertas
empfricas em suas reuni6es e publicar;6es especializaclas.
Talvez as tres associar;oes principais neste aspecto sejam a
American Sociological Association, a American Political Science
Association e a American Marketing Association. Tambem a
AAPOR (American Association for Public Opinion Research)
tem sido de grande relevancia para os pesquisadores de
survey, reunindo praticantes dos setores academico, comercial
e governamental. A Public Opinion Quarterly, publicar;ao
trimestral da AAPOR, eo vefculo chave cia pesquisa de survey.
Capftulos subseqliemes rasteiam a historia de certos
componemes da pesquisa de survey. Contra o pano de funclo
desta breve visao geral, vamos examinar agora o Iugar da
pesquisa de survey no contexto geral da ciencia.

Caraderlsticas Cientlficas da Pesquisa de Survey
Como ja foi observado, a pcsquisa de surveye s6 uma de
muitas ferramentas de pesquisa disponfveis p;ra pesquisa-
dores sociais. Vale a pena repetir que mctodos de survey nao
sao apropriados a muitos t6picos de pesquisa, nem oferecem
necessariamente a melhor abordagem a assuntos aos quais
podem ser aplicados. Mesmo assim, o swvey pode ser usado
vantajosamente no exame de muitos temas sociais e e particu-
larmente eficaz quando combinado com OLllr'OS metodos.
Mais impoitame, acredito que a pesquisa de swvey oferece
o melhor exemplo para ensinar metoclologia nas ciencias
sociais. Se voce compreencle bem a 16gica e as capacitar;:oes
da pesquisa de survey, esti muito bern preparado para aprender
c usa r outros metodos de pesquisa social. Digo isto porque
vejo a pesquisa de survey como um crustacea: todos os ossos
estao do !ado de fora. Nos capftulos seguintes examinaremos
cuidaclosamente toclas as aproxima~oes, compromissos e outras
carencias cia pesquisa de survey. Como discutiremos em breve,
a pesquisa de survey rem uma funr;:ao pedag6gica, porque
todas as deficiencias ficam mais claras nela do que em outros
meroclos de pesquisa social, permitinclo assim a\·aliar;:oes
mais conscienres de suas implicar;:oes.
h Pesquisa de Survey f L6gica
Pesquisa de survey c guiada por rodas as restri~oes 16gicas
ja abordaclas nos clois capfrulos anteriores. Alem do mais,
na prarica, os dados de survey facilitam a aplicar;:ao cuidadosa do
pensamento 16gico. Embora esre t6pico va ser exploraclo com
mais deralhes no Capitulo 15, um exemplo sera apropriado agora.
Num estudo sabre envolvimento de episcopais na sua
igrcja, 9 Charles Glock, Benjamin Ringer e eu descobrimos que
mulheres de classe social baixa eram mais atuantcs do que
mulheres de status social mais alto. Quanta mais alta a classe
social, menor a participa~ao. Procuramos explicar csre fen6-
mcno em rermos da teoria da jJrivar,:clo do ellvolvimelllo na
igreja- pessoas a quem se nega prestfgio e status na socieclacle
secular se envolvem mais provavelmente na vida cia igreja
como fonte a lternativa de gratificar;:ao. Sugerimos que a maior
intensiclade de atividade na igreja de mulheres de classe social
baixa reflete a maior privar;:ao delas na socieclaclc secular.
Por exrensao, sugerimos que, entre as mulheres que gozavam
de algum grau de gratificar;:ao de status secular, classe social
nao afetaria envolvimento na igreja. Os dados disponfveis
inclicavam se as entrevistadas na pesquisa ja haviam ocupaclo
algum cargo em institui~ao secular. Esperavamos, logicamente,
que, entre mulheres com cargo na vida secular, classe social
nao aferaria envolvimemo na igreja. Esra expectativa foi testada
empiricamente e provou estar con·era.
0 formato da pesquisa de survey muitas vezes permite
desenvolvimento e teste rigorosos, passo a passo, de tais expli-
car;:oes 16gicas. Alem clisso, o examc de centenas e are milhares
de entrevistas de survey permite testar proposi~oes complexas
envolvendo cliversas variaveis em inrera~ao simultanea.
h Pesquisa de Survey£ Deterministica
Sempre que o pesquisaclor de survey procura explicar
as razoes para e as fontes de evenros, caracterfsticas e correla~oes
observaclos, a investiga~ao deve assumir uma postura deter-
minfstica. 0 faro do formato survey permitir elabora~ao clara e
rigorosa de um moclelo 16gico clarifica o sistema cleterminfstico
de causa e efeito.
Alem clisso, a clisponibilidade de numcrosos casas e
variaveis permite ao analista documentar processos causais
mais elaborados. Podemos ir alem cia observar;:ao inicial de
uma correla~ao entre variavel inclependente e dependente, para
exami nar o papel de cliversas variaveis intervcnientes. Assim,
voltanclo ao exemplo acima, notamos que classe social nao afeta
diretame nte envolvimento de mu lheres episcopais na igreja,
te ndo efeito atraves cia variavel interveniente gratifica~ao
secular. Mu lheres de classes sociais baixas rem probabiliclacle
menor de serem eleitas para ocupar cargos em organizar;:oes
seculares. Conseqi.ientemente, estas mulheres, como grupo, se
cnvolvem mais na vida cia igreja, mas, se recebem gratificar;:ao
secular, sua classe social nao afeta envolvimento na igreja.
h Pesquisa de Survey f Geral
Surueysamostrais quase nunca sao realizaclos para descrever
a amostra paiticular estuclacla. Sao rcalizaclos para se entender a
popular;:ao maior cia qual a amostra foi inicialmente selecionacla.
Assim, a Gallup pode entrevistar 1.500 eleitores americanos para
predizer como dezenas de milhocs vorarao no dia cia elei~ao.
Su rueys amostrais de consumidores vi sam conheccr preferencias
c comportamentos de consumidores em geral.
Do mesmo modo, anal ises explicativas em pesquisas
cle survey visam desenvolver proposi~oes gerais sabre
compo1tamento humano. 0 forma to survey permite este objetivo
cientffico generico de duas maneiras. Primeiro, o grande
numero de casos estudaclos num survey permite que achados
possam ser replicados entre varios subconjuntos cia amosrra
do survey. Se uma correlac;:ao geral e encontrada, por exemplo,
entre escolaridade e paclroes de compra, os pesquisadores
conseguem determinar facilmente se esta rela<;:f10 ocorre igual-
mente entre homens e mulheres, proteswntes e cat6licos,
brancos e negros, pessoas de regioes geogr:lficas diferentes
etc. Replicar um achaclo entre subgrupos diferentes fortalece
a certeza de que ele represema um fen6meno geral na sociedade.
Segundo, o relato cuidacloso cia metodologia de um survey
faci lita replicas posteriores por parte de OLltrOS pesqu isaclores
e/ou entre Oll[ras amostras e subgrupos. Deste modo, a genera-
lizabilidade dos achados pode ser testada e retestada.
APesquisa de Survey f Parcimoniosa
Como pesquisaclores de survey rem a disposic;:ao um
grande numero de variaveis, estao em posi<;ao exceleme para
examinar cuidaclosamente a importancia relativa de cada uma.
Como toclo cientista, pesquisaclores de survey querem obter o
maximo de compreensao com o menor numero de variaveis.
Nao precisam aclivinhar as variaveis mais relevantes no desenho
inicia l do estudo, contudo (ou, pelo menos, nao tanto quanto
pcsquisadores usando outros metoclos). Ja que o Formato survey
permite obter muitas variaveis que podem ser quantificaclas
e p rocessaclas por computador, os pesquisadores de survey
podem construir varios modelos explicativos e entao selecionar
o que melhor servir seus prop6sitos.
APesquisa de Survey f fspecifica
No contexte cia caracterfstica cientffica cia especificidade,
a natureza tipo crustacea cia pesquisa de surveye extremamente
relevante. Ironicamente, esra caracterfstica tambem expoe os
metodos de survey a um maximo de crfticas.
Suponha que um su1·uey conclua que conservadorismo
polfrico e preconceito contra mulheres se relacionam posiriva-
mentc. Tal conclusao se baseou em defini<;oes operacionais
especfficas de conservadorismo e de preconceito contra
mulheres. A medic;:ao de cada variavel foi construfda a partir de
respostas especificas a itens especfficos de qucstionario cocli-
ficados e quamificados de fonna especffica. Vista que todos estes
detalhcs constam do relat6rio cia pcsquisa, o leitor crftico csta
apro a descobrir que respondentes descritos como "muito
preconceituosos" sao os que concordaram com cinco itens
especfficos do questionario. Os crfticos podem objetar que este
cntc·no nao capturou plenamente 0 significado de "preconceito"
como eles- e, par extensao, OLltrOS- entendem o tenno. Poclem,
t:nllio, decidir que a conclusao geral nao rem funclamenro.
De cerro modo, tal resposta seria valida. A conceituac;:ao
e a medic;:ao de variaveis estao no ftmago cia pratica cientffica, e
se variaveis nao sao aclequadamente conceituadas e medidas,
correlac;:oes observaclas entre elas podem nao fazer sentido.
Assim, se observaclores independentes discordarem sabre
como variaveis fo ram medidas, poclem discorclar logicamente
cia conclusao geral.
Muitas vezes se passa por alto esta facilidade com que
Jeirores crlticos podem chegar a, e talvez, documentar seus
desacordos. Porque os analistas de swvey descreveram preci-
samente como desenvolveram e fizeram suas medidas, o leitor
sabe exatamente o que estas meclidas representam. A superficia-
lidade e as aproxima~oes que fazem parte de toda pesquisa
cientffica sao, simplesmente, mais aparentes num survey.
Em contraste, suponha que voce estudou a rela~ao entre
conservadorismo e preconceito contra mulheres mergulhanclo
como observador panicipante em varios grupos pollticos.
Voce pode relarar que suas observa~oes sugerem que os
liberais tem mais preconceito contra mulheres que os conser-
vadores. Em seu relat6rio, voce pocle c.lescrever qualitativa-
me nte como distingu iu conservaclores de liberais e precon-
ceituosos de nao-preconceituosos, captanc.lo a profundidade
de significado que estes termos tem no uso cla linguagem
comum, evitando assim a aparente superficialidade de itens
de quesrionarios e meclidas de survey.
Infelizmente, o observac.lor independente nao tem como
saber precisamente como suas clescri<;oes foram usadas na pratica,
nem como julgar ate que ponto seu vies, talvez inconscienre, pode
ter afetado suas classifica~oes de pessoas em termos de polftica
e preconceito. Isto nao quer dizer que suas observa~oes e
designac;:oes foram rendenciosos ou que sua conclusao estava
incorrera. E importante, porem, o faro de que nem voce nem
o observador inclependente sao capazes de clecidir a respeito.
(Deve-se observar, e claro, que, na pn1tica, a observac;:ao
participante varia em rigor c cspccificidade. 0 ponto e que 0
proprio metoda for<;:a o pesquisado de survey a ser explfcito.)
A pesquisa cientffica visa a conccituac;:oes e medidas
cada vez mais sofisticadas e uteis, mas a cada passo do caminho
os metodos usados devem ser especificados. Por sua propria
natureza, a pesquisa de survey se encaixa como uma luva
nesta caracterfstica.
Conclusoo
As demais caracteri'sticas cia ciencia sao igualmenre rele-
vanres no contexto cia pesquisa de survey. Onde a ciencia deve
ser empil-icamente verificavet, a pesquisa de survey oferece um
metoclo de verificac;;ao emplrica. Os comenrarios nas sec;;oes
anteriores tambem ilusrram como o fonnato survey e acle-
quado a intersubjetividade.
Finalmente, metoclos de pesquisa de survey facilitam a
abertura da ciencia. ]a que a pesquisa de survey envolve a
coleta e quantificetfdo de dados, os dados coletaclos se rornam
fonre permanence de informac;;oes. Um corpo de clados de
survey pode ser analisado pouco clepois cia coleta e confirmar
uma determinada teoria de comportamento social. Se a propria
teoria sofrer modificac;;oes mais tarde, e sempre posslvel retornar
ao conjunro de dados e reanalisa-los sob a nova perspectiva
teorica. Esta nova analise nao poderia ser realizacla tao facil-
menre no caso de metodos de pesqu isa menos rigorosos e
menos especfficos.
Compara~ao do Survey com Ouhos McHodos
As scc;;oes anteriores mostraram diversas comparac;;oes
entre pesquisa de survey e outros metoclos cientlficos de pes-
quisa social. Foi salientado que uma investigac;;ao abrangente
se beneficiaria com 0 uso de merodos cliferentes focaclos num
so topico. A esse respeito, tres ponros devem ser ressaltaclos.
Primeiro, a logica do experimento conrrolado pocle se
constituir num guia uti! a logica cia analise do survey. Onclc
o experimentaclor isola a variavel experimental pelo uso de
grupos emparelhaclos ou ranclomizados- grupos experimental
e de controle - , o analisra do survey busca o mesmo fim
conrrolando as variaveis post-facto. Por exemplo, o experi-
menrador pode garantir que os grupos experimental e de
controle tenham a mesma distribuic;;ao de sexos, para evitar
uma possfvel influencia desra variavel no experimento. 0
analista do survey consegue isto garantindo que subgrupos
na amosrra tenham a mesma disrribuic;;ao de sexos ou testando
separadamente a relac;;ao observada entre homens e mulheres.
Todavia, o objetivo logico de isolar variaveis relevantes pela
exclusao cia influencia de variaveis estranhas e a mesma para
OS dois metodos.
Segundo, a coclificac;;ao das respostas do survey e essen-
cialmente uma instancia de analise de conte(ido. Frequente-
mente, o pesquisador de survey fara perguntas abertas que
pedem resposta nas proprias palavras do respondente. Tais
respostas, porem, devem sempre ser codificadas em tipos de
respostas. Pode, entao, ser necessario coclificar um conjunto
de resposras como apoiando ou oponclo-se em geral a uma
dererminacla lei. A esse respeito, os pesquisaclores de survey
rem mu ito a aprender com as experiencias e metodos dos
analistas de conteudo.
Terceiro, as entrevistas de survey poclem beneficiar-se
com a experiencia dos observadores parricipantes. Metoclos
para obter rapport, manter neurraliclade e fazer observac;;oes
precisas sao importances para ambas as atividades.
h Pesquisa de Survey f Realmente (ientrfica?
Em vista das crlticas por vezes feitas aos cientistas sociais,
aos pesquisadores de sw·vey e aos sociologos praticantes de
survey em patticular, permito-me concluir este capitulo um tanto
chauvinistamenre. Ha varios anos, Allan Mazur publicou um
artigo intitulaclo "A Menor das Ciencias", 10 oncle levanrava a
questao de se a sociologia podia ser chamacla de ciencia. Como
sugere o titulo do artigo, ele concluiu que essa clesignac;;ao mal se
justificava. Nao e de se surpreencler que o artigo suscitasse
respostas imediatas e muitas vezes acaloraclas.
Como a maioria dos seus comentaristas, positivos ou
negativos, Mazur tambem concordaria que nenhuma resposta
definitiva e posslvel na questao de se uma d isciplina como a
sociologia e ou nao uma ciencia. Como vimos no Capitulo 1,
qualquer clefinic;;ao de ciencia deve ser arbitraria; portanto, nao
pode haver respostas absolutas. Ao mesmo tempo, a questao
merece ser discutida, mesmo nao podenclo ser respondida.
Penso que, no futuro, pesquisadores olharao para tras,
para essa era, e concluirao que o uso cia pesquisa de survey
por sociologos e outros cienristas sociais foi um perfoclo crftico
no desenvolvimento da ciencia em geral. Esta expecrariva
hipoterica nao e um mero vago sonho megalomanlaco de um
pesquisador de survey que, por coinciclencia, foi treinado
como sociologo. Os comentarios de clois ourros pesquisadores
ilustram a razoes desta expectativa.
 0 economista Daniel Suits, falando ha alguns anos em
Honolulu, numa conferencia de pesquisadores e planejadores
govemamentais, abandonou a costumeira tenninologia academica
e nao falou nem das "ciencias duras" (como ffsica e qufmica) nem
das "ciencias macias" (como sociologia, ciencia polftica e pes-
quisa de mercado), preferinclo distinguir entre ciencias "duras"
e "faceis". Seu ponro era que ffsicos podem realizar pesquisas
cientfficas facilmente, dado o assunto com que trabalham, enquamo
cientistas sociais tem um osso muito mais duro para roer.
Ma11in Trow rasteou algumas clas implica~oes clesta situac;ao
num contexto diferente. 11 Aborclando OS usos dos metodos
de sut·vey no campo cia educa~ao, Trow notou uma anomalia
interessante. Ele obse1vou primeiro que o ambience educacional
e quase ideal para pesquisa de survey: OS entrevistados sao
articulaclos, conhecem questionarios, sao faceis de enumerar
e amostrar, e os questionarios poclem ser administrados em
condi~oes controladas na sala de aula. Trow indagou , entao,
por que a maioria dos surveys educacionais sao tao triviais e
nao-sofisticados? Sua resposta foi que as condi~oes sao boas
demais. Pesquisadores educacionais nunca riveram que lidar
com condi~oes imperfeiras de pesquisas e como nunca foram
obrigados a fazer compromissos e aproxima~oes no desenho
e na execu~ao clas pesquisas, nunca tiveram clificuldades com
a 16gica basica cia pesquisa cientffica de survey. Nunca tendo
de se afastar do ideal 6bvio, nunca conseguiram entcncler
plenamente por que ela era considerada ideal.
Penso que esta observa~ao de Trow rem um significado
bem mais geral. As pr6prias aclversiclades com que as ciencias
sociais se deparam requerem a cria~ao de um sistema 16gico
de entenclimenro mais sofisticado. Alem disso, a pesquisa
de survey, por causa de sua especificiclade operacional, pode
prover o vefculo mais uti! para lidar com tais adversiclacles
de forma rigorosa e sistematica. Alguns exemplos esclarecem
mais este ponro.
Quando qufmicos clesejam esrudar as propriedacles do
hidrogenio, provavelmente nao se preocupam muito com
tecnicas de amostragem. Ja que um atomo de hidrogenio e
igual a qualquer outro, qualquer aromo serve para o escudo.
Mas cientistas sociais nao podem estudar qualquer inclivfcluo
ou grupo de indivfduos que lhes sejam conveniences. Os
qufmicos podem generaliza r seus achados para qualquer
hidrogenio baseados apenas no escudo de atomos conveniences,
mas os cientistas sociais devem desenvolver um entendimento
mais sofisticado do conceito 16gico de generalizabilidade, bem
como dos metodos operacionais para alcan~a-la. Evidentemente,
outros cientistas tem problemas de amostragem - geneticistas,
por exemplo - , e cientistas sociais rem encontrado orienta~ao
nos trabalhos de outras clisciplinas. Nao obstante, os problemas
de amostragem e de generalizabilidade sao maiores no escudo
do comportamenro social. Pesquisa de sumey e um vefculo exce-
lente para 0 clesenvolvimento de metodos uteis e, por extensao,
de entendimento mais amplo.
0 ato de mecllr e outro exemplo dos problemas da pesquisa
de survey. Suponha que voce esta tentando meclir algo como
preconce ito. Nao ha conceitua~ao clara ideal a partir da qual
trabalhar, nem ha opera~ao de mecli~ao facil, disponfvel para
se aproximar desse ideal. Se voce usar tecnicas de survey, o
problema e ainda mais basico. Voce pode clescobrir que um
item do questionario produz uma resposta preconceituosa
de um respondence, enquanto outro item gera uma resposta
nao-preconceituosa. Mais ainda, uma pequena varia~ao na
reda ~ao de um item pocle afetar a resposra obtida.
Do mesmo modo, os cientistas sociais reconhecem que
a simples presen~ dos pesquisaclores pocle afetar os entrevistaclos.
Peclir uma opiniao pocle cristalizar mais aincla a opiniao que
existia antes cia entrevista; alguns paiticipantes fonnam opinioes
na hora. Seria como se nas ciencias ffsicas uma barra de metal
esticasse ou encolhesse de comprimento quando um ffsico
chegasse para medi-la. Claramente, a siruac;ao enfrentada pelos
cienrisras sociais requer uma compreensao mais sofisticada de
conceirua~ao e medi~ao. A multiplicidade de variaveis rele-
vances e a natureza complexa e probabilfstica de causa~ao
no comportamento social pedem um entendimento mais sofisti-
cado do que a ciencia realmente e. A lista de exemplos seria
interminavel.
Neste contexto, observe-se que as "ciencias faceis" nao
sao tao claras e cliretas como se imagina. Por exemplo, os
ffsicos sabem que nao podem simultaneamente meclir o Iugar
e a velocidacle de um objeto; meclir um afeta o ourro. Cie nrisras
medicos sao obrigados a usar placebos (pflulas de ac;ucar, por
exemplo) para testar drogas novas porque alguns pacientes
parecem melhorar quando acreclitam estar recebenclo uma
poderosa droga nova e/ou porque os pr6prios pesquisaclores
medicos podem ver clesenvolvimentos otimistas em pacientes
que eles acreclitam estar recebendo a nova clroga. Ao mesmo
tempo, ffsicos nucleares afirmam que partfculas se movimen-
tando numa certa clirec;ao sem receber impulso adicional prova-
velmente continuarao a se movimentar naquela mesma clire~ao.
Em suma, as ciencias socia is sao um exemplo fmpar do
que o ffsico Heinz Pagels chama de as ciencias da complexidade. 12
Pagels argumenta que o desenvolvimento do computaclor Leituras ~dicionais
representa uma inova~ao na possibilidadc de lidar com sistemas
complexos, e em nenhuma area isro e mais verdade do que BAINBRIDGE, William Sims. Survey Research: A Computer-
nas ciencias sociais. Sugiro ate que o computador sera para Assisted Introduction. Belmont, CA: Wadsworth, 1989.
as ciencias sociais o que o telesc6pio foi para a astronomia e
o microsc6pio para a biologia. Neste proccsso, as ciencias DILLMAN, Don A. Mail and Telephone Surveys. The Total Design
sociais expandirao radicalmente nossa visilo do que pode Method. New York: John Wiley & Sons, 1978.
ser a ciencia. GLOCK, Charles Y. (Ed.). Swvey Research in the Social Sciences.
New York: Russell Sage Foundation, 1967.
Netas
LAZARSFELD, Paul F. "Introduction" to Samuel A. Stouffer. In:
1
BOTfOMORE, T. B., RUBEL, Maximilien (Ed.). Karl Mm:\~ Selected
Writings in Sociology and Social Philosophy. New York: McGraw-Hill, STOUFFER, Samuel A. (Ed.). Social Research to Test Ideas.
1956. Ver pagina 208 para as questoes citadas. New York: Free Press, 1962. p .XV-XXXI.
2
LAZARSFELD, Paul F., OBERSCHALL, Anthony R. Max Weber and Empi- PUBLIC OPINION QUARTERLY, v.51, n.4 (Parte 2). Edi~ao de
rical Research. American Sociological Review, p.185-199, abr. 1965. 502 aniversario (inverno 1987) com varios artigos revendo a
3
hist6 ria da pesquisa de survey.
Ver, por exemplo, HYMAN, Herbe1t. Seconclmy A11alysis ofSample Survey.
New York: john Wiley & Sons, 1972.

4
Uma 6tima revisao da obra de Stouffer pod<.: ser encontrada no livro
p6stumo de STOUFFER, Samuel A. Social Researcb to Test Ideas. New
York: Free Press, 1962.

5Ver STOUFFER, Samuel A. et al. The American Soldier: Studies in Social

Psychology in World War II. Princeton: Princeton University Press, 1949
e 1950. v.I-V.

6STOUFFER, Samuel A. Commu11ism, Conformity and Civil Liberlies.

Garden City: Doubleday & Company, Inc., 1955.

7
LAZARSFELD, Paul F. Tbe Peoples Cboice. New York : Columbia Univer-
sity Press, 1948.

ijVer KENDAL, Patricia, LAZARSFELD, Paul F. Problems of Stuvey Analy-

sis. In: MERTON, Robert, LAZARSFELD, Paul (Ed.). Continuities i11 Social
Research Studies in tbe Scope a11d Metbocl of tbe American Soldier. New
York: free Press, 1950.

9GLOCK, Charles Y., RINGER, Benjamin B., BABBlE, Earl R. To Comfort

and to Challe11ge. Berkeley, CA: University of California Press, 1967.
10
MAZUR, Allan. The Littlest Science. American Sociologist, p.195-200, ago.
1968.
11
TROW, Martin. Education and Survey Research. In: GLOCK, Charles Y.
(Ed.). Survey Researcb Methods i11 the Social Sciences. New York: Russell
Sage Foundation, 1967. p.315-375.

ll PAGELS, lleinz. The Dreams of RC/aSOII. New York, NY: Simon & Schus-

ter, 1988.
Desenho de Pesquisa de Survey
UPilULO 4
liPOSOf D£S£NHOS Of PfSQUISAS

CAPilULO 5
ALOGICA DA AMOSlRAGfM DO SURVEY
UPilULO 6
£X£MPLOS Of D£S£NHOS Of AMOSlRAGfM

CAPilULO 7
CONCfllUAChO £ D£S£NHO Of INSlRUMfNlOS

CAPilULO 8
CONSlRUCho Of iNDICtS£ fSCALAS

Os cinco capftulos da Pane 2 abordam d iversos aspectos

do dese nho do survey. Examinaremos alguns dos d iferentes
tipos possfveis de surveys, a sele~ao de amostras e a importance
questao da medi~ao.
Ha uma tendencia a considera r a analise de dados de
survey como mais desafiadora e excitante do que o desenho
do survey e a coleta de dados. Confesso sentir isto e desconfio
que a maioria dos outros pesquisadores de survey concordariam.
Durante a analise, come~a-se a ganhar entendimento do assunto
esrudado c pode-se companilhar as descobe1tas com os colegas.
Mas e errado supor que o desenho do estudo e menos
desafiaclor do que a analise ou requer menos brilho e engenho-
sidacle. Freqi..ientemente, alias, a engenhosiclade se rorna
necessaria na anal ise do survey justamente porque esteve
ausenre no desenho e na execu~ao da pesquisa. Mesmo podenclo
achar satisfa~ao na supera~ao de problemas de desenho ati·aves
de manipula~oes anallticas inteligentes, cleve continuar sendo
motivo de embara~o haver tais problemas; muitas vezes
se descobre haver problemas de desenho que nenhuma
engenhosidade resolve.
Quando fica mais competence nos diversos aspectos
do desenho do survey, voce compreende que ele requer
Capitulo 4
as mesmas capacidades l6gicas de solu~ao de problemas que
a analise do survey. Neste aspecto, o desenho e igualmente
excitante e desafiador.
Diversos desenhos de pesquisas sao descritos no Capitulo
4, para familiariza-lo como leque de op~oes e ajuda-lo a escolher
quais sao os mais adequados a cada finalidade de pesquisa. li pas de Desenhos de Pesquisas
Os Capftulos 5 e 6 abordam a amostragem de s111vey 0
Capitulo 5 trata cia 16gica cia amostragem e o Capitulo 6 apre-
senta exemplos para esclarecer a implementa~ao daquela 16gica
na pratica.
Depois de discutir amostragem, daremos <Hen~ao ao rema "Pesquisa de survej' se refere a um tipo particu lar de
da mediyao- come~ando no Capitulo 7 com a conceitua~ao e 0 pesquisa social empfrica, mas ha muiros tipos de survey. 0 tenno
desenho dos instrumentos. Abordaremos o processo atraves do pode incluir censos demograficos, pesquisas de opiniao publica,
qual pesqu isadores de survey refinam seus conceitos e elaboram pesquisas de mercado sobre preferencias do consumidor, escudos
itens de quesrionario para medi-los. 0 Capitu lo 8 continua estc acaclemicos sobre preconceiro, escudos epidemiol6gicos etc.
assunto, abordando a constru~ao de Indices c escalas compostos Surveys podem diferir em termos de objetivos, custos, tempo e
durante a analise de dados. 0 Capitulo 8 pode parccer cronologi- escopo. Varios desenhos basicos podem ser englobaclos no
camente fora de ordem, mas coloquei-o ali porque ele completa rermo survey.
o fluxo 16gico estabelecido no Capitulo 7. Esre capitulo come~a com uma breve discussao clos pos-
sfveis objetivos cia pesquisa de survey. Examina em seguida o
conceito de unidade de analise. Finalmente, descortina uma
visao geral das diferentes estrategias disponfveis pa ra atingir
suas finalidacles.

finalidades do Pesquisa de Survey

Ha provavelmente tantas razoes cliferentes para se fazer
surveys quanta ha surveys. Um politico pode encomendar um
visando a sua elei~ao. Uma empresa de marketing pode fazer
um surveyvisando vender mais sabonetes cia marca X. Um governo
pode fazer um survey para projetar um sistema de transite de
massa ou para modificar um programa de bem-cstar social.
A variedade de tais prop6sitos seria longa demais para
enumera-las todas aqui, porem tres objerivos gerais permeiam
todos esses interesses: descri~ao, expl i Gt ~ao e explora~ao.
Um survey pode visar (e usualmente visa) atingi r mais de um
clestes objetivos, mas e uti! examina-los separaclamente.
Descri~ao
Surveys sao freqi..ientemente realizaclos para permitir
enunciaclos clescritivos sabre alguma popula~ao, isto e,
clescobrir a distribui~ao de certos trac;os e atributos. Nestes, 0
pesquisaclor nao se preocupa com o porque cia clistribuic;ao
obse1vada existir, mas com o que ela e.
Distribuic;oes por iclacle e por sexo relatadas pelo U. S.
Bureau of Census sao exemplos deste tipo de survey. De forma
semelhante, o Ministerio do Trabalho pode procurar descrever
a extensao do desemprego no pafs num ou em varios pontos
do tempo. Tambem o Gallup pode tentar clescrever os percen-
tuais do eleitorado que votarao nos varios candidacos a pre-
sidente, a distribui~ao das atitudes com re la~ao a Guerra do
Golfo, a distribui~ao de atitudes em rela~ao a educac;ao sexual
nas escolas ou o usa de fluor na agua. 0 percentual de uma
popula~ao que provavelmente comprara um novo produto
comercial e outro exemplo de pesquisa descritiva.
0 survey amostral e um vefculo para descobrir estas dis-
tribui~oes. A distribuic;ao de trac;os numa amostra cuidadosa-
mente selecionada de uma popula~ao maior podc ser medida
e uma descri~ao companivel da populac;ao maior pode ser
inferida a partir da amostra. (0 Capftulo 5 discute a 16gica
destas infe rencias.)
Alem de descrever a amostra total (e inferir para a populac;ao
total), pesquisadores de survey muitas vezes descrevem suba-
mostras e as comparam. Assim, o Gallup pode come~ar com um
relata das inten~oes de votos de todo o eleitorado e depois
descrever separadamente Hepublicanos e Democratas, homens
e mulheres, eleitores de diferentes idades etc. As clescri~oes de
diversos subconjumos podem ser comparaclas, mas a finalidade
primordial e descrever e nao explicar as diferen~as. (Tais com-
para~oes constituem, contudo, um passo intem1ediario entre a
16gica da clescri~ao e a cia explicac;ao, como discutiremos mais
detalhaclamente no Capftulo 13.)
fxplica~ao
Apesar da maioria dos surveysvisar, pelo menos em parte, a
descric;ao, muitos rem o objetivo adicional de fazer asserc;oes
explicativas sabre a popula~ao. Ao estuclar preferencias cleitorais,
por exemplo, voce pode querer explicar por que alguns eleitores
preferem um canclidato, enquanto outros optam por outro can-
didate. Ao esrudar clesemprego, voce pode querer explicar por
que parte da forc;a de trabalho esta empregada e o restante nao.
Explicar quase sempre requer analise multivariada-
0
exame simultaneo de duas ou mais vari:iveis. Preferencias
por diferentes candiclaros politicos podem scr explicadas em
t~.:rmos de variaveis como filiac;ao partid:iria, educac;ao, rac;a,
sexo, regiao do pais etc. Ao examinar as relac;oes entre prefe-
rencias por candidates c as diversas vari:iveis cxplicativas,
0
pesquisador pode tentar "explicar" por que eleitores esco-
lheram um ou outro candiclato. (A Parte 4 deste Jivro aborda
longamente a 16gica cia cxplicac;ao.)
fxplora~ao
Metodos de survey poclem tambem fornecer um "meca-
nisme de busca" quando voce esta come~ando a investigac;ao de
algum tema. Por exemplo, durante o Movimento pelo Discurso
Livre, na Universiclacle cia California em Berkeley, nos anos 60,
fiz parte de um grupo de pesquisadores no campus que planejou
esruclar exaustivamente a natureza, as fontes e as conseqi..iencias
do radicalismo estuclantil. Embora tivessemos muitas ideias
sabre o assunto, receavamos haver desconsiderado alguns
componentes aclicionais da situac;ao. Se um grande estudo se
baseasse somente em nossas preconcepc;oes, corrfamos o risco
de nao pegar alguns elementos crfticos.
0 metoda cia pesquisa de survey oferece uma tecnica
para resolver esta clificuldade. Um questionario foi construfclo e
cerca de cinqi..ienta estudantes de diferentes orientac;oes polfricas
foram e ntrevistaclos em profundidacle. Nao se fez nenhuma
tentativa de selecionar uma amostra representativa de alunos,
nem os dados foram coletados de forma paclronizacla. Os
entrevistados foram encorajados a falar Jivremente sabre seus
ponros de vista politicos e suas atitudes com relac;ao ao radica-
lismo estudantil.
As entrevistas resultaram num clesenho de pesquisa
largamente revisto para o estudo principal. Os entrevistaclos
mencionaram fatores relevances ao radicalismo estuclantil que
nao havfamos antecipado. Certas orientac;oes polfticas que
antes pareciam contradit6rias agora faziam mais sentido. Estes
fatores adicionais foram subseqi..ientemente levaclos em consi-
dera~ao no desenho da pesquisa principal.
Mas ha coisas que o esrudo explorat6rio nao fez. Primeiro,
nao respondeu as questoes basicas que levaram ao planejamento
da pesquisa. Tambem nao e luciclou aclequaclamente a natureza
do radicalismo estuclantil nem abordou questoes sabre as fontes
e conseqi..iencias desse radicalismo. 0 modo como os clados
foram colhidos claramcnte impeclia estes resultados. Mas o
estudo explorar6rio suscirou novas possibilidades, mais tarde
exploradas no survey mais controlado.
Sao estes os rres objetivos basicos da pesquisa de survev
Como comentamos, a maioria dos estudos rem mais de u~1
ol~jet~v~ (its vezes todos os tres), mas estes objetivos proveem
pnnc1p1os organizacionais uteis no desenho de surveys. Antes
de abordar os tipos especiJicos de desenhos de estudo posslveis
para alcanpr estes objetivos, vamos introcluzir um rermo basico
mas as vezes confuso: unidades de analise. ' famflias, membros da for~a de trabalho c resiclentes.
Unidades de ~nalise
Pesquisa de survey fornece tecnicas para se estuclar quase
todo mundo. Esse mzmdo estudado num s111vey sao as unidades
de analise. Tipicameme, a unidade de analise num survey e uma
pessoa, mas nao necessariamcnte e, alias, muitas vezes nao
c. Quaisquer que sejam as uniclacles de analise, daclos sao
colhidos para se descrcver cada unicladc individual (por
exemplo, uma pessoa). As muitas descri~oes, entao, sao
agregadas c manipuladas para descrever a amostra estudacla e
por extensao, a popula~ao representada pela amostra. ' dades de analise por vezes confunde o pesquisador principiantc
Numa pesquisa de mercaclo sabre as prefercncias de con-
sumo clas marcas X e Y, cada consumidor amostrado c estuclado
e a unidade de analise. Cada um c clescrito em termos cia marca
que preferc. As varias preferencias sao, enrao, agregadas para
descrever a popula~ao de consumidores em termos de pcrcen-
tagens de predile~ao pelas duas marcas. Num survey sabre
desemprego, quem integra a for~a de trabalho c a unidade de
analise. Cada um e descrito como cmpregado ou clesempregaclo.
Esras descri~oes inclivicluais sao entao usaclas para descrcver rocla
a for~a de trabalho em tennos de taxa de desemprego.
As unidacles de analise sao tipicamente pessoas, mas
poclem rambcm ser famflias, cidades, estados, na~oes, compa-
nhias, ind(Istrias, clubcs, agencias governamentais etc. Em
cada caso, as unidades individuais de analise sao descritas c
estas descri~oes, agrcgadas para descrever a popula~ao
represcntada pelas uniclades. Por cxcmplo, voce pocle colher
daclos clescrcvendo cicbcles de um pals. Cada cidade pocle ser
descrira em termos do ramanho cia popula~ao e toclas as ciclades
do pals poclem, entao, ser descritas em rermos cia popula~ao
media. Variaveis adicionais clescrevendo as ciclacles podem
scr introcluzidas para cxplicar por que algumas cidades sao
maiores do que ourras.
Evidentemente, um cleterminaclo survey pocle envolvcr
mais de uma unidade de analise. Um survey de residencias
numa cerra cidade pocle tentar prover a seguinte informa<;ao:
pt:rcentual de estruturas residenciais em concli~oes deterioraclas,
clistribui~ao racial dos chefes de familia, renda familiar media
anual, taxa de dcsemprego e clistribui~ao etaria-sexual cia
popu la~ao residence. Nestes exemplos, as unidacles de analises
seriam, respecrivamente, estruturas resiclenciais, residencias,
Unidacles de analise num survey poclem ser dcscritas
com base em seus componentes. Por exemplo, cidacles podem
ser clcscritas quanta ~1s suas taxas de clesemprego ou compo-
si~oes raciais . Surveys pod em ser feitos para viabilizar estas
descri~oes. Se, porem, o objeto cia pesquisa for descrevcr
ciclades c agregar as varias clescri~oes para descrever toclas
as cidacles, entao a unidade basica de analise para o estuclo e a
ciclade. Ao mesmo tempo, uniclacles de analise podem scr
descritas em termos dos grupos a que pertencem. Assim, incli-
vfcluos podem ser descritos em rermos do numcro de pessoas
nas famllias ou cia concli~ao clas suas estruturas residenciais.
A aplicabilidade dos metodos de survey a diversas uni-
e resulta na sele~ao de uma unidade de analise inapropriacla
para uma linha de invcsriga~ao particular. Os perigos da falacia
ecol6gica devem ser conscientemente evicados. 1
Suponha que voce pretende explorar a posslvel rela~ao
entre rap e crime: sao os negros ou os brancos que mais
provavelmente terao comportamento criminoso? A unicladc
apropriada de analise para esta investiga~ao eo indivlduo. Amos-
tras de respondentes negros e brancos serao cstucladas e suas
respectivas taxas de criminaliclade computadas e comparaclas.
Entretanro, considcrando a clisponibilidade de certos
clados municipais, voce pocle ficar tentado a abordar 0 pro-
blema de Olltra forma. E possfvel obter facilmente taxas gerais
de criminalidacle nas ciclacles mais importantes do pals, assim
como achar daclos sobre a composi~ao racial destas ciclacles.
Analisando estes dados, voce pode clescobrir que as taxas de
criminaliclacle sao mais altas em ciclacles com maior propor~ao
de popula~ao negra. Oaf, voce pode concluir que negros rem
taxas de criminalidade mais altas do que brancos. No entanto,
esta linha de investiga~ao esta sujeira a falacia ecol6gica,
porque nao ha garantia de que crimes cometiclos em cidacles
preclominantemente negras foram cometidos por negros. E
concebfvel que as taxas mais altas de criminalidacle poclem
ocorrer emre brancos residindo em areas predominamementc
negras. Tal ma interprcta~ao nao seria possfvcl se voce tivessc
utilizado a unidade de analise con·eta. 1
Qualquer que seja a natureza dos dados usados para
descrever as uniclacles de analise, e importanre que eles sejam
previamente identificados. Do contr:l.rio, o desenho cia amostra
e OS metodos de coleta de daclos poclem impedir a analise mais
apropriada ao estudo. Se houver mais de uma unidade de analise
no estudo, esta considera~ao sc tornara ainda mais imponante.
Um exemplo final devc csclarecer.
Suponha que, num cstudo cia popula~ao de resiclencias
numa ce1ta ciclacle, voce dccida colher clados atravcs de entre-
vistas com os chefes de uma amostra de famflias, mas qucira
fazcr afirmas;oes sabre estruturas residcnciais, resiclencias,
famflias e pessoas. Dados sabre as estruturas podcm ser cole-
taclos perguntanclo questoes rclevames aos entrevistados
(qual e a idade da sua casa?) e par meio de observa~oes
(quando anclarcs rem a casa?). Daclos sabre a residencia tambem
podem ser coletados emrcvistanclo (quantas famflias moram
nesta casa?) e observando (qual e a ras;a do chefe cia famflia?).
Pocle-se peclir dados ao responclcntc para descrever as famflias
rcsidentes (qua l e a renda anual?) c os indivfduos residentcs
(qual o sexo e a idade de cada pessoa?).
Num eswdo complexo como este, com varias unidacles
de analise, deve-se ter cuidaclo especia l na organizar;;ao dos
dados para an alise. Se voce quiser clctcrminar o percentua l
de estruturas residenciais em cstado detcriorado, cada estrutura
cleve ser descrita apenas uma vcz na computa~ao, independen-
temente do numero de famflias OLI pcssoas morando Ia. Se voce
quiscr determinar o percentual cia popular;;ao residindo em
estruturas deterioraclas, cada estrutura cleve ser lanr;;ada na
computas;ao ramas vczes quamas forcm as pessoas morando
nela. Par exemplo, se cinco pcssoas resiclem numa estrutura
deteriorada, cada pessoa cleve ser clescrita como morando
numa estrutura cleteriorada e toclas as pessoas clescriws seriam
agregaclas para descrever a popular;;ao cia cidade.
0 caminho mais seguro a seguir num survey complexo
como este e criar arquivos separaclos de clados para cacla uniclade
de analise. Neste exemplo, voce cleve criar um arquivo para
estruturas, um para resiclencias, um para famflias e Olitro
para pessoas. Cada arquivo contcria toclos os claclos relevantes
para analise claqucla unidaclc, mesmo que inicialmen[e as
daclos possam ter siclo colhidos de outra unidacle de analise.
Assim, cacla arquivo de pessoas pocle ter indica~ao cia ra~a
do chefe da famflia a qual a pessoa pertence. Uma vez detcrmi-
nacla a uniclacle de analise para uma dererminada computac;ao,
\'ace pode faze-la facilmente usando o arquivo de dados
corresponclente.
Desenhos Basicos de Surveys
Ap6s especificar os objetivos e as unidades de analise
do seu survey, voce pocle escolher entre diversos desenhos
diferentes. Nesta ses;ao, discutiremos surveys interseccionais
[cross-sectional) e surveys longitudil zais e o usa de surveys inter-
seccionais como aproximas;ao de surveys longitudinais. Na sec;ao
seguinte, discutiremos varias;oes destes desenhos basicos.
Survey$1nterseccionai s
Num survey interseccional, dados sao colhidos, num ce1to
momenta, de uma amostra selecionacla para descrever alguma
pop ulac;ao maior na mesma ocasiao. Tal survey pocle ser usa do
nao s6 para clescrever, mas tambem para determinar relac;oes
e ntre variaveis na epoca do estudo.
Uma pesquisa para determinar inten~oes de votos e
um exemplo de pesquisa interseccional. Vale a pena notar
q ue, tipicamenre, se inclaga aos entrevistaclos: "Se a eleir;;ao
fosse ho je, em q uem voce votaria?" Os resu ltados sao apro-
priaclamente relataclos assim: "Sc a eleis;ao fosse hoje, o can-
cliclato X venceria disparaclo." Um survey para determinar taxa
de desemprego clescreveria o clesemprego cia populas;ao na
epoca do estudo.
Do mesmo modo, um survey interseccional cla relar;;ao
entre religiosidade e preconceito relataria esta relas;ao na
epoca do estuclo. Voce pocle relatar que pessoas religiosas
sao mais preconceituosas do que pessoas irreligiosas, mas
reconhecendo que esra relas;ao pocle muclar posteriormente.
Um survey subseqi.iente pocleria encontrar uma rela~ao bem
cliferente. (Em geral, porem, tais rela~oes tenclem a persistir
mais tempo do que as descri~oes.)
Survey$ Longitudinais
Alguns clesenhos de survey- clescritivos ou explica-
tivos - permitem analise de daclos ao Iongo do tempo. Daclos
sao coletados em tempos cliferentes, c relacam-se mudan~as de
descric;oes e de explicac;oes. Os principais desenhos longirudinais
sao estudos de lelldencias, estudos de cortes e estudos de paine!.
Esludos de Tendencias. Uma populac;ao pode ser amos-
tr~cla e estudada em ocasioes diferences. Ainda que pessoas
cliferentes sejam esrudadas em cada survey, cada amostra repre-
senra a mesma populac;ao. As pcsquisas eleitorais no clccorrer
de uma campanha polftica sao um bam cxemplo de estuclos de
tendencias. Diversas vezes, durante a campanha, amostras de
eleitores sao selecionados e perguntados em quem \'Otarao. Com-
parando OS resultados das varias pesquisas, OS pesquisadores
podem determinar mudanc;as nas inrenc;oes de voto.
No estudo constante do preconceito nos EUA, freqOeme-
mente os entrevistados sao indagados se acham que crianc;as
negras e brancas deveriam estudar na mesma escola. Com 0
pass;:u· dos ;:mas, os percentuais a favor de escolas racialmente
incegradas vem aumentando consistentementc. Tais dados per-
mitem que pesquisadores obse1vem tendencias nas aritudes com
relac;ao ~~ inregrac;ao racial.
Deve ser ressaltado que eswclos de rendencias muitas
vezes envolvem longos perfodos de coleta de dados. Tipica-
mente, voce nao colhc pessoalmente rodos os dados usados
num estudo de tendcncias, mas, ao inves, faz uma analise
secundaria de dados coletados ao Iongo do tempo por varios
outros pesqu isaclores.
Ate agora comentamos apenas estuclos clescritivos de
tendencias, mas nao ha motivos para um pesqu isador nao exa-
minar tendencias nas relac;oes entre variaveis. Um exemplo e a
relac;ao entre filiac;ao religiosa e preferencia polfrica. Tradicio-
nalmcntc, cat6licos e judeus nos EUA tendem a vorar no Partido
Democrata mais do que os protestantes, mas esta relac;ao pode
ser examinacb ao Iongo do tempo.
Esludos de Coorles. Estudos de tcndencias se baseiam
em descric;oes de uma populac;ao geral (como cleirorcs ameri-
canos) ao Iongo do tempo, embora mudem os integranres
claquela populac;ao. Pcssoas vivas c representadas no primeiro
esrudo podem ter morrido por ocasiiio do segundo, e pessoas
ainda nao nascidas, quando do primeiro estudo, podem estar
represemadas no segundo. Assim, um cstudo de rendencias de
atitudes entre estudanres numa universidade reflcte uma popu-
lac;ao cliferentc clc estuclanres cada vez que um suruey c feiro.
Um estuclo de coortes focaliza a mesma populac;ao especf-
fica cacla vez que os dados sao colerados, embora as amosrras
cstudadas possam ser diferentes. Por exemplo, podemos sele-
cionar uma amostra de cstudantcs se formando na universidade
em 1990, para medir suas atitudes em relas;ao ao trabalho.
Cinco anos depois, selecionamos e estuclamos outra amostra
cia mesma turma. A amostra e cliferentc a cada vez, mas con-
tinuamos descrevendo a turma de 1990. (Se estudassemos
os formandos de 1995 na segunda vez, te rfamos um esrudo
de tendencias de rurmas de formandos e nao um estudo de
coorte cia turma de 1990.)
0 exemplo seguintc ilustra um tipo diferente de estudo
de coorte. Num momenta, voce pode selccionar uma amostra
de todos os ame ricanos entre vinte c trinta anos de idacle.
Dez anos ma is tarde, a amostra sent de pessoas dos trinta
aos quarenta, e assim por diante. Isto e um esrudo de coorte
de um determinado grupo de idade . 0 mesmo cstudo pode
ser fe ito an·aves de analise secundaria de dados previamente
colhidos. Numa ocasiao, voce pode analisar os enrrevistados
com vinte anos no estudo de 1970, os de trinta num estudo em
1980, os com quarenta num estudo em 1990 e assim por diante.
Esludos de Paine/. Tanto os estudos de tendencias
como os de coorte permitem analise de processo e mudan\'a
no tempo, o que e diffcil num survey interseccional. Mas esses
metodos tem severas desvantagens. Um estudo de tendencias
pocle determinar que os eleitores, como um grupo, estao
mudando do candidate A pa ra o B, mas nao indica quais
pessoas estao mudando, atrapalhando tentativas de explicar
por que esta ocorrendo esta mudanp.
Estudos de paine is envolvem a coleta de dados, ao
Iongo do tempo, cla mesma amostra de respondentes , que se
chama paine/. Num estudo polftico, voce pode reentrevistar
todos os membros do seu paine! em inteivalos mensais durante
a campanha eleitoral. Cada vez voce pergunta em quem votariam;
se ocorrer mudans;a, voce sabera quais pessoas mudaram em
qual clirec;ao. Analisando outras caracterfsticas de quem muda
e de quem nao muda, talvez voce possa explicar as razoes
cia mudanc;a. (Claro que voce tambem pergunraria aos membros
do paine! por que haviam mudado as inrenc;oes de voro.)
Excero em cerros casos limite, estudos de paine! rem
de ser realizados como parte de um programa de pesquisas.
Enquanto cstudos de tendencias e de coorres poclem ser feitos
atraves de analise secundaria de dados coletados previamente,
estudos de paine! nao podem. ConseqOentemente, tendem a ser
caros e clemorados, alem de sofre rem de dois outros problemas.
Esgotamenlo de Paine!, o primeiro problema, se refere
ao montanre de nao respostas que ocorrcm nas (J!timas onclas
de enrrevistas. Algumas pessoas entrevistadas no primeiro
survey podem nao querer ou nao poder participar posterior-
mente. 0 ponto forte dos estuclos de paine! e a capaciclacle de
examinar os mesmos responclentes em diferentes ocasioes;
esta vantagem se perde quando respondentes nao participam
de diversos surveys.
Segundo, a analise dos dados do paine! pode ser bem
complicada. 0 principa l mecan isme analftico e a tabe!a de
mudanfas, que faz tabula\=oes cruzadas de alguma caracte-
rfstica em mais de uma ocasiao. Por exemplo, respondentes
que preferem o candidate A no primelro survey sao divididos
entre os que contlnuam a preferi-lo no segundo survey e os
que agora pre ferem o candidate B. Os eleitores que, da primeira
vez, preferiram o candidate B sao divicliclos de forma seme-
lhante. Aumenta nclo o numero de surveys, de variaveis e a
complexiclacle clas variaveis, a analise e a apresenta\=ao dos
dados podem se to rnar inaclministraveis (ver o Capitulo 14
sabre as dificulclacles de ana lises tipol6gicas).
Par todas estas razoes, estuclos de paine! sao realizaclos
com menos frequencia do que outros tipos de survey. Mas o
estudo de paine! e o desenho de survey mais sofisticaclo para a
malaria dos prop6sitos explicativos. (Eo que mais se aproxima
do classico experimento em laborat6rio.)
Apro x ima~ao de Surveys Longitudinais
Sem duvida, o survey interseccional e o clesenho de pes-
qu isa usado mais frequentemente, embora muitas, senao a
ma ioria, das questoes que o pesqu isador que r responder
envolvam alguma no\=ao de mudan\=a no tempo. Alguns meca-
nismos podem ser empregados num survey interseccional para
aproximar o estuclo de processo ou mudanp.
Primeiro, os respondentes clevem fomecer dados relevances
para questoes que envolvem processo. Por exemplo, pode-se
perguntar a eles a renda cla famflia no ano atual e no anterior,
e estes clados usados como se tivessem sido colhidos num
estudo de paine! com cluas ondas de enrrevlstas, com um
ano de intervale. Mas ha dais perigos aqui. Primeiro, que
respondentes possam nao conseguir informar com exaridao.
Quanta ma is Ionge tiverem de ir na memoria, menos exata ,
provavelmenre, sera a informa\=i'i.O prestada. Segundo, OS
pesquisadores nao clevem se enganar e interpretar os daclos
do ano anterior como interset;ao cia populat;ao daquele ana,
vista que a amostra e limitada a populat;ao atual.
Uma segunda fo rma de aproximar-se de urn estudo no
tempo e fazer compara\=oes de idade ou de coorte num s1trvey
intersecciona l. Numa pesquisa, jovens podem ser menos
rellgiosos que os velhos e isso ser interpretado como um
declfnlo na religiosidade da popula\=ao. (Par outro !ado, o
faro de que pessoas tendem a se rornar mais religiosas com
a idade pode dar conta completamente das diferen\=as obser-
vadas.) Outro estu do pode descob rir que calouros sao inte-
lectualmente menos sofisticados que alunos do quarto ano e
concluir que a ecluca\=ao u niversitaria aumenta a sofistica\=ao.
(Reconhece, contuclo, que a popula\=ao cia qual os novas calouros
sao tirados pocle ser menos sofisticacla, aponrando para uma
tendencia e nao para um processo. Pode ser tambem que alunos
menos sofisticados que foram calou ros ha quatro anos arras
safram cia universidade antes cia realiza\=aO do survey.)
Finalmente , claclos interseccionais podem as vezes ser
interpretados logicamente, para indicar um processo temporal.
Um estudo do uso de clrogas entre estudantes, par exemplo,
indicou que toclos os que declararam usa de maconha tambem
inf01maram experiencia anterior com alcoa!. Alem clisto, toclos
os estudantes que relataram terem usado LSD tambem relataram
o uso de maconha Ce alcoa!). E razoavel concluir, desses
clados, que 0 progresso no usa de clrogas e do alcool para a
macon ha para o LSD. Se, par exemplo, alguns alunos tivessem
usado maconha antes do alcool, entao o survey interseccional
devia ter descoberto alguns que haviam usado maconha, mas
nao alcool. Da mesma fo rma, deviam ter siclo clescobertos
estudantes que toma ram LSD mas nao outras drogas, se o
LSD tivesse sido usado antes etas outras. Como nenhum estu-
dante assim foi encontraclo, enquanto foram encontraclos
mu itos que haviam tomado apenas alcool ou todas as clrogas
estuclaclas menos LSD, os pesquisadores conclufram, por motivos
16gicos, que 0 processo temporal passava de alcool para
maconha para LSD. (Nota: esta conclusao nao ap6ia a suposi\=ao
de que uma droga leva fisiologicamente a outra.)
Varia~oes dos Desenhos Basicos
survey;
A set;ao amerior delineou os desenhos basicos de
todo survey pocle ser caracterizado nos termos discuticlos.
Ao mesmo tempo, estes clesenhos basicos podem ser modifi-
cados de varios moclos para se enquadrarem no que requer
uma determinada pesquisa. Esta se~ao aborcla algumas das
modificat;6es mais comuns.
~mosha s Paralelas
Um problema de pesquisa pode as vezes ser particular-
mente relevance para mais de uma popula~ao. Par exemplo, se
voce forum pesquisador educacional, pode querer amostrar as
atitudes dos estudantes em rela~ao a proposra de um c6digo de
conduta estudantil. Talvez voce tambem se inte resse em saber
o que os professores e ate os administraclores escolares acham
do c6cligo. Neste caso, voce pocle amostrar cacla popula~ao
separaclamente e administrar o mesmo questionario (ou outro
ligeiramente modificado) a cada amostra. Os resultados seriam
cntao comparaclos. Num ourro exemplo, voce pode querer
examinar as cren~as religiosas de fieis cia Jgreja Metodista e
compan1-las com as cren~as do clero metoclista. Novamente,
cada populat;ao seria amostrada e esruclada. Tais escudos sao
denominaclos amostras paralelas.
Em alguns casas, a amostra de uma popula~ao pode ser
usacla para gerar a amostra cia outra. Po r exemplo, estuclantes
universitarios poclem ser amostrados, e quesrionarios, enviaclos
aos estudantes e seus pais. As respostas clos alunos como um
toclo poclem ser comparaclas as respostas clos pais como um toclo.
fstudos Contextuais
Como observamos ao cliscutir unidades de analise, pes-
seas poclem ser clescritas em tcrmos clos grupos a que per-
tencem. Assim como se pode descrever uma famil ia como
gra nde, membros desra famili a poclem ser descritos como
pertencendo a uma familia grande. Colher dados sabre partes
do ambience ou meio cia pessoa e usar rais daclos para descrever
o indivfduo constitui um estudo contextual - um exame do
contexte do indivfduo.
Usando o exemplo das amosrras paralelas, dados colhidos
dos pais poclem ser usados para descrever seus filhos. Um
aluno pode ser clescrito como filho de pai poliricamente liberal,
de mae iclosa etc., e estes dados serem enrao usaclos na analise
das atitudes do esrudante.
Ao estudar membros de igrcjas, voce podc coletar clados
sobre a igreja a que pertence cada um e, talvez, sabre o ministro
cia mesma. Um membra cia ig reja pode se r enrao clescrito
como pertencendo a uma igreja rica e grande no centro cia
c idacle, com um ministro abaixo dos quarenta anos.
Entretanto, tais analises exigem que OS dados colhidos
sobre os conrextos dos respondences sejam identificados com
eles, de forma a serem inclufdos nos seus arquivos de dados.
Isto nao pode ser feito enviando quesriona rios anonimos a
amostra de estudanres e pais. Os estudantes rem de ser identi-
ficados no quesrionario (por nome ou numero) e os pais serem
identificados de alguma forma que os ligasse aos filhos.
fstudos Soc iometricos
Tipicamente, surveys estudam uma amostra de uma deter-
minada popula~ao, coletanclo dados sabre os indivfduos na
amostra, para descrever e exp licar a popula~ao que repre-
senram. Todavia, o formate basico do survey pode ser usado
para um exame mais abrangente de algum grupo, observando
as inter-rela~oes entre seus membros. Um bam exemplo e o
estudo sociometrico.
Suponha que voce queira aprender alga sabre a sele~ao
de amigos fntimos entre crian~as na escola. Voce pocle fazer um
survey convencional entre uma amostra de a lunas e pedir-lhes
varias informa~oes sabre os amigos mais p r6ximos. Num
desenho sociometrico, voce estudaria todos os alunos numa
sala e pe diria a cada um que iclentificasse os amigos pelo
nome. Desta fo rma, voce pocle descobrir que Jack escolheu
Bill como melhor amigo, mas Bill, par sua vez, escolhcu
Frank. Voce poclc tambem descobrir que cinco alunos cia sala
escolheram Mary como sua melhor amiga e ninguem escolheu
Ruth. Estas especies de analises poclem crescer em complexi-
dade, para possibilitar um exame abrangente de coda uma rede
de amizades. Procurando explicar par que certos estudantes
foram mais escolhidos do q ue outros, voce ceria um corpo de
dados sabre os estudanres escolhiclos, a partir dos auto-relates
de caracterfsticas, incluinclo quem eles escolheram.
Deste modo, voce podc examinar varios possfveis fatores
que governam a forma~ao de amizades, incluindo variaveis
como sexo, rap, status economico e inrel igencia. A coleta
de clados de todos os mcmbros do grupo poupa ao pesquisaclor
ter que peclir aos participanres clescrever detalhadamente suas
sele~oes; alem clisso, voce ceria acesso a recle de amizades.
Variances desta tecnica podem scr usadas com qualquer grupo
e a pesquisa pocle ser conduzida ao Iongo do tempo ou de
forma interseccional.
fscolhendo o Desenho hpropriado
Dadas as varias opt;oes disponiveis ao pesquisador de
surveys, a questao e "Qual desen ho eleva escolher?" Esta per-
gunra nao pode ser responclicla em abstrato, porque cliferentes
problemas de pesquisa requerem clesenhos cliferentes. Mesmo
assim, podem-se dar algumas diretrizes gerais.
Primeiro, se seu objetivo for uma descri~ao de tempo
(mica, Um Sll rvey interseccional e provaveJmente 0 desenho
mais apropriado. Voce identifica a populat;ao relevanre, sele-
ciona uma amostra de respondenres e faz o survey. A mesma
op~ao se aplica a uma pesquisa na qual imeressa clescrever
subconjuntos . Caso voce pretenda documemar diferenps de
atitucles politicas entre homens e mulheres, pocle consegui-lo
com um survey interseccional.
Mais comumenre, porem, voce se interessa em examinar
algum tipo de processo clinamico, com mudant;as ao Iongo
do tempo. Par exemplo, ao lidar com as fames e/ou conse-
qi.iencias cia religiosiclacle, a quesrao da mudanp no tempo
fica imp!icita, se nao explicita. Implicitamenre se supoe que
algumas pessoas se tornam religiosas e que ser religioso tem
efeitos subseqi.ientes em atirudes e/ou comportamentos. 0
ideal e selecionar uma amostra de respondentes num ponto
cia vida antes de desenvolverem uma o rienta~ao religiosa e
estuda-los ao Iongo do tempo, cobrindo o perioclo durante
o qual alguns deles se tornam religiosos, acompanhando-os
durante o perfodo em que a religiosiclact"e rem e feiros sabre
outros aspectos de suas vidas.
Um estudo assim leva anos para se completar. Prova-
velmente, voce comep com uma amostra de pre-adolescentes
e os segue att·aves da meia-idacle are se tornarem idosos. 0
tempo e cusro exigidos por um estudo assim provavelmente
o inviabilizariam. Par isto, tais temas sao mais freqi.ientemente
trabalhados em surveys interseccionais. Em vez de observar
os efeitos de varias condit;oes e experiencias sociais enquanto
ocon·em, voce examina seus possiveis efeiros comparanc.lo
respondentes que passaram par estas condit;oes e experiencias
no passado com aqueles que nao passaram.
Por exemplo, pessoas casadas geralmenre sao menos
religiosas que as nao casadas. 0 estudo de paine! permire
observar o declfnio de religiosidade em alguns participantes
ap6s o casamento. Mas o survey interseccional permite com-
parar os nfveis de religiosiclacle entre casaclos e nao casaclos
num dado momenta, observando menos religiosidade em
geral nos respondenres Casados. Embora voce nao possa
observar o efeito do casamenro na religiosidade na epoca
do casamento , pocle querer inferir este efeito com base na
cliferent;a neste tempo unico. 3 (A Parte 4 aborda a 16gica
destas inferencias.)
Surveys de paine! sao mais viaveis quando o fenomeno
estuclado rem dura~ao relativamente curta. Uma campanha elei-
roral e um exemplo. Como uma campanha deve clurar menos
de um ano, e passive! fazer diversas onclas de entrevistas com o
paine! do survey durante a campanha, monitoranclo mudan~as
nas inten ~oes de votos neste perfodo e coletando dados rele-
vantes a explica~ao clestas mudan~as. Com tao curta dura~ao,
devem ser reduzidas as dificuldacles de esgotamento do paine!,
e fica mais facil localizar os responclentes. (Num perfodo mais
Iongo, muitos respondentes podem se muclar cia cidade e fica
mais diflcil localiza-los.)
Resuminclo, sempre que o problema de pesquisa envolver
o exame de mudanps individuais no tempo, o survey de
paine! seria teoricamente o desenho mais apropriac.lo. Se o
processo de mudant;a ocorrer durante um tempo relarivamente
curta, o survey de paine! pode ser viavel. Mais comumenre,
porem, 0 pesquisador e obrigaclo a clepencler de dados inter-
seccionais para inferir o processo de mudan~a nos inclivfduos
com o passar do tempo.
Se, por ourro !ado, o problema de pesquisa tratar pouco
de amplas tendencias temporais- do ponto de vista descri-
tivo - , as dificu ldacles serao menores na maioria dos casas.
Em muitas situat;oes, voce vera que outros pesquisadores ja
coletaram e relataram todos OS daclos que voce precisa. Por
exemplo, se tiver interesse nas mudan~as gerais de atitudes
com rela~ao a Guerra cia Indochina, voce vai clescobrir que
pesquisadores acaclemicos e comercia is vem colhenclo infor-
mat;oes relevames ha anos. Sua tarefa, entao, pode ser apenas
localizar tais estudos, comparar a natureza dos itens de questio-
nario e os desenhos de amostras, para cliscutir as mudan~as
observaclas. Em outras situa~oes, voce pode verificar que s6 um
survey colheu daclos relevantes ao seu interesse de pesquisa ou
que o ultimo estudo realizaclo ja esta clefasaclo. Em ral caso, voce
pode querer fazer um novo survey interseccional - comparavel
em desenho amostral e itens de questionario - a fim de fornecer
uma nova medic;ao visando um exame de tendencias.
 IIUNT, Morton. Profiles of Social Resea1·ch: The Scientific Study
Resumo of Human Interactions. New York: Basic Books, 1965.

Sao estes enrao os desenhos basicos e as varia<;;oes LAZARSFELD, Paul F., PASANELLA, Ann K., ROSENBERG, Morris
mais comuns disponfveis ao pesquisador de swve_)•. A discussao (Ed.). Continuities in the Language ofSocial Research. New
anterior de modo algum exaure as possibilidades de desenho York: Free Press, 1972. se<;;oes III-IV.
mas deve oferecer-lhe cstfmulo c orienta<;;iio suficientes para' MILLER, Delbert. Handbook of Research Design and Social
construir o desenho de estudo mais apropriado as suas neces- Measureme11t. New York: Longman, 1983.
sidades de pesquisa.
Os melhores estudos muitas vezes sao os que combinam
mais de um descnho, ja que cada desenho da uma perspectiva
diferenre ao assunro estudado. Ao mcsmo tempo, voce cleve se
prec:wer contra desenhar urn survey tao complexo que nao haja
tempo nem dinheiro para executa-lo. ja enfatizamos no Capitulo
3 que rodos os desenhos de survey representam compromissos.
0 bom pesquisador consegue o melhor comprornisso possfvel.

Notos
1
Para uma discussiio mais abrangente deste t6pico, vide R0131l'\SON, \Y/.
S. Ecological Correlations and the Beha\'ior of Individuals. American
Sociological Review, p.351-357, jun. 1950.
2 Deve-se reconhecer que o pesquisador :ts vezes nao tem condi~oes de
conduzir uma investiga<;iio usando as unidades de analise mais apropriadas.
Nestes casos, uma ··analise ecol6gica" pode ser a (mica abordagem
viavel para o assunto no memento. 0 famoso estudo de Durkheim
sobre suicfdio e um excelente exemplo. Para uma discussiio de como
Durkhcim evitou a falacia ecol6gica, vide SELVJN, Hanan. Durkhcim's
Suicide and Problems of Empirical Research. American .foumal of
Sociology, p.607-619, maio 1958. Outro exemplo e STOUFFER, Samuel A.
Effects of the Depression on the Family. In: STOUl.. FEH, Samuel A. (Ed.).
Social Researcb to Test Ideas. New York: Fret..: Press, 1962. p.I34-153 .

.lReconhece-se, cvidememente, que esta inferencia a partir de dados

interseccionais esta sempre sujeita a questionamemo. Neste caso, pode-se
argumentar que pessoas religiosas tem menor probabilidadc de se
casarcm, ou seja, que a dire~ao causal e opoMa :1 que foi inferida.

Leituras hdicionais
COOK, Thomas D., CAMPBELL, Donald T. Quctsi-F..".:perimentation
Design and Analysis Issues for Field Senings. Chicago: Rand
McNally, 1963.
GLOCK, Charles Y. Survey Design and Analysis in Sociology.
In: GLOCK, Charles Y. (Ed.). Surve_y Research inlhe Social
Sciences. New York: Russell Sage Foundation, 1967. p.1-62.
 Capitulo 5

A L6gica da Amostragem do Survey

Neste livro, como em muitos outros, o termo survey tern

sido usado como sentido implicito de "survey por amostragem",
por oposi<;ao aoestudo de todos os componentes de uma popu-
la<;ao ou gru po. Tipicamente, metodos de survey sao usados para
estuda r urn segmento ou parcela - uma amostra - de uma
popula<;ao, para fazer estirnativas sobre a natureza da popula<;ao
total da qual a amostra foi selecionada. Embora a pratica de usar
amostras seja aceita mais ou menos tacitamente, as razoes para
amostrar, e m geral, nao sao conhecidas. Consideremos breve-
mente estas razoes, a ntes de nos voltarmos p ara a 16gica e as
tecnicas da amostragem.

Par que fazer ~moshagem?

Ha duas razoes para justificar a amostragem: tempo e custo.
Uma entrevista de urn survey domiciliar abrangente pode
exigir d e uma a tres horas e de $40 a $100. A economia de
estudar 2.000 pessoas em vez, d igamos, 500.000 e 6bvia.
Portanto, amostrar muitas vezes torna posslvel urn projeto,
enquanto a recusa em amostrar acabaria com a pesquisa.
No entanto, a amostragem nao deve ser vista como urn
mal necessaria. Em geral nao se reconhece que surveys por
amostragem sao muitas vezes mais precisos do q ue enrrevisra r
todos os componentes de uma popula<;ao. Este fato aparente-
menre bizarre resulta de diversas caracterfsticas da logfstica
do survey por enrrevista.
 Prirneiro, urn grande projeto de entrevistas requer urn
nurnero enorrne de emrevistadores. Pesquisadores caracteristi-
carnente tentarn limitar seu pessoal aos melhores entrevistaclores
clisponiveis, e urn grande projeto provavelmente exige contratar
qualquer pessoa disponfvel, resultando que a qualiclade geral
dos entrevistadores e rnais baixa do que a habitual. A qualidade
dos dados coletados se recluz pela rnenor qualidade dos entre-
vistadores. Alem disso, urna pesquisa em menor escala permite
procedirnemos de acompanhamento mais severos, aumentando
a taxa de cntrevistas completas.
Segundo, ja que entrevistar todos os membros de uma
popu lac;ao grande requer uma fase de enrrevistas longa, fica
diffcil e mesmo impassive! especificar a epoca a qual se referem
os dados. Se a pesquisa visar medir o nfvel de desemprego
numa grande cidade, o indice de descmprego fornecido pelos
dados do survey nao sc referem a cidade, seja do infcio, seja
do fim das entrevistas. Em vez disso, rem que dar alguma
data hipotetica ao indice de desemprego, talvez 0 ponto media
do periodo de entrevisras. (Pedir aos enrrev istados para
responder sabre uma data especificada uniforme introduz o
problema da recordac;ao imprecisa.) 0 problema da atribuic;ao
do tempo e inerente a qualqu e r projeto de entrevistas nao
executado num s6 momenta, e a gravidade do problema cresce
com a durac;ao do periodo de entrevistas. Se entrevistar tamar
dez meses - com os indices de desemprego variando neste
perlodo - , o fndice resultanre nao tera significado.
Finalmcnte, os requisites administrativos de um grande
survey sao muito maiores do que os em geral e ncontradas
pelos pesquisadores por surveys. A supervisao, os relat6rios,
o treinamento e assim por diante sao muito mais diffceis num
grande survey, e a qualidade dos daclos coletados pode ser
menor do que a obtida num trabalho mcnor e mais manejavel.
(Vale a pena observar que o Bureau do Censo nos EUA produz
um survey par amostragem ap6s o censo decenal para avaliar
os dados colhidos na enumcrac;ao total.)
Dados por ~moshagem Sao Real mente fxatos?
Apesar da discussao anterior, talvez voce ainda sinta
algum desconforto quanta aamostragem. Uma vez que e possfvel
uma amostra representar crroneamente a populac;ao da qual
e obtida, 0 pesquisador que usa metodos de amostragem
enfrenta um perigo inevitavel. No emanto, como mostraremos
neste capitulo, procedimentos de amostragem bem-cstabclecidos
podem rornar aceitavel esse perigo. Surveys por amostragem
podem permitir estimativas muito precisas sabre as populac;oes
que retratam. Mas o pesquisador de surveys por amostragem
Jeve estar preparado para rolerar uma certa ambiguidade,
uma vez que raramente e passive! detem1inar o grau de precisao
dos achaclos de uma amostra.
Pesquisadores de opiniao polftica represenram um grupo
de pesquisaclores por surveys a quem e dada a oportunidade
de verificar a precisao clos achaclos das suas amostras. 0 dia
da eleic;ao e o do ju lgamento final para eles, e suas experiencias
sao instrutivas em relac;ao a questao mais geral da precisao
dos surveys por amostragem.
A maioria dos crfticos dos metodos de survey por
amostragem lembra a votac;ao do Literary Digest de 1936, que
previu a vit6ria de Alfred M. Landon sobre Franklin D. Roosevelt
par maioria absoluta. Pesquisando uma amostra de mais de
2 milhoes de eleitores pelo correio, o Digest previu que Landon
derrotaria Roosevelt em quase 15 pontos percentuais. A razao
principal deste fracasso foi a moldura de amostragem usada
pelos pesquisadores (discutiremos este conceito depois). A
amostra do Digest foi rirada de catalogos relefOnicos e lisras
de registros de autom6veis, um procedimento de amostragem
que foi suficiente nas eleic;oes de 1920, 1924, 1928 e 1932,
mas que em 1936 nao forneceu um corte representative dos
eleitores americanos. No rastro da Depressao, e no meio do
New Deal, numeros sem precedentes de americanos pobres
apareceram para vota r, e estas pessoas pobres nao estavam
adequadamente represenradas pelos catalogos relefonicos e
listas de registros de autom6veis. 1
Em 1936, George Gallup previu corretamente que Roosevelt
ganharia um segundo mandata. Os procedimemos de amos-
tragem de Ga llup diferiam dos do Literary Digest. 0 Institute
Americana de Opiniao Publica de Gallup foi pioneiro no uso da
amostragem por cotas (descrita posteriormente neste capitulo),
~u e garanria a todos os tipos de eleitores, ricos e pobres
tgualmente, adequada representac;ao na amostra. Onde a
pesquisa do Digest falhou em encontrar e interrogar os eleitores
pobres - predominantemente Democratas -,a amostragem por
cotas de Gallup o fez.
Doze anos depois, Gallup e a maioria dos outros pesqui-
sadores de opiniao polftica passaram pelo constrangimento
de prever a vit6ria de Thomas Dewey sabre Harry Truman.
Como observou Goodman Ace, acidamente: "Toclos acreditam nas
pesquisas de opiniao publica. Todos, descle o homcm cia rua ate o
presidente Thomas E. Dewey."2 Varios fatores conspiraram para
causar o fiasco da pesquisa de 48. Para come~ar, a maioria dos 0 que as grandes pesquisas tinham a clizer, em geral baseadas em
pesquisadores tenninou sua pesquisa cedo demais, apesar de uma amostras de 2.000 ou menos entrevistados, esta apresentado na
tendencia constante em dire~ao a Truman no transcorrer da cam- Tabela 5-2.
panha. Grande numero dos eleitores que disseram nao saber em
TABELA 5-2
quem votariam foram predominantemente para Truman. Mais
Pesqui sas de opinioo politico antes do elei,oo de 1988
importante, contudo - o fracasso de 48 apontou uma serie de
falhas inerentes a amostragem por cotas, o mesmo metoda que Bush Dukakis
fora um avan~o consicleravel sobre os metoclos de amostragem do
Literary Digest. Em 1948, cliversos pesquisaclores academicos de CBS News I New York Times (4-5111188) 55o/o 45o/o
survey estavam experimentanclo metodos de amostragem probabi- Pesquisa Gallup (3-5111188) 56% 44o/o
llstica. De forma geral, eles tinham muito mais sucesso do que os
USA Today I CNN (3-6111188) 55% 45o/o
amostraclores por cotas, e a amostragem probabilfstica continua
sendo o metoda mais respeitado por pesquisaclores de survey. Pesquisa Harris (2-5111188) 53o/o 47o/o
Esta breve cliscussao conta uma hist6ria parcial das ABC News I Washington Post (2-5111188) 55% 45o/o
fases iniciais do survey por amostragem nos EUA, talvez a
NBC News I Wall Street Journal Cl-5111188) 53o/o 47o/o
custa da fe do leitor nos metoclos clestes survey. Para com-
pensar, consicleremos o currfculo mais recente cia precisao da fONIE- Dodos lirodos de Public Opinion, p.39, nov./dez. 1988. !ados os dodos forom refeilos para
pesquisa de opiniao polftica. Em novembro de 1988, George Bush excluir as "resposlos nlio".
recebeu 54% clos voros para presiclente; Michael Dukakis, 46%. Surveys por amostragem podem ser extremamente precisos.
Mas os eleitores nao tiveram que esperar os resultados clas Ao mesmo tempo, clevemos conceder que, aincla hoje, muitas
urnas para saber quem havia venciclo. Varias pesquisas de vezes nao o sao. 0 r~sto do capitulo apresenta as razoes e as
boca de urna, entrevistanclo amostras de eleitores logo ap6s regras para obter precisao na amostragem.
safrem clas sep5es eleitorais, mostraram as seguintes estimativas
clos resulrados, apresentaclos na Tabela 5-l.
Dais lipos de Metodos de hmostragem
TABHA 5-l E util clistinguir dois grancles tipos de metoclos de
Resultados das pesquisas de boca de urna: novembra de 1988 amostragem: amostragem probabilistica e amostragem niio
probabilistica. 0 cerne cleste capitulo se cledica a amostragem
Bush Dukakis
probabillstica, por ser hoje o metodo mais respeitaclo e util.
CBS News I New York Times 54o/o 46o/o Uma parte menor do capitulo consiclera os varios tipos de
46o/o metodos de amostragem nao probabilistica.
ABC News I Washington Post 54o/o
Vamos iniciar com uma cliscussao sobre a l6gica cia
NBC News I Wall Street Journal 54o/o 46%
amostragem de probabiliclacle, seguicla de uma breve taxonomia
Los Angeles Times 54% 46o/o de conceitos e terminologia de amostragem. Depois nos vol-
FONIE - Dodos lirodos de Public Opinion, p.25·26, jan./lev. 1989. Os dodos do CBS forom refeilos para taremos para o conceito de distribui~ao amostral, que e a
excJuir OS "resposlos nco". base para estirnar a precisao dos achados do survey por amos-
tragem. Estas discussoes te6ricas serao seguiclas por consi-
dera~oes sobre molduras de popula~oes e de amostragem,
No Iugar dos 2 milh6es de eleitores avaliaclos pelo Literct1y
focalizando os problemas praticos de como determinar o grupo
Digest em 1936, estas quatro pesquisas de boca de uma amostraram
alvo do estudo e como come~ar a selecionar uma amostra. A
entre 6.000 e 20.000 eleitores para predizer a vota~o clos mais de 90
milh6es de americanos que foram as umas. Os resultados destas seguir examinaremos os tipos basicos de desenhos de surveys.
pesquisas nao foram surpreendentes, apenas confirmaram a amost1'as aleat6rias simples, amostras sistemdticas, amostras
tendencia relatada nas pesquisas feiras na semana ametior a elei~ao. estratificadas e amostras par conglomerados [cluster). Entao
discutiremos e descreveremos brevemente a amostragem nao
probabilfstica .
0 capitulo tennina com breves considera~oes sobre alguns
usos nao-survey dos merodos de amostragem em areas como
a analise de conreudo, a observa~ao participanre e a analise
hist6rica. Esperamos que voce se familiarize o suficiente com
a 16gica do swvey por amostragem para poder aplicar este
conhecimento numa ampla variedade de situa~oes.
l6gica do Amoshagem de Probabi Iidade
A hist6ria das pesquisas de opiniao polfticas mostra
que surveys por amostragem podem ser bem precisos. Ao
mesmo tempo, deve ficar igua lmente claro que as amostras
devem ser selecionadas cuidadosamente. Consideraremos
rapidamente o porque d isso.
~s lmplica~oes da Homogeneidade e do Heterogeneidade
Se todos os membros de uma popula~ao fossem identicos
uns aos outros em todos os sentidos, nao haveria necessidade
de procedimentos cuidaclosos de amostragem; qualquer amostra
seria suficiente. De fato, neste caso extreme de homogeneidade,
wn caso bastaria como amostra para estudar as caracterfsticas
de toda a popula~ao.
Ames de clescartar essa ideia como impossfvel, lembre-se
de que muito cia amostragem cientffica e feita desta forma.
Nas ciencias ffsicas, em algumas situa~oes, e scguro fazer tal
suposi~ao . 0 qufmico que testa certas propticdades do carbone,
por exemplo, nao precisa passar pela enumcra~ao sofrida de toclo
o carbono no mundo, para clepois selecionar uma amostra proba-
bilfstica de moleculas de carbone para estudo. Do mesmo modo,
o medico ou o clfnico que examina o sangue de uma pessoa nao
precisa retirar todo o sangue dela, para depois selecionar uma
amostra probabilfstica de celulas sangOfneas. Para fins praticos,
qualquer amostra de sangue cia pessoa c suficiente.
Mas, se ha varia~ao ou heterogeneidade na popula~ao
estudada, o pesquisador deve usar procedimentos de amos-
tragem mais controlados. Vale a pena assinalar a aplicabili-
dade maior deste princfpio alem cia pcsquisa social. As origens
da moderna teoria de amostragem estao na pesquisa agricola,
especialmenre no trabalho de R. A. Fisher, cujo nome continua
associado a algumas das estatfsticas de swvey mais usadas.
Para nossos fins, e mais importante assinalar a heteroge-
neidade dos grupos sociais. Como as pessoas diferem de varias
formas, cada popula~ao humana e composta de indivfduos
variados. Uma amostra de indivfduos de uma popula~ao deve
conter essencialmente a mesma varia~o existente na popula~ao,
para pennitir descri~oes uteis deJa. A amostragem probabilfstica
e um metodo eficiente para ex'trair uma amostra que reflita con·era-
mente a varia~o existente na popula~o como um todo.
Vies Consciente e lnconsciente de ~mostragem
E claro que qualque r um pode selecionar uma amostra
de survey, mesmo sem treinamento ou cuidado especial. Para
selecionar uma amostra de 100 estudantes universitarios, uma
pessoa p ode ir ao campus e entrevistar os alunos que ali
e ncontrar andando . Este tipo de metodo de amostragem,
mu itas vezes usado por pesquisadores nao treinados, tem
p roblemas mu ito serios.
Para come~a r, ha o perigo dos vieses pessoais do
pesquisador afetarem a amostra selecionada desta forma; per-
tanto, ela nao representaria realmente a popula~ao estudantil.
Suponha, por exemplo, que voce se sente intimidado por
estudantes com ar hippy e acha q ue eles ridicularizariam seu
trabalho. Portanto, voce pode evitar, consciente ou incons-
cientemente, entrevistar ta is pessoas. Por outro !ado, voce
pode sentir que as atitudes de estudantes de aspecto "serio" nao
seriam relevantes para suas finaliclades de pesquisa, evitando
entrevista-los. Mesmo que buscasse entrevistar um grupo
"equilibrado" de estudantes, talvez voce nao sou besse quais
as ~ro~or~oes adequadas dos tipos diversos de alunos para tal
equilfbno, OU taJvez VOCe nao tenha COmo identificar OS diferenteS
tipos, apenas vendo-os passar.
Mesmo fazendo um esfor~o de entrevistar cada decimo
estudante que entrasse na biblioteca universitaria, voce nao
g~ rantiria uma amostra representativa, uma vez que tipos
d Jferentes de alunos visitam a biblioteca com freqi.iencias
diferentes. Portanto, a amostra sobre-representaria aqueles
estudantes que usam a biblioteca com mais freqi.iencia.
Representatividade e Probabilidade de Sele~ao
. "':mostras de surveysdevem representar as popula~oes das
~ua1s sao retiradas, se clevem fornecer estimativas uteis quanto
as caracterfsticas daquela popula~ao. Nao necessitam, contudo,
ser representativas em todos os aspectos; representatividade,
no sentido que tern para a amostragem, lilnita-se as caracteristicas
relevantes para os interesses substantives da pesquisa. (Este
ponto ficara mais evidente nas discussoes posteriores sobre
estratifica~ao.)
Um princfpio basico da amostragem probabilfstica e: wna
amostra sera representa/iva da populayiio da qualfoi selecioHada
se todos os membros da populayiio tiverem oportunidade igual de
serem selecionados para a amostra. 3 Amostras com esta qualidade
sao frequentemente rotuladas de amostras MIPSE(metodo de
igual probabilidade de sele~ao). Embora discutamos mais
tarde varia~oes deste princfpio, trata-se do princfpio primordial
que fundamenta a amostragem probabillstica.
Indo alem deste princfpio basico, devemos entender que
amostras - mesmo as amostras MIPSE cuidadosamente selecio-
nadas- rarameme, talvez nunca, sao perfeitamente representa-
tivas das popula~oes das quais sao retiradas. A despeito dessa
limitat;ao, a amostragem probabilistica oferece duas vantagens
especiais para os pesquisadores.
Prilneiro, amostras probabilisticas, embora jamais perfeita-
mente representativas, sao tipicameme mais representativasdo que
outros tipos de amostras, porque os vieses discuticlos acima sao
evitados. Na pratica, ha maior possibilidade de uma amostra
probabilfstica ser representativa cia populat;ao da qual e exuaida
do que uma amostra nao probabilfstica.
Segundo, e mais importante, a teoria cia probabilidade
permite estimar a precisao ou representatividade da amostra .
E concebivel que voce, por meios totalmente aleat6rios, selecione
uma amostra que represente quase perfeitamente a populat;ao
maior. No entanto, e muito mais provavel que nao o fat;a, e
voce nao tem como avaliar a probabilidade de ter atingido a
representatividade. Por outro !ado, a amostra probabilistica
pode fornecer uma estimativa precisa do seu sucesso ou fracasso.
Ap6s apresentar uma breve taxonomia da terminologia da
amostragem, examinaremos os meios pelos quais se pode
estimar a representatividade da sua amostra.
Conceitos e Terminologia de Amoshagem
As seguintes discussoes cia teoria e p1<ltica da amostragem
usam varios tennos tecnicos. Para facilitar a compreensao clas dis-
cuss6es, e importante defini-los. Na maior pa1te, usaremos termos
habitualmente usados em manuais sobre amosrragem e esratfstica.
Ao apresentar esta taxonomia sobre terminologia e
conceitos de amostragem, quero reconhecer uma divida para
com Leslie Kish e seu excelente manual sobre o survey por
amostragem. 4 Embora eu tenha modificado algumas das conven-
~oes usadas por Kish, a sua apresenta~ao e a mais importance
fonte para a nossa discussao.
flemento
Urn elemento e a unidade sobre a qual a informa~ao e
coletada, e que serve de base para a analise. Tipicamente,
na pesquisa de survey, os e lementos sao pessoas ou certos
tipos de pessoas. Entretanto, outros tipos de unidades -
famflias, clubes, corpora~oes etc. - podem tambem constituir
os elementos de um survey.
Universo
Urn universo e a agrega~ao te6rica e hipotetica de todos
os elementos definidos num survey. Se o americana indivi-
dual for o elemento do survey, entao "americanos" serao o
universe. Porem, um universe de survey e totalmente nao
especificado quanto a tempo e Iugar e e essencialmente um
termo inutil.
Popula~ao
Populayiio e a agregat;ao teoricamente especificada de
elementos do survey. Embora o termo vago "americanos"
possa constituir o universe de um survey, delinear a popula~ao
inclui definir o elemento "americana" (por exemplo, cidadania
e residencia) e o referendal de tempo para a pesquisa (ameri-
canos desde quando?) Traduzir o universe "nova-iorquinos
adultos" para uma popula~ao trabalhavel requer especificar
a idade, definindo "adulto", as fronteiras de Nova Iorque
etc. Especificar o termo "estudante universitario" inclui levar
em conta estudantes de horario integral e parcial, candidates
a diplomas ou nao, estudantes dos cursos de gradua~ao e
p6s-gradua~ao e atributos similares.
Embora se tenha que come~ar especificando cuidaclosa-
mente a populat;ao, em geral a licent;a poetica permite que voce
escreva seu relat6rio em tennos do universe hipotetico. Por facili-
dade de apresenta~ao, mesmo o pesquisador mais consciencioso
normalmente fala de "americanos" e nao de "cidadaos residentes
nos Estados Unidos da America a partir de 12 de novembro de
1989". A orienta~ao principal neste assunto, como na maioria
dos OUtfOS, e nao Confundir OU iludir OS leitores.
Popula~ao do wrvey
Uma populafaO do survey e a agrega~ao de elementos
da qual e de fato extralda a amostra do survey. Lembre-se de
que uma popula~ao e uma especifica~ao te6rica do universe. Na
pratica, raramente voce pode garantir que todos os elementos
que se enquadram nas defini~oes te6ricas estabelecidas rem
efetivamente a chance de serem selecionados para a amostra.
Mesmo as listas de elementos compiladas especificamenre
para fins de amostragem costumam ser algo incompletas.
Alguns estudantes sao sempre inadvertidamente omitidos das
listagens de alunos. Ha usuarios de telefones que exigem
que seus nomes e numeros nao sejam incluldos nos catalogos.
Portanto, a popula~ao de survey e a agrega~ao dos elementos
dos quais a amostra e selecionada.
Muitas vezes, pesquisadores decidem limitar suas popu-
la~oes de survey mais severamente do que o indicado nos
exemplos acima. Firmas de pesquisa de opiniao podem limitar
suas "amostras nacionais" aos quarenta e oito estaclos adja-
centes, omitinclo, por razoes praticas, o Alasca e o Havaf.
Urn pesquisador, ao selecionar uma amostra de professores
de psicologia, pode limitar a popula~ao do survey aos pro-
fessores d e psicologia em departamentos de psicologia, omi-
tindo os que pertencem a outros departamentos. (Num cerro
sentido, podemos dizer que estes pesquisadores re definiram
seus universes e popula~oes, contanto que tenham tornado
estas revisoes claras para os leitores.)
Unidade de ~mostra
Uma unidade de amostra e o elemento o u con junto de
elementos considerados pa ra sele~ao em alguma etapa da
amostragem. Numa amostra simples, de estagio unico, as
uniclaclcs d e amostra sao o mesmo q ue os elementos. Mas,
em amostras mais complexas, pode-se usar nlveis diferentes
de unidades de amostra. Por exemplo, urn pesqu isador pode,
primeiro, extrair uma amostra de quarteiroes numa cidade,
depois uma amostra de residencias nesses quarteiroes e,
enfim, uma amostra de adu ltos nas residcncias selecio nadas.
As unidades de a mostra , nestas tres e tapas de amostragem
sao, respectivamente, quarteiroes, residencias e adulros, sendo
que s6 OS ultimos sao OS elementos. De forma mais especffica,
os termos "unidades primarias de amostra," "u nidades secun-
darias de amostra" e "unidades finais de amostra" clevem ser
usadas para designar as etapas sucessivas.
Moldura de ~mostragem
Uma moldura de amostragem e a lista de unidades de
amostra cia qual a amostra, ou alguma etapa deJa, e selecionacla.
Se uma amostra simples de estudantes for selecionada de uma
listagem de estudantes, a listagem seria a moldura de amos-
tragem. Se a uniclade primaria de amostra para uma amostra
populacional complexa for o quarteirao, a lista clos quarteiroes
e a moldura de a mostragem - na forma de livreto impressa,
cartao arquivo da IBM, fita magnetica ou arquivo em disquete.
No planejamento de amostra de etapa unica, a molclura
de amostragem e a lista dos elementos componclo a popula~ao
de survey. Na pratica, mu itas vezes sao as molduras de
amostragem clisponfveis que definem as popula~oes de survey,
e nao o contrario. Frequentemente, voce come~a com um
universo ou talvez uma popula~ao em mente para sua pesquisa
e depois procura possfveis molduras de amostragem. As
molduras clisponfveis sao examinaclas e avaliaclas, e voce
escolhe a moldura que representa a popula~ao de swvey mais
apropriada para seus fins.
A rela~ao entre popula~oes e molcluras de amostragem
e crltica, nao tendo recebido aten~ao suficiente. Uma se~ao
posterior deste capitulo aprofunda a questao.
Unidade de Ob serva~a o
Uma unidade de observafClO, o u unidade de coleta de
dados, e urn elemento o u agrega~ao de elementos de que se
coleta informa~a o . A unidade de analise e a unidade de obser-
va~ao muitas vezes sao o mesmo - a pessoa individual - ,
mas isso nao e necessaria. Por exemplo, entrevistar chefes
de fa milia (as uniclades de observa~ao) para coletar informa-
~ao sobre todos os seus membros (as uniclades de analise).
A tarefa e mais simples quando a unidade de analise e
~ uniclade de observa~ao sao o mesmo. Mas, freqlientemente,
ISSO nao e possfvel OU viavel, obrigando-0 a usar alguma
engenhosidade para obter dados relevantes de suas unidades
de analise, sem de faro observa-las.
Variavel
Uma variavel e um con junto de caracterfsticas mutuameme
excludentes, como sexo, iclade, emprego etc. Podemos descrever
os elementos de uma popu la~ao em termos das suas caracterfs-
ticas individuals numa varia vel. Tipicamente, surveys visam des-
crever a distribui~ao das caracterfsticas de uma variavel numa
popu la~ao. Assim, voce pode descrever a distribui~ao etaria de
uma populas;ao examinando a frequencia relativa das diferentes
idades dos seus membros.
Repare que uma variavel, por definis;ao, deve ter variafiio;
se todos os elementos na populas;ao tern a mesma caracterfstica,
esta caracterfstica e uma constame na populas;ao e nao parte de
uma variavel.
Paromeho
Urn parametro e a descris;ao sumaria de uma varia vel numa
populas;ao. A renda media de todas as famllias numa ciclade e a
distribuis;ao etaria da populas;ao da cidacle sao parametros. Parte
importante da pesquisa por surveys envolve a estimativa dos
parametros populacionais baseada em observas;oes amostrais.
fstatistica
Uma estatfstica e a descris;ao sumaria de uma variavel num
survey por amosrragem. Po1tanto, a renda media computada a
partir de um survey p or amostragem e a distribuis;ao etaria
daquela amostra sao estatfsticas. Usa-se estatfsticas de amostras
para fazer estimativas sabre parametros populacionais.
frro amoshal
0 env amostral e discuticlo com mais detalhes numa ses;ao
posterior deste capitulo . Metodos de amostragem probabilfstica
raramente ou nunca fornecem estatisticas exatamente iguais aos
parametros que buscam estimar. Entretanto, a teoria da proba-
bilidade permite estimar o grau de erro a ser esperado num
cleterminado desenho de amostragem.
Niveis de Confian~a e lntervalos de Confian~a
Estes tennos tambem sao discutidos com mais detalhes numa
se~ao posterior. Computar o erro amostral pennite expressar a
precisao etas suas estatisticas em termos do nivel de confian~a,
estabelecendo que essas estatfsticas estao dentro de um intervalo
especificado do parametro. Por exemplo, voce pode dizer que esta
"95o/o confiante" que sua estatistica (por exemplo, SOo/o favorecem
o candidato X) esta dentro de mais ou menos ( + ) 5 pontos
percentuais do parametro populacional. Quando voce expande 0
intervalo de confians;a para uma dada estatfstica, sua "confians;a"
au menta; voce pode dizer que rem 99,90Al de confians;a de que sua
estatistica esta dentro de + 7,5 pontos percentuais do parametro.
leoria do ~moshagem Probabilistica e
Didribui(oo ~moshal
Esta ses;ao examina a teoria basica da amostragem
probabilfstica tal como e aplicada ao survey por amostragem;
consideraremos a l6gica da distribuis;ao amostral e erro amostral
em relas;ao a uma variavel binomial, ou seja, uma variavel consis-
tindo em cluas caracterfsticas.
Teo ria de Amoshagem Probabi listica
A finalidade ultima do survey por amostrage m e selecionar
um conjunto de elementos de uma popula~ao de tal forma que
descris;oes destes elementos (estatfsticas) d escrevam com
precisao a populas;ao total cla qual foram selecionadas. A
amostragem probabilistica fo rnece um metoda para ampliar
a possibilidade de alcan s;ar esra meta, bem como metodos
para estimar o grau d e sucesso provavel.
Sele~ao aleat6ria e a chave deste processo. Num processo
de seles;ao aleat6ria, cada elemento tem chance igual de seles;ao,
independente de qualquer outro evento do processo de sele~ao.
Lan~ar uma moeda perfeita e o exemplo mais frequentemente
citaclo; tirar uma cara ou uma coroa e independente de sele~oes
anteriores de caras ou coroas. Outro exemplo e jogar um conjunto
de dados perfeitos.
Estas imagens de sele~ao aleat6ria, contudo, raramente
se a plicarn diretamente aos metodos de survey por amostragem.
E bern mais provavel voce usar tabelas de numeros aleat6rios
ou programas de cornputador que selecionam aleatoriamente
as unidades de amostragem. A disponibilidade destes auxflios
a pesquisa torna-os um bom come~o para nossa cliscussao
sabre a amostragem aleat6ria.
As razoes para usar metoclos de selet;ao aleat6ria, ou seja,
tabelas de nlimeros aleat6rios ou programas de computador,
sao duas. Primciro, este procedimento funciona como antfdoto
aos vieses conscientes ou inconscientes do pesquisador. 0 pes-
quisador que seleciona casos de forma intuitiva pode muito
bem selecionar casos que ap6iam cxpectativas ou hip6teses de
pesquisa preexistences. Segundo, a sele~ao aleat6ria da acesso
a teoria da probabilidade, que e a base para as estimativas sobre
parametres populacionais e as estimarivas de erro. Passemos
agora ao exame deste segundo aspecto.
Dishibui(oo Binomial do ~moshagem
A forma mais clara de discurir o conceito da distribui~ao
amostral c usar um exemplo simples de s111vey. Suponha que
queremos estudar a popula~ao estudantil de uma universi-
dade para medir a aprova~ao ou rcjei~ao de urn c6digo de
conduta estudantil proposto pela admin istra~ao. A popula~ao
d o survey sera a agrega~ao de estudantes relacionados numa
listagem de alunos (a moldu ra de amostragem). Os elementos
serao os estudantes indivicluais da universidadc. A variavel
considerada sera atitudes quanto ao c6digo, uma variavel
binomial - aprovar ou rejeitar. Selecionaremos uma amostra
aleat6ria de estudantes para estimar rodo o corpo estudantil.
FIGURA 5-1
Porcentogem de olunos que oprovom o c6digo edudontil
0 50 100
A Figura 5-2 mostra as tres diferentes estatistica..o:; representando
as porcentagens de alunos em cada uma das rres amostras aleat6rias
que aprovam o c6digo estudantil. A regra basica da amostragem
aleat6ria e que as amostras extrafdas de uma popula~ao fornecem
estimativas do parametro relativo a popula~ao total. Pottanto, cada
amostra aleat6ria da uma estimativa da porcentagem de estu-
dantes em todo o corpo estudantil que aprovam o c6digo de estu-
dantes. No entanto, infelizmente selecionamos tres amostras e
agora temos tres estimativas distintas.
FI GURA 5-2
Porcentogem de ol unos que oprovom o c6digo estudontil
Amostra 2 (51%)
Amostra 1 (48%)\
.. r'""
[ Amostra 3 (52%)

0 50 100
A Figura 5-1 apresenta um eixo de ordenadas represen-
tando todos os valores possfveis deste parametro na popu-
la~ao - de 0 ate 100% de aprova~ao. 0 ponto medio do eixo FIGURA 5-3
- 50% - representa a situa~ao na qual merade dos alunos Porcentogem de olunos qu e oprovom o c6digo edudontil
aprova o c6digo, enquanto a outra mctade rejeita-o. .....
.......
Vamos supor que demos um numero a cada aluno da lista- ...........
.........
.....••....
............ .
gem, e que selecionamos 100 numeros de uma tabela de numeros ..............
................
aleat6rios. Os 100 estudantes cujos numeros forem sclecionados •...•...•.....••
••..•.............
sao entrevistados e perguntados quanto ~~ sua atitude em rela~ao ......... ... ........
..•..••••..........•
ao c6digo estudantil - se aprovam ou rejeitam. Suponhamos que 80 .::::::::::::::::::::::.
60 ••::~~::::::~::::::::::::::::.
.............•.••••••.....•......
esta opera~ao nos da 48 alunos que aprovam o c6digo e 52 que
rejeitam. Podemos representar esta estatfstica marcando a orde- 40 •••:::::::::::: :::::::::::::::::::::::: ••
200 •• ::::::::::::::::::::::::: : :::::::::::::::::::::
••••••• •• ••• •••• ••••• •• ••••••••••••• •• •••
••••• ••• •••••• •••
nada no ponto correspondente a 48%.
0 50 100
Agora suponha que selecionamos outra amostra de 100
alunos exatamente da mesma forma, que medimos sua
Para escapar deste clilema, vamos extrair mais c rna is amos-
aprova~ao/rejei~ao do c6d igo estudantil e que 51 estudantes
tras de 100 alunos cacla, perguntar a cada uma das amostras sobre
desta amostra aprovem o c6cligo; esse resultaclo pocle ser
sua aprova0io/rejei~ao do c6digo e marcar as novas estatfsticas
representado por outra marca no local apropriaclo cla orclenacla.
no nosso gcifico de resumo. Ao extrair muitas amostras, vamos
Repetindo o processo, podemos descobrir que, muna terceira
clcscobrir que algumas clas novas amostras repetcm as estimativas
amostra, 52 alunos aprovam o c6digo. dadas por amostras anteriorcs . Para explicar csta situa~ao,
acrescenremos um eixo de abcissas a figura , represenrando
o numero de amostras que fornecem estimativas. A Figura 5-3
mostra o produto dos nossos novos esfor~os amostrais.
A distribui~ao das estatfsticas amostrais, mostrada na
Figura 5-3, e chamada distribZiifClO amostral. Ao aumentar 0
numero de amostras selecionadas e entrevistadas, tambem
au mentamos a extensao das estimativas fomecidas pela opera~o
de amostragem. Num sentido, agravamos nosso dilema de tentar
adivinhar o pariimetro da popula\ao. No entanto, a teoria da
probabilidade oferece certas regras importantes re lativas a
distribui~ao de amostras mostrada na Figura 5-3.
Primeiro, se muitas amostras aleatorias indepenclentes sao
extrafdas de uma popula~ao, as estatfsticas amostrais fornecidas
por estas amostras estarao distribuidas em torno do para metro
populacional de uma forma conhecida. Embora haja uma ampla
faixa de estimativas, a maioria esta mais proxima dos 50% do
que de outra parte do grafico. Portanto, a teoria cia probabilidade
nos diz que o valor real esta proximo aos 500/o.
Segundo, a teoria da probabilidade nos chi uma formula
para estimar quao proximo as estatfsticas da amostragem estao
aglomeradas em torno do valor real. Esta formula contem tres
fatores: o padimetro, o tamanho cia amostra e o erro padrao
(uma medicla do erro da amostragem).
Formula·. S= - rPQ
'J --;;-'"
Sfmbolos: P, Q: Os parametres populacionais pa ra o bino-
mial; se 60% do corpo estudantil aprovam o cocligo
e 40% rejeitam, Pe Q sao 60% e 40%, ou 0,6 e 0,4.
Observe que Q = 1 - P e P = 1 - Q.
n: 0 numero de casos em cacla amostra.
S: 0 erro padrao.
Suponha que o parame tro populacional seja 50% de apro-
va~ao e 50% de rejei~ao. Recorcle que estivemos selecionando
amostras de 100 casos cada. Quando estes numeros sao postos
na formula, vemos que o erro padrao e igual a 0,05, ou 5%.
Em termos da teoria cia probabilidacle, o erro padrao e
um dado valioso porque indica em que medicla as estimativas
amostrais estao distribufclas em torno do parametro popula-
cional. Especificamente, a teoria da probabilidacle indica que
certas propor~oes das estimativas amostrais estao dentro de
incrementos especificaclos de erros padrao do parametro
populacional. Aproximadamente 34o/o (0,3413) das estimativas
amostrais estao ate um desvio padrao acima do pariimetro da
popula~ao, e outros 34% ate um desvio padrilo abaixo do para-
metro. No nosso exemplo, o erro padriio e 5%, enrao sabemos
que 34% das amostras clarno estimativas de aprova\aO estudantil
t:ntre 500/o (pariimetro) e 55% (um erro paddio acima); outros 34%,
das amostras mostrarao cst imarivas entre 50% e 45% (um
dcsvio padrao abaixo do parametro). Reunindo-as, sabemos que
aproximadamente dois ter\OS (68%) das amostras resultarao em
estimativas dentro (mais ou menos) de 5% do parametro.
Alem disso, a teoria cia probabilidade diz que cerca de
95% etas amostras estarao dentro de (mais ou menos) dois erros
paclrao do valor verdadeiro, e 99,9%, das amostras dentro de
(mais o u menos) tres clesvios padrao. Neste exemplo, portanto,
sabemos que so uma amostra em mil resultaria numa estimativa
abaixo de 35% de aprova\ao ou acima de 65% de aprova~ao.
A propor~ao de amostras caindo entre um, dois ou tres
erros padrao do parametro e constante para qualquer procedi-
menro de amostragem aleatoria como a que foi descrita, contanto
que se selecione grande numero de amosrras. Contudo, o tama-
nho do erro padrao e uma fun~ao do parametro populacional e
do tamanho da amostra. Se voltarmos a formula, vemos que o
erro padr<1o aumenta como fun~ao de um aumento na quanticlade
PQ. Veja, tambem, que esta quantidade atinge o maximo quando
a popula\ao e dividicla ao meio. Se P= 0,5, PQ = 0,25; se P= 0,6,
PQ = 0,24; se P = 0,8, PQ = 0,16; se P = 0,99, PQ = 0,0099. Por
extensao, se P for 0,0 ou 1,0 (isro e, se 0% ou 100% aprovarem o
cocligo estuclantil), o erro padriio sera 0. Se todos na popula\ao
tem a mesma atitucle (sem varia~ao), entao qualquer amostra
clara exatamente a mesma estimativa.
0 erro padrao e tambem uma fun~ao inversa do tamanho
da amostra. A medida que o tamanho cia amostra cresce, o erro
padrao diminui, e as varias amostras estarao aglomeradas mais
proximas ao valor vercladeiro. Ourra regra e evidente a partir cia
formula: devido a raiz quaclrada na formula, 0 erro padrao fica
reduzido pela metacle se o tamanho cia amostra for quadm-
plicado. Em nosso exemplo, amostras de 100 procluzem um erro
padrao de 5%; par<t recluzir o e rro padrao a 2,5%, terfamos que
aumentar o tamanho da amostra para 400. (0 apendice B traz
uma tabela para ajucla-lo a fazer essas estimativas.)
0 que discutimos provem da teoria cia probabiliclacle esta-
belecicla, referente a seJe\iiO de grandes numeros de amostras
ale~torias. Se o parametro populacional for conhecido, e
mun~s amostras alea torias forem selecionaclas, poderemos
predtzer quantas amostras ca irao dentro de intervalos especifi-
c:dos a partir do parametro. No enranto, estas condi~oes
nao sao tfpicas do survey por amostragem. Usualmente, o
pesquisador desconhece o parametro e conduz um survey
por amostragem para estima-lo. Ademais, os pesquisadores
de survey normalmente nao selecionam grandes nt:imeros de
amostras, em geral extraindo so uma. Apesar disso, a discussao
acima sobre a teoria cia probabilidade fornece uma base para
inferencias sobre a sirua~o tfpica dos su!Veys.
Se a teoria cia probabilidade diz que 68% das amostras
esrarao clenrro de um erro paclrao do parametro, o pesquisaclor
infere que uma amostra aleatoria tern uma probabiliclade de
68% de estar dentro daquela faixa. Neste sentido, falamos
de niveis de confianfa: voce rem "68% de confians;a" que a
estimativa da sua amostra esta clentro de um erro padrao do
parametro, ou tem "95% de confianp" que a estatfstica cia
amostra esta clenrro de dois erros padrao do parametro, e
assim por diante. Compreensivelmente, a confians;a aumenta
quanto mais se estende a margem para erro. Voce esta virtu-
almente certo (99,9% de confians;a) que a estimativa cia amostra
esta clentro de tres erros padrao do valor verdadeiro.
Embora confiante (em algum nfvel) de esrar dentro de
uma certa fa ixa do parametro, ja assinalamos que raramente
voce conhece o parametro. Para resolver este dilema, voce
substitui o paramerro na formula pela sua estimativa de
amostragem; na fa lta do valor verdadeiro, voce o substitui
com a melhor estimativa clisponfvel.
0 resu ltado clestas inferencias e estimativas e que o
pesqu isador de survey torna-se capaz de estimar tanto um para-
metro popu laciona l quanto o grau esperado de e rro com base
numa amostra extrafda cia populas;ao. Come<;ando com a
pergunta: "Qual porcentagem do corpo estudantil aprova o novo
codigo?", voce pode selecionar uma amostra aleatoria de 100
alunos e entrevista-los. Voce pode relatar que sua melhor
estimativa e que 50% do corpo estudantil aprovam o cocligo,
e rem 95% de confian<;a que entre 40 e 60% (mais ou menos
clois erros padrao) aprovam. A faixa de 40 a 60% e chamacla
de inlervalo de confiallfa.
Esra e a logica basica cia amosrragem probabilfstica. A
sele<;ao aleatoria permite ligar os achaclos do survey por
amosrragem ao corpo cia reoria cia probabiliclacle para esrimar
a precisao claqueles achaclos. Todos os enunciados de precisao
na amosrragem devem especificar tanto um nfvel de confian<;a
quanto um intervalo de confians;a. Voce pode informar que
csta .x% confiante de que o parametro popu lacional esta entre
dois valores especificados.
A discussao precedente considerou apenas um tipo de
esratfstica - as porcentagens procluziclas por uma variavel
b inomial ou dicotomica. A mesma logica se aplica ao exame
, k outras estatfsticas, tais como rencla media. Uma vez que
a!i computa<;oes sao mais complicaclas, nesta introclus;ao
consicleramos apenas os binomiais.
Advertimos que o uso cia teoria da probabiliclacle, como
d iscuticlo nesta ses;ao, nao esta plenamente justificaclo em
rermos tecnicos. A teoria cia clistribuis;ao amostral, por exemplo,
faz suposi<;oes que quase nunca se aplicam as situas;oes de
surveys. A fo rmula usacla para avaliar o numero de amostras
que estariam conticlas clentro de incrementos especificaclos
de e rros padrao, por exemplo, supoe uma populas;ao infinita,
um numero infinito de amostras e amostragem com substitui<;ao.
Ademais, na nossa d iscussao, o salto inferencial da clistribuis;ao
de varias amostras para as caracterfsticas provaveis de uma
amostra foi grosseiramente simplificado.
Essas advertencias sao fe itas por razoes de perspectiva.
Pesquisadores, as vezes, parecem superestimar a precisao
das estimativas produziclas pelo uso da teoria da probabilidade
em conexao com a pesquisa por survey. Mencionaremos em
o utras partes deste capitulo e do livro que varia<;oes nas tec-
nicas de amostragem e fatores de nao-amostragem poclem
recluzir ainda mais a legitimidade de tais estimativas. Nao
o bstante, os calculos cliscutidos nesta ses;ao podem ser de
grande valor para compreencler e ava liar clados. Embora nao
fo rnes;am estimativas tao precisas quanto se pode supor, podem
ser bastante validos para fi ns praticos, e sao inquestionavel-
menre mais validos do que estimativas derivaclas menos rigoro-
same nte, baseadas em metodos de amostragem menos rigo-
rosos. Voce deve se familiarizar com a l6gica basica subjacente
aos ca lculos, para pocler reagir sensatamente tanto aos seus
proprios claclos quanto aos dados informados por outros.
Popu Ia~oes e Molduras de Amostragem
A se<;ao anterior lidou com urn modelo teorico para amos-
tragem de survey. Se o consumidor de surveys, o estudante ou o
pesquisador precisam conhecer essa teoria, devem igualmente
saber avaliar as concli\;6es imperfeitas existentes no campo. Esta
ses;ao discute um aspecto das condis;oes de campo que requer
compromisso entre as concli\;6es c os supostos teoricos - a
congruencia ou a disparidacle enlre popula\;6es e molduras
de amostragem.
 Dito simplesmente, uma moldura de amostragem e a lista,
Oll fac-simile razoavel, de elementos dos quais e selecionada
uma amostra probabilfstica. A proxima se~ao trata dos metodos
de selecionar amostras, mas primeiro prccisamos consiclerar
a propria molclura de amostragem. Amostras corretamenre
selecionadas fornecem informa~oes apropriaclas para descrever
a popula~~\0 de elementos que compoem a moldura de amos-
tragem - nada mais. E precise enfatizar este ponte, dada a
tendencia tao comum entre pesquisadores de selecionar
amostra de uma dada moldura de amostragem e enrao fazer
afirma~oes sabre uma popula~ao semelhante, mas nao idemica,
a popula~ao do swvey definida pela moldura de amostragem. E
o p roblema mais ample cia generaliza~ao social-cientifica,
equivalence a estudar uma pequena Igreja Luterana em Dakota
do Norte para clescrever a religiao nos EUA. No restante cia
se~ao examinaremos finalidades diversas para os surveys e
discutiremos boas e mas molduras de amostragcm para
aquelas final iclacles.
Surveys de organiza~oes freqC1entemente sao o tipo mais
simples de survey, do ponte de vista cia amostragem, porque,
tipicamente, organiza~ocs possuem listas de membros. Nestes
cases, a lista de membros e u ma excelcnte mo!dura de amos-
tragem. Se uma amostra alcatoria e selecionada de uma lista
de membros, os clades colhidos clesta amostra podem ser
consideraclos como representatives de todos os mcmbros -
caso todos os menzbros .forem inclufdos na /isla. Se alguns
ni'io tiverem siclo incluidos, deve-se fazer um esfor~o para amos-
tra-los; do contra rio, os achados do swvey so podem ser consi-
derados como representatives daqueles membros na lista.
Popula~oes que oferecem boas lisras organizacionais
sao escolas primarias e secundarias, estuclantes universitarios;
membros de igrejas; opera rios de fabricas; membros de frater-
nidades e gremios, de clubes sociais, de servi~o ou politicos;
e membros de associa~oes profissionais.
Estes comentarios se aplicam principalmenre a organiza~oes
locais. Organiza~6es estaduais OLI nacionais freqllentemente nao
tem uma unica lista de membros facilmentc disponivel. Por exem-
plo, nao ha uma lisra unica de todos os membros cia Igreja
Episcopal. Mas um planejamento de amostragem um pouco mais
complexo pocle aproveitar as listas de membros de igrejas locais,
amostrando primeiro igrejas e clepois subamostrando as listas de
membros dessas igrejas.
Outras listas de indivlduos podem ser especialmente
relevances as necessidades de pesquisa de s111vey. Por exemplo,
agencias governamentais mantem listas de eleitores registraclos
caso voce queira fazer uma pesquisa pre-eleitoral de opiniao
ou um exame mais detalhado do comportamento eleitoral , mas
\·oce deve certificar-se de que a lista esta atualizacla. Listas
semelhantes contem names de donas de automoveis, de recebe-
dores de beneffcios sociais, de contribuintes de impastos ,
pessoas com licenc;as comerciais, profissionais licenciados etc.
Embora algumas destas listas sejam diffceis de conseguir, podem
fomecer excelentes molduras de amostragem. Como os elementos
de amostragem num swvey nao precisam ser pessoas, ha diversas
listas com outros tipos de elementos: universiclades, negocios de
varies tipos, c idades, revistas acaclemicas, jornais, sindicatos,
clubes politicos, assoc ia~oes profissionais etc.
Catalogos telef6nicos sao muito usados para pesquisas
de opiniao "rapidas e sujas". Inegavelmente sao faceis de
fazer e de baixo custo, o que sem duvida responde pela sua
populariclade, e se voce quiser fazer afirma~oes sabre assinantes
de telefones, o catalogo e uma molclura de amostragem razoaue/-
mente boa. 5 Infelizmente, com excessiva freqllencia, os cata-
logos telef6nicos sao usados como lista cia popula~ao de uma
ciclade ou clos seus eleitores. II a muitos defeitos neste ti po
de raciocfnio, o principal sendo um vies de classe social.
Gente pobre tem menos possibiliclade de ter telefones; uma
amostra de catalogo telef6nico, portanto, provavelmente tera
uma predisposi~ao para as classes media e alta. (0 Capitulo
10 examina um metoda especial para amostragem em rela~ao
a surveys telef6n icos: discagem aleat6ria de algarismos.)
Catalogos de ruas e mapas de impastos sao freqllente-
mente usaclos como fontes faceis para amostras de residencias,
mas podem sofrer clas mesmas desvantagens dos catalogos
telef6nicos, tais como serem incompletos e/ou enviesados.
Por exemplo, em regioes urbanas com zoneamento rigoroso,
uniclades residenciais ilegais tcm pouca possibiliclade de
apareccrem em registros oficiais. Resulta que, ni'io tendo estas
unidades chance de sele~ao, os achaclos das amostras nao
sao representativas dessas uniclacles, tipicamente ma is pobres
e superlotadas.
Revisao de Popula~oes e Molduras de Amostragem
Uma vez que a litcratura cia pesquisa por surveys tem side
surpreendentememe descuidada com as questoes de populac;oes
: molduras de amostragem, dou-lhes aten~ao especial. Para maier
enfase, listo, em revisao, as principais cliretrizes a lembrar.

1. Os achados dos sutveys por amostragem s6 podcm ser
considerados representatives da agrega"ao de dementos
que compoem a moldura de amostragcm.
2. J\luitas vezes, as molduras de amostragem nfto incluem
de fato todos os elementos que seus names sugerem.
(Diret6rios de estudantes nao incluem todos os estudantes;
cat:llogos tclefonicos nao incluem todos os assinantes.)
Omissoes sao quase inevitaveis. Ponanto, uma primeira
preocupat;iio deve ser avaliar a extensfto destas omissoes
e corrigi-las se posslvel. (Naturalmente, talvez voce possa
ignorar, sem prejuizo, um pequeno numcro de omissoes
de dificil corret;ao.)
3. Para poder generalizar a popuh11;fto que compoe a
moldura de amostragem, c necessaria que todos os
elementos tenham representat;ao igual nela; cada clemente
deve aparecer uma s6 vez. Do contrario, elementos que
aparecem mais de uma vez terao maior probabilidade de
selet;ao, e a amostra, no geral, sohre-representara estes
elementos.
Outros assuntos mais praticos, relacionados as populac;oes
e molduras de amostragem, sao tratados em outros capftulos. Por
exemplo, o fonnato cia moldura de amostragem- uma lista numa
publicac;ao, um arquivo em fichas 3x5, placas addressograph,
cartoes IBM, fitas magneticas, disquetes - e muito importante.
Tais considcrac;oes frequentemente ganham precedencia sobre
considerac;ocs cientfficas; uma lista ma is "facil" podcra ser
escolhida contra uma lista mais "diffcil", mesmo que esta seja
mais apropriada a populac;ao alvo. Nao devemos ser dogmaricos
a este respeito; os pesquisadores devem pesar cuidadosamente
as vantagens e as desvantagens relativas destas alternativas. 0
mais importante e que voce esteja ciente - e deve informar
seu leitor - das deficiencias de qualquer moldura de amos-
tragem que escolher.
Ti pos de Desenhos de hmoshagem
lntrodu~ao
Talvez, a essa altura, voce esteja apavoraclo com a importancia
e as clificulclades para organizar sua moldura de amostragem; e um
sentimento corrcto e sauctavel. Ap6s estabelccer a moldura de amos-
tragem, voce deve selecionar uma amostra de elementos para esruclo.
Ate agora, focalizamos a amostragem a!eat6ria simples. De
fato, as estatisticas usaclas em geral pelos pesquisaclores de survey
supoem tal amostra. Mas, como logo veremos, ha divcrsas opc;oes
para fazer a amostragem, e raramentc se opta pela aleatoria sim-
ples, por duas razoes. Primeiro, a amostragem alcatoria simples
so e possfvel com as molduras de amostragem mais simples.
Segundo, a amostragem aleatoria simples pode nao ser o metoda
melhor (o mais precise). Discutiremos agora a amostragem alca-
toria simples e outros tipos de desenhos de amostragem.
hmoshagem Aleatoric Simples
A amostragem a leatoria simples [AAS) e o metoda de
amostragem basico suposto pelos calculos estatfsticos do survey.
A matematica cia amostragem aleatoria e particularmente com-
plexa, e nos desviaremOS deJa, preferinclo clescrever OS metodos
de campo que empregam este metoda.
Uma vez estabelecicla uma moldura de amostragem de
acorclo com a discussao anterior, voce numera cada elemento
cia lista, atribuindo um e so um numero a cada um, sem saltar
nenhum numero. A seguir, usa uma tabela de numeros aleatorios
para selecionar os elementos cia amostra.
Se sua molclura de amostragem esta em formate proprio
para computadores, como um disquete, uma amostra aleatoria
simples pocle ser extrafda automaticamente, usando um programa
de computador relativamente simples. Com efeito, o computaclor
pode numerar os elementos cia moldura de amostragem, gerar
sua propria serie de nC1meros aleatorios e imprimir a lista de
elementos selecionados.
Amoshagem Sistematica
A amostragem aleatoria simples raramente e usacla na
pratica. Em geral, nao e o metoda de amostragem mais eficiente,
e ja vimos que pode ser trabalhoso quando feito manual-
mente. A AAS habitualmente requer uma lista de elementos;
quando esta lista esta clisponfvel, geralmentc os pesquisa-
dores usam o metoda de amostragem sistematica, em vez cia
amostragem aleatoria simples.
Na amostragem sistematica, cacla ko elemento na lista
total (por exemplo, cada 100°) e escolhiclo para inclusao na
amostra. Se a lista tem 10.000 elementos, e voce quer uma
amostra de 1.000 elementos, selcciona cacla clecimo elemento
para a amostra. Para garantia contra algum vies humano
possfvel ao usar este metoclo, voce seleciona o primeiro ele-
mento aleatoriamente. No exemplo acima, voce come~a esco-
lhendo um numero aleat6rio enrre 1 e 10; o elemento com este
numero e inclufdo na amosrra, mais cada decimo elemenro se-
guinte. Refere-se recnicamenre a este procedimenro como uma
"amosrra sistematica de infcio aleat6rio".
Dois tem1os sao usaclos frequentememe em conexao com a
amosrragem sistematica. 0 interualo de amostragem e a clistftncia
paclrao entre os elementos selecionados na amostra - 10 no
exemplo acima. A razao amostral e a propor~ao de elementos
selecionaclos cia popula~ao- um decimo no exemplo acima.
(A razao amostral e igual a 1/inrervalo de amosrragem.)
Na prarica, a amosrragem sistematica e virtualmenre identica
a amosrragem aleat6ria simples. De faro, se a lisra de elementos
for "randomizada" antes cia amostragem, pocle-se argumentar que
uma amostragem sistematica retirada daquela lista c, na reali-
clacle, uma amostra aleat6ria simples. Os debates quanto aos
meritos relativos cia amostragem aleat6ria simples e cia amostra-
gem sistematica foram resolviclos largamente em favor do metodo
mais simples, a sistematica. Empiricamente, os resultados sao
virtualmenre idemicos. Alem disso, como veremos, a amostragem
sistematica, em algumas situa~oes, e um pouco mais precisa do
que a amostragem aleat6ria simples.
A amostragem sistematica traz um perigo: o arranjo dos
elementos na lista pode desaconselhar uma amostra sistematica.
Este perigo e em gent! referido pelo termo periodicidade. Se a
lista de elementos estiver organizada num padrao cfclico que
coincide com o intervalo de amostragem, resultara uma amostra
grosseiramente tendenciosa. Dois exemplos bastam.
Num estudo de soldados durante a II Guerra Mundial,
os pesquisadores selecionaram cada decimo soldado das lista-
gens das unidades. Mas esras estavam organizadas sob a forma
de uma tabela organizacional, listando primeiro os sargenros
e clepois Glbos e pra~as, pelotao por pelotao, sendo que
cacla pelotao tinha dez membros. Porranro, cada decima pessoa
na lista era um sargento de pelotao, e a amostra sistematica
selecionada tinha apenas sargentos. Poderia acomecer, rambem,
que nenhum sargento fosse selecionado.
Em outro exemplo, suponha que queremos selecionar
uma amosrra de apartamentos num predio. Sc a amosrra for
extrafda de uma lista dos apanamentos organizaclos em ordem
numcrica (por exemplo, 101, 102, 103, 104, 201, 202, e assim
por cliante), ha o risco de o intervalo de amosrragem coincidir
como numero de apartamentos num andar ou seu multiplo.
Neste caso, a amostra poderia incluir apenas apanamentos do
!ado noroeste, ou s6 apa1tamentos peno clos elevadores. Se estes
tipos de apanamemos riverem alguma caracterfsrica peculiar em
comum (por exemplo, aluguel mais elevado), a amostra
seria tendenciosa. Risco semelhante pode surgir numa amos-
tragem sistematica de casas numa subdivisao organizada com o
mesmo nlimero de casas num quaiteirao.
Ao consiclerar uma amostra sistematica a partir de uma
lista, voce deve examinar cuidadosamente a natu reza cia lista.
Se os elementos estao arranjados em alguma ordem particular,
cenifique-se de que aquela ordem nao enviesa a amostra a ser
selecionada e tome medidas para contrabalanpr qualquer
possfvel vies (por exemplo, tirar uma amostra aleat6ria simples
de por~oes cfclicas).
Em resumo, a amostragem sistematica, em geral, c superior
a amostragem aleat6ria simples, pelo menos em convenicncia. Os
p roblemas na ordenas;ao dos elementos da moldura de amostra-
gem geralmente podem ser remediados com facilidade.
hmoshagem fshatificada
Nas duas se~oes precedentes, d iscutimos dois metodos
a lternativos de sel e~ao de amostras a partir de uma lista. A
amos/ragem eslratiflcada nao e uma alternativa a estes metodos,
mas representa uma possfvel moclifica~ao no seu uso.
As amostragens aleat6ria simples e sistematica sao impor-
tantes no sentido de garantirem um grau de representatividade e
permitirem uma estimativa de erro. A amostragem estratificada e
um metoclo para obter maior grau de representativiclade, redu-
zindo o provavel crro amostral. Para compreender por que,
voltemos rapiclamente a teoria basica da distribui0io amostral.
Lembre que o erro amostral e reduzido por dois fatores
no desenho da amostra. Primeiro, uma amostra maior produz
menor erro amostral do que uma amostra menor. Segundo,
uma popu la~ao homogenea p roduz amosrras com menores
erros amostrais do que uma popula~ao heterogenea. Se 99%
cia popula~ao concordam com determinado enunciado , e
improvavel que qualquer amostra probabilfstica interprete
erroneamente a extensao cia concordancia. Se, por outro !ado,
a popula~ao esta clividida meio a meio quanto ao enunciado,
enrao o erro amostral sera muito maior.
A amostragem estratificada baseia-se neste segundo fator
na teoria de amostragem. Em vez de selecionar a amostra da
popula<;ao total em geral, voce garante que quanticlacles
apropriaclas de elememos sejam tirados de subconjumos homoge-
neos cia popula<;ao. Por exemplo, estudando estudantes univer-
sitirios, voce pode organizar sua popula<;ao por turmas, tiranclo
de cacla uma quanticlades apropriadas. Numa amostra nao estra-
tificada, a representac;ao por turma estaria sujeita ao mesmo erro
amostral que outras variaveis. Na amostra estratificada por tum1a,
o erro amostral quanto a esta variavel reduz-se a zero.
Voce pode querer usar um metodo de estratifica<;ao
ainda mais complexo. Alem de estratificar por turma, pode
tambem estratificar por genera, por media de notas etc. Assim,
talvez voce garanta que sua amostra tenha numeros apropriados
de alunos cia tu rma A com nota media 4,0; tambem n umeros
a propriados de alunas dessa turma com media 4,0 etc.
Portanto, a func;ao ultima da estratificac;ao e organizar a
populac;ao em subconjuntos homogeneos (com heterogeneidade
entre os subconjuntos) e selecionar o numero apropriado de
elementos de cada subconj unto. Ja que os subconjuntos sao
homogeneos nas variaveis de estratificac;ao, tambem podem
ser homogeneos quanto a ou tras variaveis. Por exemplo, se
idade estiver fortemente relacionada a turma, uma amostragem
estratificada po r turma tambem sera mais representativa em
termos de idade. Como aspirac;oes ocupacionais estao relacio-
nadas a sexo, uma amostra estratifi cada por sexo sera mais
representativa em termos das aspirac;oes ocupacionais.
A escolha das variaveis de estratificac;ao depende em
geral de quais variaveis estao disponfveis. Sexo pode muitas
vczes ser cleterminado atraves de uma lista de nomes. As
listas universitarias sao tipicamente organizadas por turma. As
listas de professores podem indicar sua lotac;ao por departa-
mento. Arquivos de organizac;oes governamentais podem estar
organizados por regiao geografica. Listas de registros de eleitores
estao o rganizaclas por sec;oes e zonas e le itorais.
No entanto, ao selecionar as va riaveis de estratifica<;ao
das listas disponfveis, voce cleve se preocupar sobretuclo com
as q ue se relacionam, presumivelmente, com as variaveis que
voce quer representar com p recisao. Como sexo esta relacionaclo
a muitas variaveis e muitas vezes esta disponfvel para estrat:-
ficac;ao, acaba sendo usaclo frequen temente. Escolaridacle
esta relacionacla a muitas variaveis, mas freqLientemente nao
esta disponivel para estratifica<;ao. Localizac;ao geografica
numa ciclacle, estaclo ou na<;ao esta relacionada a muitas coisas.
Dentro de uma ciclacle, a estratificac;ao por Iugar geografico,
em gera l, aumenta a representatividade em areas como
classe social e grupo ern ico. Dentro de uma nac;ao, aumenta a
representatividade em uma vasta gama de atitudes, bem como
na classe social e na etnia.
Os metodos de estratifica<;ao na amostragem variam.
Quando se trabalha com uma lista simples de todos os elementos
na populac;ao, dois metodos predominam. Primeiro, pode-se
agrupar os elementos da popula<;ao em grupos discretos com base
nas variaveis de estratificac;ao usadas. Com base na proporc;ao
relativa de umgrupo na populac;ao, seleciona-se- aleat6ria ou
sistematicamente- urn numero de elementos daquele grupo
na mesma proporc;ao do tamanho de amostra desejado. Por exem-
plo, se alunos da tunna A com media 4,0 sao 1o/o cia popula<;ao
estudantil e voce quer uma amostra de 1.000 estudantes, selecione
10 estudantes dos alunos cia tum1a A com media 4,0.
Como metoclo alternativo, pode-se agrupa r estuclantes
como descrito acima e por esses varios grupos juntos numa
lista continua, comec;ando com toclos os alun os cia turma A
com media 4,0 e terminando, digamos, com todas as al unas
cia turma Z com media 1,0 o u menos. Seleciona-se entao uma
amostra sistematica, com infcio aleat6rio, de toda a lista. Dada
a organizac;ao de lista, uma amostra sistematica selecionaria
numeros adequados (dentro de uma margem de erro de 1 ou
2) de cacla subgrupo . (Nota: Uma amostra aleat6ria simples
retiracla de tal lista composta cancelaria a estratificac;ao.)
0 e feito cia estratificac;ao e garantir a representac;ao
adequada das variaveis de estratificac;ao para a aumentar a
representac;ao de outras variaveis relacionadas a elas. Portanto,
tomada como um todo, uma amostra estratificada tem possi-
bilidade de ser mais representativa num cerro nCtmero de
va riaveis do que no caso de uma amostra aleat6ria simples.
Embora a amostra aleat6ria simples ainda seja vista como algo
sagrado, deve estar claro que muitas vezes ha coisa melhor.
fshatifica~oo lmplicita na hmoshagem Sistematica
Mencionei antes q ue a amostragem sistematica pode,
em certas condic;oes, ser mais precisa do que a amostragem alea-
t6ria simples. :E o caso sempre que o arranjo cia lista cria
uma "estratificac;ao implfcita". Como assinalei, se a lista de
estudantes universitarios esta organizada por turma, uma
amostra sistematica produzira a estratificac;ao por perfodo, ao
contrario de uma amostra aleat6ria simples. Outi·os arranjos
tfpicos de e lementos em listas podem ter o mesmo efeito.
 Se uma lista de nomes que compoe uma moldura de
amostragem esta em ordem alfabetica, cia c um pouco estratifi-
cada por origem etnica. Por exemplo, todos os McTavishes
cstao reunidos, bem como os Lees, Wongs, Yamamuras,
Schmidts, \Vhitchalls, Weinsteins, Gonzaleses etc. Na meclicb
em que qualquer destes subgrupos forma um subconjunto subs-
randal cia popula~ao total, estara adequadamente representado
numa amostra sistematica retirada de uma lista alfabetica.
Num estudo de estudantes da Universidade do Havaf,
depois de estratificados por rurma, os estudantcs foram orga-
nizados pelos numeros de idenridade estudantil. No entanto,
estes n(imeros eram seus numeros de Seguro Social. Os primeiros
tres dfgitos do nC1mero de Seguro Social indicam o estado onde
foi emitido. Ponanto, clentro de cacla turma, os estudantes
estavam organizados pelo estado onde havia sido emitido
seu numero de Seguro Socia l, fornecendo uma estratifiC<l\aO
aproximada por origem geografica.
Uma lista o rdenada de elementos pode ser mais uti!
do qu e uma lista nao o rdenada, aleat6ria. Enfatizo este ponto
para combater a cren~a infeliz de que listas devem ser ranclo-
mizadas antes de ocorrer a amostragem sistematica. A lista s6
deve ser reorclenada se o arranjo apresenta o problema cia
periodicidade ja discutido.
~moshagem por Conglomerados em Multiples Hapas, Geral
As quatro se~oes precedences lidaram com procedimentos
razoavelmente simples de amostragem a partir de listas de
elementos, que representam a situ a~ao ideal. Entretanto, infe-
lizmente muita pesquisa social interessante requer selecionar
amostras de popula~oes que nao podem ser facilmente listadas
para fins de amostragem, tais como a popula\ao de uma cidade,
de um estado ou da na~ao, todos os estudantes univcrsitarios
nos Estados Unidos etc. Nestes casos, e necessaria c riar ~
executar um desenho de amostra mais complexo. Este desenho
tipicamente envolve a amostragem inicial de gmposde elementos,
conhecidos como conglomerados [clusleJ:>], seguida pela selc\ao
de elementos de cada conglomeraclo selecionaclo. As variedades
e proceclimentos da am.ostragem por conglomerados em mz7/li-
plas elapas sao dissecadas em detalhe nos exemplos de amos-
tragem no Capitulo 6. Entretanto, vamos delinea-los aqui.
Pode-se fazer amostragem por conglomerados quando
nao e possfvel o u pratico compilar uma lisra exaustiva dos
elementos da popula~ao alvo. Todos os membros de igrejas
nos Estados Unid os exemp lificam uma popula~ao assim.
Contudo, muitas vezes os elementos da popula~ao ja estao
agrupados em subpopula~oes, e uma lisra destas subpopula~oes
existe ou pode ser criada de forma pratica. Por exemplo,
membros de igrejas nos Estados Unidos pertencem a igrejas
especfficas, e e possfveJ descobrir OLI criar uma Jista dessas
igrejas. Seguindo um formato de amostragem por conglomerado,
a lista de igrejas e amostrada numa das maneiras descritas nas
se~oes anteriores (por exemplo, uma amostra estratificada siste-
matica). Em seguida, obtem-se listas de membros de cada uma
das igrejas selecionadas e amostra-se cada uma das listas, de
forma a ter amostras de membros de igreja para estudo.6
Outra situa~ao tfpica e a amostragem em areas habitadas,
como uma cidade. Embora nao haja uma lista unica da popula~ao
de uma cidade, os cidadaos residem em qua rteiroes separados
ou zonas de recenseamento. Portanto, e possfvel come~ar
seleciona ndo uma amostra de quarteiroes, criar uma lista de
pessoas mo rando nos quarteiroes selecionados e, finalmente,
subamostrar pessoas em cada quarteirao.
Num desenho mais complexo, voce pode amostrar os quar-
teiroes, listar as residencias em cada quarteirao selecionado,
amostra-las, listar as pessoas residindo em cada uma e, final-
mente, amostrar as pessoas em cada residencia selecionada. Este
desenho de amostragem em multiplas etapas leva a sele~ao final
de uma amostra de indivfduos sem reque rer a listagem inicial de
todos os indivfduos que compoem a popula~ao da ciclade.
Portanto, tambem na amostragem por conglomerados
em multiplas etapas repetem-se dois passos basicos: listar e
amostrar. A lista de unidades primarias de amostragem (igrejas
ou quarteiroes, por exemplo) e compilada e talvez estratificada
para amostragem. Uma amostra dessas unidades e selecionada.
As unidades primarias de amostragem selecionadas sao, entao,
listadas e talvez estratificadas. A lista de unidacles secundarias
de amostragem e amosrrada, e assim por diante. Os metodos
de listagem e amostragem sao apresentadas detalhadamente
nos exemplos do Capitulo 6.
A amostragem por conglomerados e altamente recomen-
dada pela eficiencia, embora a custa cia precisao. Enquanto
uma amostra a leat6ria simples extrafda de uma lista popula-
cional esta sujeita a urn Cm ico erro amostral, uma amostra por
conglomerados em duas etapas esta sujeita a dois. Primeiro,
a a mostra inicial dos conglomerados representa a popula~ao
de conglomerados somente dentro de uma faixa de erro amostral.
Segundo, a amostra de elementos extraida de um conglomerado
representa todos os elementos dele apenas dentro de uma
faixa de erro amostral. Assim, por exemplo, ha o risco de
selecionar uma amostra de quarteiroes desproporcionalmente
ricos, bern como uma amostra de residencias desproporcional-
mente ricas dentro destes quarteiroes. A melhor soluc;ao ao pro-
blema esra no numero de conglomerados selecionados no infcio e
no numero de elementos selecionados em cada conglomerado.
Em geral, estamos restritos a um tamanho maximo de
amostra; por exemplo, podemos ter o limite de 2.000 entre-
vistas numa cidade. Dada esta limitac;ao maior, temos varias
opc;oes para desenhar a amostra por conglomerado. Num
extreme, poclemos escolher urn conglomerado e selecionar
2.000 elementos dentro dele, em ourro, escolher 2.000 con-
glomerados e selecionar um elemento em cada um. Narural-
mente, nenhum e aconselhavel, mas ha muitas opc;oes entre
estes extremes. Felizmente, a 16gica das distribuic;oes amos-
trais prove uma cliretriz geral a seguir.
Lembre que o erro amostral e reduzido por dois farores:
o aumento do tamanho cia amostra e uma maior homogeneidacle
clos elementos a serem amostraclos. Estes fatores operam em
cada nfvel do desenho cia amostra em multiplas etapas. Uma
amostra por conglomerados representara melhor todos os
conglomerados se um grande n(Imero for selecionado e se
todos eles forem bastante semelhantes. Uma amostra de
elementos representara melhor todos os elementos de um
conglomeraclo se um grande numero de elementos for selecio-
nado do conglomerado, e se todos os elementos forcm bas-
tame semelhantes.
Entretanto, dado um tamanho maximo da amostra, se o
numero de conglomerados aumentar, o numero de elementos num
conglomerado cleve diminuir. Neste senticlo, a representatividacle
dos conglomerados aumcnta a custa da menor representac;ao clos
elementos de cacla urn, c vice-versa. Felizmente, poclemos usar o
fator cia homogeneiclacle para aliviar esta clificuldade.
Os elementos de um conglomeraclo natural clentro de uma
populac;ao sao tipicamente mais homogeneos do que todos OS
elementos cia populac;ao total. Os membros de uma igreja sao nuis
semelhantes entre si do que toclos os membros de igrejas; cia
mesma fonna, os moradores de um quarteirao sao mais seme-
lhantes entre si do que toclos os moradores de uma ciclade inteira.
Portanto, podem ser necessaries relativamente poucos elementos
para representar adequadamente um conglomeraclo natural,
enquanto um numero maior de conglomerados pocle ser neces-
saria para representar adequadamente a diversidade dos
conglomerados. Ve-se isto com maxima clareza no caso extreme
de conglomerados muito cliferentes entre si, compostos de elementos
exatamente iclenticos em cada um. Nesta situac;ao, urn numcro
grande de conglomerados representaria aclequadamente a
variedade entre os conglomerados, bastando apenas um elemento
de cacla um para representar adequaclamente todos os outros.
Embora esta situac;ao extrema nunca ocorra, ela esta mais
proxima cia verclade mais vezes do que o seu oposro - conglo-
merados identicos compostos de elementos muito divergences.
Portanto, a diretliz geral para o desenho de conglomerddos
e maximizar 0 numero de conglomerados seleci onaclos, dimi-
nuindo o numero de elementos de cada um. Mas esta diretriz
cientifica deve ser contrastada com as restric;oes administrativas.
A eficiencia da amostragem por conglomerados funda-se na
capaciclade de minimizar a listagem de elemenros cia populac;;ao.
Selecionando inicialmente conglomerados, buscamos listar
apenas os elementos dos conglomerados selecionados, em
vez de rodos os elementos cia populac;ao inteira. Aumentar o
nC1mero de conglomerados vai diretamente de encontro a este
faror de eficiencia. Um nC1mero menor de conglomerados pode
ser listado mais rapida e economicamente do que urn numero
maior. (Lembre-se de que todos os elementos de um conglo-
meraclo selecionado devem ser listados, mesmo que poucos
vao ser escolhidos na amostra.)
0 desenho final da amostra refletira estas duas restric;oes.
Provavelmente, voce vai selecionar o maior numero de
conglomerados que seu orc;amento permitir. Mas, para nao
deixar esta questao aberta demais, apresentamos uma regra
simples. Pesquisadores populacionais convencionalmente sele-
cionam cinco residencias por zona ou qua1teirao de recensea-
mento. Querendo entrevistar um total de 2.000 residencias,
voce seleciona 400 quarteiroes com cinco entrevistas de resi-
dencias em cada um. Voltaremos a esta regra em exemplos
posteriores de desenhos de amostra.
Antes de passarmos a proceclimentos mais detalhaclos da
amostragem por conglomerados, cabe lembrar que este metodo
quase inevitavelmente envolve percla de precisao. A maneira como
ocorre esta percla de precisao e complexa. Primeiro, um desenho
de amostra em etapas multiplas esta sujeito a erros amostrais em
cada uma das etapas. Como o tamanho da amostra e necessaria-
mente menor, a cada etapa, do que o tamanho total cia amostra,
o erro amostral em cacla etapa sera maior do que no caso de uma
amostra aleat6ria de e lementos em etapa unica. Segundo, o erro
amostral e estimado com base na variancia observacla entre os
elementos cia amostra. Quando estes elementos sao retirados
de conglomerados relativamente homogcneos, as estimativas
do erro de amostragem serao otimistas demais, devendo ser
corrigidas a luz do clesenho de amostras por conglomerado. (Este
problema sera cliscutido em deralhes na considera~ao posterior
sabre analise univariacla.)
hmodragem de hglomerados em Multiplas
ftapas, fstratifica~ao
Ate agora, discutimos a amostragem par conglomerados
como se fosse selecionacla uma amostra a leat6ria simples a
cada etapa do clesenho. Na pratica, podemos usar as tccnicas
de estratifica~ao discutidas antes para refinar e melhorar a
amostra selecionada.
Exemplos posteriores detalharao metodos possfveis de
estratifica~ao; por ora, observemos que nossas op~oes basicas
sao essencialmente as mesmas que temos na amostragem de
erapa unica a partir de uma lista. Par exemplo, ao selecionar
uma amostra nacional de igrejas, voce pode, no come~o, estra-
tificar sua lista de igrejas por denomina~ao, regiao geografica,
tamanho, localiza~ao urbana/rural, e talvez alguma medida
cia classe social. Informa~ao do censo pode ser usada par
pesquisadores de popula~ao para estratificar quarreiroes de
recenseamento em tennos de composi~ao etnica, classe social,
valo res das propriedades, qualidacle de estrutu ras, natureza cia
propriedade das construc;:oes e tamanho.
Assim que as uniclacles primarias de amostragem (igrejas
ou quarteiroes, nos exemplos) estiverem agrupadas de acorclo
com as variaveis de estratifica~ao relevantes disponfveis,
pocle-se usar tanto tecnicas de amostragcm alcat6ria simples
ou a amostragem sistematica para extrair a amostra. Voce
pocle selecionar um numero especificaclo de uniclacles de cada
grupo ou "estrato", ou arranjar os conglomerados estratificados
numa lisra continua, amostranclo sistematicamente esta lisra.
0 erro amostral sera tao mais recluzido, nesta etapa, quanta
mais os conglomerados estiverem combinadas em estratos
homogeneos. Como antes, o objetivo primordial cia estratifi-
ca~ao e a homogeneidacle.
Nao ha razao para nao se poder estratifica r em cada
nfvel de amostragem. Os elementos listados de um aglome-
rado selccionado poclem ser estratificados antes cia pr6xirn<1
etapa de amostragem. No entanto, isso nao e feito comu-
mente. (Lembre a suposi~ao sabre a homogeneidade relativa
dentro dos aglomerados.)
hmoshagem de Probabilidade Proporcional ao
Tamanho (PPT)
Ate agora, falei genericamente sabre a designa~ao de
elementos cia amostra a conglomerados selecionados em tem1os
de quantos conglomerados devem ser selecionados e quantos
elementos deve haver em cada um. Esta sc~ao cliscute em maior
detalhe algumas op~oes.
Para garantir a sele~ao de uma amostra representativa
de elementos, voce deve dar a cada elemento cia popula~ao
total uma oportuniclacle igual de ser selecionacla. A forma
mais simples de fazer isso numa amostra por conglomerados
e dar a cacla um a mesma chance de selec;:ao e selecionar
uma cleterminada proporc;:ao de elementos de cada conglome-
raclo selecionado. Com uma populac;:ao de 100.000 elementos
agrupaclos em 1.000 conglomerados (de tamanhos variaclos),
pretendendo amostrar 1.000 e lementos, voce seleciona urn
decimo dos conglomerados (100) com igual probabilidacle e
subseleciona urn decimo clos elementos de cada conglomeraclo
escolhiclo. Assim, cerca de 1.000 elementos sao selecionados e
cacla elemento na populac;:ao tem a mesma (1/10 x 1/ 10 = 1/
100) probabiliclade de sele~ao. Esta tecnica de selec;:ao de amos-
tras, embora a mais clara e simples, nao e a mais eficiente.
A maioria clas amostragens por conglomerados envolve
conglomerados de tamanhos muito diversos (em numero de
e lementos). 0 pesquisaclor de religioes encontra igrejas muito
grancles e muito peque nas. 0 pesquisaclor populacional acha
quarteiroes muito populosos e outros nem tanto. Alem disso, os
conglomerados pequenos muitas vezes sao mais numerosos
do que os grandes, embora os grancles possam responder
par uma propor~ao maior cia populac;:ao total. Assim, alguns
poucos grandes quarteiroes poclem conrer uma propor~ao
grande cia popula~ao de uma cidade, enquanto o numero
maior de quarteiroes menores de faro contem apenas uma
pequena parcela cia populac;:ao.
Selecionar conglomerados com igual probabilidade, reti-
ranclo uma propor~ao fixa de elementos dos conglomerados
selecionados, resulta no seguinte: (1) Seleciona-se urn numero
relativamente pequeno de conglomerados grandes na primeira
e tapa cia amostragem. (2) Os elementos selecionados para
representar toclos os elementos clos grandes aglomeraclos sao
retiraclos de muito poucos clessc conglomerados. Na situa~ao
extrema, tocla a popula~ao cia cidadc resiclindo em clez grandes
quarteiroes poderia ser representada pelas pessoas vivendo em
apenas um deles.
 A se~ao sobre a amostragem por conglomerados discutiu
a maior eficiencia inerente a sele~ao de muitos conglomerados,
com poucos elementos sendo retirados de cada um. Este prin-
dpio e posto em pratica atraves do metodo de amostragem de
probabilidade proporcional ao tamanho (PPT), que permite
selecionar maior numero de conglomerados, garante a repre-
sentac;;ao dos elementos de conglomerados grandes e ch\ a cada
elemento na populac;;ao igual chance de sele~ao.
Na primeira etapa de amostragem, e dada a cada conglo-
merado oportunidade de selec;ao proporcional ao seu tamanho
(em numero de e lementos). Grandes conglomerados tem maior
chance de sele~ao do que os menores. Mas, na segunda etapa
de amostragem, o mesmo nt'imero de elementos e escolhido
de cada conglome rado selecionado. 0 efeito clestes clois
proceclimentos e igualar as probabiliclacles (dtimas de scle~ao
de todos os elementos, ji que elementos em conglomerados
maiores tem uma oportunidade de selec;;ao menor delltro do
seu aglomerado do que e lementos em conglomerados menores.
Por exemplo, um quarteirao com 100 residencias tedt clez
vezes mais chance de selec,;ao do que um quarteirao com
apenas 10. Se ambos os quarteir6es forem selecionados e o
mesmo n(tmero de residencias for selecionado de cada quar-
teirao, as casas no quarteirao maior terao clez vezes menos
chance de selec;;ao do que as casas no qua rteirao menor. A
formula abaixo indica a probabilidade de se lec;;ao de um
elemento num desenho de amostragem PPT.
J J
~
probabilidadeJ ~ numero de [ parte do agtomerado
do etemento :: agtomerados X
setecionados tamanho do aglomerado
Se 100 conglomerados sao selecionados e 10 elementos
escolhidos de cada um, a partir de uma populac,;ao total de
100.000, a probabilidade geral de selec;;ao de cada e lemento
sera de 1.000/100.000, ou 1/100. Um conglomeraclo com 100
elementos tem uma probabiliclade de selec;;ao igual a 100
(conglomerados a serem selecionados) vezes 100/ 100.000
(tamanho do conglomerado!tamanho cia populac;;ao), ou
1/ 10; cada elemento tem uma chance de 10/ 100 (elementos
por conglomerado/ ramanho do conglomerado), ou 1/10, de
ser selecionado dentro daquele conglomerado; a chance total
de selec,;ao do elemento, neste caso, e 1/ 10 vezes 1/ 10, ou 1/ 100.
Um conglomerado com 10 elementos tem uma probabilidade
de selec;ao de 100 vezes 10/100.000, ou 1/ 100, mas a chance de
selec;ao de cada e lemenro dentro do conglomeraclo e 10/ 10, ou
1, fazenclo com que a chance total de selec;ao seja igual a 1/ 100.
Inclependente do numero de elementos num conglomerado,
cada elemento tem, enfim, a mesma probabilidade de selec,;ao.
Pocle-se ver isto mais claramente na formula, notanclo que o
r:unanho do conglomerado aparece no numerador e no clenomi-
nador, cancelando-se mutuamente. Portanto, a probabilidacle de
selec;;ao se torna o numero de conglomerados a serem escolhiclos
vezes o numero de elementos a serem escolhiclos de cada
conglomerado selecionado, dividiclo pelo tamanho da popu-
Jac,;ao. Isso, e claro, e o tamanho da amostra clivicliclo pelo
tamanho da populac;;ao.
Costuma-se fazer duas modificac;;oes neste desenho de
amostra PPT. Primeiro, poclemos achar necessaria represenrar
conglomerados muito grandes na amostra; por exemplo,
podemos querer garantir que toclos os quarteir6es (ou igrejas)
com mais de, digamos, 1.000 elementos sejam inclufdos na
amostra. Neste caso, poclemos selecionar toclos estes conglo-
merados logo de infcio (com uma probabilidacle de 1 ,0),
devendo-se, entao, atribuir aos elementos destes agrupamentos
uma probabilidade igual a razao amostral geral. No exemplo
anterior, 1/100 clos elementos resiclindo em cacla um dos
grancles quarteir6es pocleriam ser selecionaclos.
A segunda modificac;;ao e relativa a pequenos conglome-
rados. Se um numero padrao de elementos for ser selecionado
de cada conglomerado escolhiclo, conglomerados com menos
elementos do que 0 numero paclrao representam um problema.
Se a meta e dez residencias em cada quarteirao selecionaclo, o
que fazer com quarteir6es com cinco resiclencias? A soluc;;ao
elementos ]
selecionados habitual e combinar pequenos conglomerados, de forma que
X por agtomerado
[ tamanho do cada combinac;;ao tenha pelo menos o numero padrao a ser
aglomerado
selecionado. (Se os conglomerados estiverem estratificados, as
combinac,;6es devem ser feitas dentro de cada estrato. Da mesma
fonna, pequenos conglomerados podem ser agregaclos a outros
maiores, caso este proceclimento garanta maior homogeneidade
clentro do conglomerado resultante). 0 exemplo de uma
amostra por conglomerados por area no Capitulo 6 demonstra
a necessidade de dar esse passo, para garantir que se Jevem em
coma blocos onde se acredita nao haver resicl<~ncias.
A ti[Ulo de resumo, a amostragem por conglomerados
e um metodo de amostragem diffcil, mas importante, ade-
quado sempre que for impassive! compilar uma lista de
toclos os elementos cia populac,;ao em escudo. A discussao
foi abstrata, mas o exemplo dado no Capitulo 6 oferece um
quadro mais claro dos passos clados, de faro, numa sele<;ao
complexa de amostras.
Amoshagem e Pondera~ao Desproporcionais
Em ultima analise, uma amostra probabilfstica e reprcsen-
tativa de uma popula~ao se todos os elementos cia populac;ao
tiverem uma chance igual de selec;ao. Ponanto, nas discussoes
precedentes, assinalamos que os varios proceclimentos de amos-
tragem resultam numa chance igual de sele~ao- mesmo que a
probabilidade ultima de selec;ao seja o produro de varias
probabiliclades parciais.
Entreranto, mais genericamenre, uma amosa-a probabilisrica e
aqueb em que cada elemento cia populac;ao rem uma probabilicbclc
nao-zero collhecida de selec;ao, mesmo que elementos dife-
rentes te nham probabiliclades cliferentes. Caso se tenha usaclo
proceclimentos p robabillsricos controlados de amostragem,
qualquer uma dessas amostras sera representaliva cia populac;ao
cia qual e retiracla se cacla elemento cia amosrra receber um
peso igual ao inverso cia sua probabilicbcle de selec;ao. Po1tanto,
no caso de toclos os elementos cia amostra terem a mcsma chance
de sele~ao, cada um recebc o mesmo peso: 1. (E chamacb de
amostra "autoponderacla".)
As vezes, e con·eto fazer amostragem c jJOilderafdO
clesproporcionais. Por exemplo, voce pode amostrar subpopu-
la~oes desproporcionalmente pa ra garantir nC11nero suficienre
de casos de cada subpopula~ao para analise.
Suponha que voce esta planejanclo um survey por amos-
tragem de 1.000 residencias numa cidade e que a cicladc rem
uma area decaclente onde mora um quarto cia popub;:ao total,
e voce quer analisar cletalhadamente essa area. Uma amostra
representativa cia ciclade lhe daria aproximadamente 250 resi-
clencias nessa regiao e 750 no resto cia cidade. Mas, 250 casos
podem nao ser su fici entes para a analise que voce planeja.
Uma solu~ao e selecionar o mesmo numero de residencias
(500) cia regiao clecaclente que o do resto cia ciclacle. Entao,
as residencias cia regiao clecaclente teriam uma chance
cl espro p orciona lmentc maior de selc~ao em rela~ao ;,s de
o utras partes cia ciclacle.
Contanto que voce analise as duas amostras de areas
separaclamente ou comparativamente, nao precisa sc preocupar
com a amostragem cl iferencia l. Mas, se quisc r combinar
as cluas amostras para criar um quadro composto cia cidacle
toda, !eve a amostragcm clcsproporcional em consiclerac;ao
atraves de um procedimento de ponderac;ao.
Eis uma solu~ao simples e intu itiva. Como a rcgiao deca-
dentc rem um quarto das residencias cia ciclade, e a regiao
nao-clccaclenle, os dema is tres quartos, as 500 resiclencias
selecionaclas cia regiao nao-clecadente rem represcnrac;ao na
cidade tres vezes maior do que as 500 sclecionadas cia regiao
dccadcnre. Portanto, a soluc;ao de ponderac;ao mais simples e
conrar cada residencia selecionada na regiao nao-decaclcnte
como Ires residencias. Este procedimento cia a impressao de
que voce ceria entrevistaclo 1.500 moradias na rcgiao nao-
decaclente cia ciclacle, que c 0 numero que voce teria selcci-
o nado e entrevistaclo se quisesse 500 moraclias na rcgiao
decaclcnte c tivesse recursos para uma amostra total de 2.000.
As vezes e possfvel fazer capias dos arquivos de claclos
em certos casos - as rcsiclencias cia regiao nao-decaclentc,
nesre exemplo. No entanto, alguns programas de analise de
dados permitem especificar os pesos a sere m atribuidos aos
varios casos, e o computaclor os leva em considera~ao ao
calcular as estatfsticas na a na lise.
A amostragem cl esproporcional e os proceclimentos de
poncl e ra~ao sao as vezes usaclos em s itua~oes que envolvem
os erros e as aproximac;oes muitas vezes inerentes a amos-
tragem complexa em m(dtiplas eta pas. lsto sera discutido em mais
cletalhes no exemplo de amostra por conglomerados por area no
Capitulo 6, mas convem mencionar algumas das condic;ocs nas
quais a ponclera~ao e freqllentemente necessaria.
1. Na amostragem estratificada por conglomerado:., um
determinaclo n(tmero cle cong l omerados pode sc r
selecionado de cada estrato, embora varie o tamanho dos
diversos estratos. A pondera~;ao diferencial pode ser usada
para compensar aquelas varia~;oes.
2. Um ceno conglomcrado pode scr sdecionado num
de:.enho de amostra PPT com base no tamanho cspcrado
ou c!>limado, mas uma investiga~;ao de campo po:.ICrior
pode indicar que a eslimaliva inicial estava errada. Ponamo,
o conglomerado tera recebido uma chance de :.de<;iio
desproporcionalmentc alta ou baixa; a pondera<;iio pock
ser usada para compensar este erro.
3. Um desen ho de amo:.tra pode pcdir a selc(iio de um
d6cimo dos elementos de um conglomerado, mas este
pode conter apcna:. cinqOenta e dois elementos, apenas
cinco dos quais sendo sclecionados para es1udo. Pode-se
usar a pondera\iiO para compcnsar o elemcnto 0,2 que,
logicamente, nao tinha como :.er sclecionado.
 4. Dez elementos de um conglomerado podem ter sido
~elccionados, mas dois nao tivcram como ~er C!>tudados
(por exemplo, recusaram a entrevista). Pre!>supondo
homogeneidade dentro do conglomerado, voce pode
atribuir peso 1,25 a cada um dos elementos estudaclos
para compensar os dois que nao o roram.
Todos estes usos de ponclerac;ao sao ilustrados no exemplo
final de amostragem do Capitulo 6. Entretanto, com a excec;ao
do caso 4 acima, voce pocle derivar seu proprio procedimento
de ponclerac;ao, determinando cuidadosamente a probabilidacle
de selec;ao, passo a passo, para cada elemento cia amostra, e
atribuindo um peso igual ao inverso claquela probabilidade. Trcs
outros aspectos cia ponderac;ao devcm ser discutidos antes de
passarmos a outro tema.
Graus de Precisoo na Pondera~ao
Em qualquer desenho complexo de amostra, ha diversas
opc;oes em relac;ao a ponderac;ao, em conexao com a amos-
tragem intenciona l e/ou inadvertidamente desproporciona l.
Podemos computar pesos para cada clemento ate varias casas
decimais, ou atribuir pesos aproximados para dar conta apenas
clas instancias mais grosseiras de amostragem desproporcional.
No caso anterior cia cidade com a regiao suburbana sobrea-
mostrada, c improvavel que a populac;ao daquela regiao seja
exatamente um quarto cia populac;ao cia cidacle; pode cle faro
ser 0,25001, 0,2600 ou 0,2816 cia populac;ao total. No primeiro
caso, provavelmente escolheremos aplicar a pondera~ao geral
aproximada de casos descrita, se nao houver outra amostragem
desproporcional envolvida noutras etapas do clesenho da
amostra. Talvez tambem fac;amos o mesmo no segundo e
terceiro casos. A precisao que buscamos na ponclera~ao cleve
ser comensuravel com a precisao que que remos nos nossos
achados. Se nossos objetivos de pesquisa poclem tolerar crros
de poucos pontos percentuais, provavelmente nao pcrcleremos
tempo e esfor~o fazendo ponderac;oes exatas. Alem clisso,
ao decidirmos o grau de precisao requerido, devemos levar em
conta o grau de erro a ser esperaclo cia distribui~ilo normal de
amostragem mais todos os cliversos tipos de erro nao-amostrais.
Em t"dtima analise, nao ha uma cliretriz fim1e a scguir quando
se determina a precisao a ser buscacla na pondera~ao. Como
em varios OLitros aspectos do desenho de surveys, desfruramos
de consideravel latitude. Ao mesmo tempo, porem, dcvemo::.
lembrar-nos da nossa decisao de ponclera~ao ao infonnarmos
os resultados. Nao devcmos empregar um procedimento de
ponclerac;ao aproximada c depois sugerirmos que os achados
sao precisos dentro de uma fai.'<a minuscula de erro.
Metodos de Pondera~ao
Tendo clelineado as preocupac;oes cientfficas quanto
a determinar o grau de precisao desejado na ponderac;ao,
devemos assinalar que a escolha muitas vezes e feita com
base nos metoclos disponfveis para ponderar. Os tres metoclos
basicos para a ponderac;ao sao:
1. Para a pondera~ao aproximacla de amostras cxtrafclas de
subpopu l a~oes, tabdas com pesos podem ser construfdas
das tabelas scm pc:;os, para cada uma das subamostras. No
exemplo acima, voce pocle cria r uma tabda simples de
distr ibui~oes para a amostra suburbana e para a amostra
nao suburbana scparadamente, triplicar o numero de casos
em cacla celula da tabela nao suburbana, somar os casos
nas duas tabclas e computar as porcentagens para a tabela
composta.
2. Para uma pondera~ao 1n.1is extensa c rapida, embora
ainda a proxima cia, o:; con juntos de dados para certos cases
podem ser clonados. No exemplo anterior, podem scr feitas
duas c6pias adicionais para cada rcsidl:ncia suburbana
(totalizando trl:s), o conjunto ampliado de casos nao
suburbanos podendo cntao scr combinado com os casos
suburbanos, e o conjunto ampliado de clados pode scr
analisado como sc tres vezes mais casas nao suburbanas
tivessem sido estudadas.
3. Muitos programas de computador para analise de dado~
sao dcsenhados para atribuir um pe:;o exato para cada
caso no arquivo de clados original. Este mctodo e o t'mico
apropriado para a pondera~ao rdinada, porque e
impossfvcl clonar fra~oes de ca:;os, com algum significado.
Como em o utras instancias, tambem na pondera~ao as
preocupa~oes cientificas em geral submetem-se a razoes praticas.
Se a analise for conclu zida, por exemplo, an·aves de cartoes
IBM, a ponderac;ao deve, necessariamente, ser aproximada em
vcz de precisa.
Ponderatao e lnferencia fstatistica
Advirto que os procedimentos de pondera~ao descritos
tem efeitos serios na maioria dos calculos relacionados a
inferencia estatlstica. Se suas finaliclades de pesquisa exigem
inferencias estatlsticas precisas (por exemplo, estimativas de
popula~ao), feitas com base em daclos cuidadosamente pon-
derados, voce deve consultar uma fonte especial sobre este
assunto7 ou, melhor ainda, consultar um estatfstico de amos-
tragem a~ttes da amostragem ser desenhada.
Panorama do Amoshagem Probabilistica
A longa e deta lhacla d iscussao prececlente foi cleclicacla
ao metodo c ha ve de amostragem usa do na pesqu is a de
survey amostragem probabillstica. Em cacla uma das variac;:oes
exam inadas, vimos que os elementos sao escolhidos de uma
p opula~ao, com base na selec;;:ao aleat6ria e com probabili-
clades nao-zero conheciclas.
Depenclendo da situac;:ao de campo, a amostragem pro-
babilfstica pocle ser muito simples ou extremamente cliffcil ,
demorada e cara. No entanto, independentemente da situac;;:ao,
continua sendo o metodo mais eficiente para a selec;;:ao de
e lementos pa ra estudo por d uas razoes. Primeiro, a amos-
tragem probabilfstica evita o VIES consciente ou inconsciente
na selec;:ao de elementos por parte do pesqu isador. Se todos
os e lementos cia popu lac;:ao tem chance igua l (ou desigual,
com ponderac;:ao posterior) de selec;:ao, ha uma boa chance
de a amostra assim selecionada representar bastante bem a
populac;:ao. Segundo, a amostragem probabilfstica permitc
esti mativas de erro amostral. Embora nenh uma amostragem
probabillstica seja perfe itamente representativa em todos os
aspectos, metodos conrrolados de selec;;:ao permitem estimar
o grau de erro esperado.
Tendo cliscuticlo a amosrragem de probabilidacle em
a lgum detalhe, examinemos agora, mais sucintamentc, alguns
metodos comuns de amostragem nao-probabilfstica.
Amoshogem Nao-Probobi lrstico
Apesar da superioridacle dos metodos de amostragem
probabillsricos na pesquisa de survey, as vezcs usam-se metodos
nao-p robabilfsticos em seu Iugar, em geral em situac;;:oes em
que a amostragem probabilfstica seria dispcndiosa demais
e/ou quando a representativiclade exata nao e necessana.
Os metodos principais da amostragem nao-probabillstica sao
os seguintes.
Amoshagem lntenc ional ou parJulgamento
Ocasionalmente, pocle-se selecionar a amostra baseado
no proprio conhecimento da popula~ao e dos seus e lementos,
e cia natureza das metas de pesquisa. Este metoclo de amostragem
e as vezes chamado amostragem inlencional OU porjulgamento.
Pri ncipalmente no desenho inicial do questionario, voce pode
querer selecionar maior varieclacle de entrevistados para testar
a aplicabilidade geral das perguntas. Embora os achados do
survey nao representem qualquer popula~ao significativa, o
teste pode efetivamente descobrir algum defeito peculiar no
seu instrumento de pesquisa. No entanto, cleve-se referir a esta
situa~ao como um pre-teste e nao um survey propriamente.
Algumas vezes, voce quer estudar um pequeno subcon-
ju nto de uma popu la~ao maior, onde muitos membros do sub-
conjunto sao facilmente identificados, mas cuja enumera~ao total
seria quase impossfvel. Por exemplo, estudar a lideran~a de
um movimento de p rotesto estuclamil; muitos dos lfcleres sao
facilmente vislveis, mas nao e viavel definir e amostrar toclos
eles. Ao estudar toclos ou uma amostra clos Hderes mais vislveis,
voce pode coletar dados suficiemes para seus prop6sitos.
Nu m desenho de amostra em etapas mliltiplas, voce
pode que rer compara r estu clantes liberais e conservadores.
Uma vez que, provavelmente, nao e possfvel enumerar e amostrar
todos os estudantes, voce pocle optar por amostrar as filia~oes
clos ] ovens Democratas e clos ]ovens Rep ublicanos. Embora
tal desenho de amostra nao forner;a uma boa clescric;;:ao dos
estuclan tes libera is ou dos conservadores como um toclo
pocle ser suficiente para prop6sitos de comparac;;:ao. '
A amostragem de zonas eleilorais se!ecionadas para
pesquisas de opiniao polftica e um processo bem refinado
de ju lgamento. Com base em resu ltados eleitorais anteriores
em alguma area (cidade, estaclo, na~ao), voce seleciona inten-
cionalmente um grupo de clistritos ou zonas e leitorais que,
combinadas, produzem resultados sim ila res aos de tocla a
regiao. Entao, em pesquisas posreriores, voce s6 seleciona
suas amostras naquelas zonas eleitorais. Naturalmente, a
teoria diz que as zonas e leitorais selecionadas oferecem um
corte de todo o eleitoraclo.
 Cada vez que ha uma elei~o, pemlitindo avaliar a adequa~o
do seu grupo de zonas eleitorais, voce deve fazer revisoes, adit;oes
o u retiradas. A meta e atualizar o grupo de zonas e leitorais,
garantindo a boa representat;fto de todas elas. Para ser efetiva,
a amostragem de zonas e leitorais requer grande conhecimento
politico. Deve haver intimidade com a hist6ria polltica e social
da area considerada, de modo a basear a selet;ao de zonas eleito-
rais num palpite com conhecimento quanta a rcprcsentatividade.
Ademais, este sistema de amostragem requer retroalimentat;ao
continua para ser efetiva. Deve-se poder conduzir pesquisas
freqi.icntes e fazer validat;oes eleitorais peri6clicas.
Amoshagem por Cotes
Como disse antes, a amostragem por cotas comec;:a com
uma matriz descrevendo as caracterlsticas cia populac;:ao alvo.
Por exemplo, voce deve saber qual proporc;:ao cia populat;ao
e masculina e qual e feminina; para cada sexo, saber qual c
a propors,:ao nas varias categorias de idade, c assim por diante.
Ao cstabelecer uma amostra nacional por cotas, voce deve
saber qual propors,:ao da populas,:ao nacional e, digamos,
urbana , do leste, masculina, abaixo de vintc c cinco anos,
bran ca, cia classe operaria, e outros semelhantcs, bem como
todas as outras permutas,:oes nessa matriz.
Ap6s a crias,:ao da matriz, com uma p roport;ao relariva
atribulda a cada celula, colhem-se dados de pessoas com
to das as caracte rlsticas de uma dada celula. Todas as pessoas
nesta celula, entao, rccebem um peso apropriaclo a sua port;ao
na populas,:ao total. Quando todos os elementos cia amostra
estive rem po nderados assim, os dados como um todo devem
resu ltar numa representac;:ao razoavel da populas,:ao total.
Ha varios problemas inerentes a amostragem por cotas.
Prime iro, a moldura das cotas (a proport;ao que as diferentcs
celulas representam) deve ser precisa, e muitas vezes e diflcil
o bter info rmas,:ao atualizada para este fim. A fal ha do Gallup
e m prever a vit6ria de Truman em 1948 deveu-se em parte a
este problema.
Segundo, podc haver vieses na selet;ao dos elementos
cia amostra de uma celula, mcsmo que se estimc com prccisao
sua proporc;:ao na populac;:ao. Um entrevistador instruldo a
entrevistar cinco pessoas que sc encaixam num dado con-
junto complexo de caracterfsticas poclc, aincla assim, cvirar
pessoas que mo ram nos andarcs de cima de um predio com
sere andares de escadas, o u pessoas em habirac;:oes muito
precarias e/ou com dies fe rozes.
Muitas vezes sc usa uma variante da amostragem por
coras em conexao aos gruposfocais na pesquisa de mercado.
Nesta tecnica, grupos de aproximadamente doze pessoas sao,
tiptcamcnte, reunidos para cliscussoes focalizadas sabre produtos
ou comerciais. Recomenda-se reunir varios grupos de tipos dife-
rentes de pessoas ou misturas especfficas de pessoas.
Confian~a em Sujeitos Disponlveis
Pesquisadores universitarios freqi.ienremente fazem surveys
com estudantes matriculados em grandes salas de aula. A
facilidade e baixo custo deste metoda explica sua popu laridade,
mas estes surveys raramente produzem dados com algum valor
generico. Embora sirva a finalidade de pre-testar um questio-
nario, este metodo de amostragem nao deve ser usado para um
estudo pretendendo descrever os alunos como um toclo.
Parar pessoas numa esquina ou outro Iugar quase nunca
e um merodo de amostragem adequado, embora seja empregado
com clemasiacL:1 freqOencia, como no caso de pesquisas de mercado
em estacionamentos de supennercados. Este swvey s6 se justifica
se voce quiser estudar as caracterlsticas de pessoas passanclo
naquele ponto em particular em horas cleterminadas.
0 termo "entrevista por interceptas,:ao em shoppings' as
vezes e usaclo em referend a a um survey no qual consumidores
andando em sboppings sao intercepraclos e soliciraclos a patticipar.
Obviamente, e conceblvel que tais responclemes potenciais seriam
apropriados a alguns su1veys espedficos - um cstudo de con-
sumiclores daquele shopping, po r exemplo. Enrretanto, nestes
casas, outro problema de amostragem e que a maior parte
daqueles que sao abordados se recusa a participar. Mas, num
estudo num sboppillg em Chicago, Hornik e Ellis observaram
que as taxas de resposta cresciam quando os entrevisradores
olhavam e tocavam os entrevistados ao pedir sua cooperac;:ao,
especialmente se a entrevistadora era mulher. 8
Mencionei esta pesquisa para indicar que, embora os
metoclos de amostragem probabilfstica convencional sejam quase
sempre preferfveis na pesquisa de swvey, ha momemos em que
outros met<X.los JXX.Iem ser preferfveis ou necessaries. Mas cscolher
um moclelo de amostragem nao-probabilfstico jamais dcve ser
desculpa para a preguic;:a. Pesquisaclorcs de swvey devem encontrar
fotn1as de providenciar uma amostra representativa cia populac;:ao
que querem estuclar.

Usos Nao-Survey dos Mc?todos de Amoshagem
Nesta discussao sobre a 16gica e os metodos de amostragem,
focalizamos a pesquisa de survey - sele~ao de elementos de
uma populat;ao para entrevista ou questionarios auto-admi-
nistrados. No entanto, a l6gica basica da amostragem da a
discussao precedente um valor mais geral para o pesquisador
social que usa outros metodos de coleta de dados. Fecharemos
o capitulo com breves comentarios sobre os usos nao-survey
dos metodos de amostragem.
Analise de Conteudo
Um analista de conteCrdo codifica e analisa documentos pam
fazer afirma~oes descritivas ou explicativas sobre a litcratura
composta pelos documentos, seu(s) autor(es) c/ou o meio social
do qual fazem parte os documentos. Ele pode analisar os jornais
de um pals, os trabalhos de fic~ao de um romancista, a Jinguagcm
de projetos legislativos, e assim por diante.
Muitas vezes o volume de documentos para analisar e
grande demais para uma cobertura completa. Neste caso, as
tecnicas de amostragem d iscutidas acima poclem ser facil-
mentc aclaptadas. As unidades de arnostragem podem ser
palavras individuais, frases, paragrafos, artigos, livros etc.
As unidades de amostragern podem ser estratificadas de maneira
apropriacla, e amostms aleat6rias, sistematicas ou mesmo par
conglomerados ser selecionadas.
fxperimentos de laborat6rios
Sujeitos para experiencias de laborat6rios muitas vezes
sao selecionados entre voluntaries que respondem a um
anuncio. Ocasionalmente, o projeto experimental rcquer
emparelhamento clos sujeitos nos grupos experimental e de
controle. Em alguns casos, estabelecem-se cotas para tipos
diferentes de sujeiws. Sempre que o numcro de sujeitos em
potencial exceder muito o numcro requerido pelo experimenro,
pode-se usar tecnicas padr-ao de amostragem. Metodos de estra-
tifica~ao podem ser usados como auxiliares para satisfazer
os rcquisitos das cotas.
Observa~ao Participante
Diferentememe dos pesquisadores de survey, observa-
dores patticipantes tipicamente buscam mergulhar na totalidade
do fenomcno sob estudo. Podem tentar observar todos os
grandes cventos que estao ocorrendo, falar com o maior
numero de panicipantes possfvel, e assim par diante. No
entanto, obviamente ninguem consegue observar tudo; alguma
seletividade e inevitavel. Se tal seletividade for incontrolada, ha
o risco de reunir um conjunto de observa~oes tendenciosas, tal
como um pesquisador de survey inepto ao selecionar uma
amostra tendenciosa de entrevistados.
Embom nao queil'a sugeril· que todos OS observadores patti-
cipantes em todos os lugares em todas as situa~6es de pesquisa
devam buscar estabelecer metodos de amostt""agem rigorosos, estou
convencido de que um observador patticipante bem versado na
16gica e, talvez, em alguns dos metodos cia amostmgem de survey
tem maior probabiliclade de obter um conjunto representative de
observa~6es. Ao avaliar o humor de estudantes reunidos para uma
demonstm¢.\o de protesto, um observador patticipante deve ter o
cuiclaclo de nao falar apenas com os lfc.leres cia clemonstm~ao,
devenclo consiclerar a posslvel diferent;a entre estudantes que
aparentemente comparecem sozinhos e os que vao com arnigos,
conversar com estudantcs em locais diversos cia reuniao e
procurar conversar com os que chegam cedo e com os que che-
gam atrasados. Embora o observador nao tenha condi~oes de
estratificar de forma rigorosa a amostra de entrevistados, ele pocle
ficar mais senslvel a reparar diferen~as relacionadas as variaveis
citadas, refinanclo as observa~oes de forma corresponclente.
Resumo
Este Iongo capitu lo buscou familiariza-lo com as consi-
derat;oes mais importantes na 16gica da amostragem de survey
e com as tecnicas mais comuns de amostragem. Esta cliscussao
nao basta para equipa-lo para cada situa~ao de campo que
voce enfrentara, mas espero que uma compreensao cia 16gica
da amostragem lhe permita chegar a julgamentos razoaveis e
seguros por conta propria.
0 capitulo seguinte clescrevc quatro amostras de survey
com as qua is estou intimamente familiarizado. Ao apresentar
detalhes especfficos destes desenhos de amostras um tanto
cliferentes e clas muitas clecisoes tomac.las na sua execu~ao,
espero dar-lhe alguma experiencia concreta de amostragem.
~~epi.to que estes exemplos nao podem ser exausrivos em rela~ao
as Sltua~ocs com as quais voce se cleparara, mas clcs foram
escolhidos para representar as situa~oes de amostragem mais
comuns encontradas na pcsquisa de survey.
Notos
1Para uma di.scu.ssiio recente, vcr SQUIRE, Peverill. Why the 1936 Litera1y
Digest Poll Failed. Public Opi11i011 Qumterly, v.52, p.125-l33, primavcra
1988. Capitulo 6
2 Citada na Neu•stl'eek, p.24, 8 de julho de 1968.

.ILogo veremo.s que o tamanho da amostra .sclecionada e as caracteri.s-

ticas reais eta popular;iio maior afetam o grau de representatividade.

• KlSI 1, Leslie. Survey Sampli11g New York: John Wiley & Sons, 1965.

; Evidcntemente, um guia tclef6nico niio inclui no,·os assinante.s nem

quem prcfere niio ter o n(Jmero li.stado. A amostragem ~e compli:~ 1:1ais
fxemplos de Desenhos de ~mostra g em
com a inclusiio de li.stagens niio re.sidenciais, como loJaS e e.scntonos.

6Veja, por excmplo, GLOCK, Charles Y., RII'\GER, lknj;11:1in 13., 13~13I31~,
Earl R. To Comfort and to Challe11ge. Berkeley: UnJ\'ersny of Caltfornta
Press, 1967. Apl!ndice A.
7 Por cxemplo, K ISH. Survey Sampli11g
s IIORNIK, Jacob, ELLIS, Shmuel. Strategies to Secure Compliance for a
Mall Intercept Interview. Public Opi11i011 Qttarter~y, v.52, p.539-551.
inverno 1988.
Leituras Adicionais
BAB13TE, Earl. The Practice of Social Researcb. Belmont, CA:
Wadsworth, 1989. cap.7.
COCHRAN, William G. Sampling Tecbn iques. New York: John
Wiley & Sons, 1963.
FRANKEL, Martin R., FRANKEL, Lester R. Fifty Years of Survey
Sampli ng in the United States. Public Opin ion Quarterly,
v.51, p.S127-S138, inverno 1987.
HANSEN, M. H., HURWITZ, W. N., MADOW, W. G. SampleSurvey
Methods and nJeoJy. New York: John Wiley & Sons, 1953. 2 V.
KISH, Leslie. Survey Sampling. New York: John Wiley & Sons,
1965.
SCHEAFFER, Richard L., MENDENHALL, William, OTT, Lyman.
ElemelliCIIY S111vey Sampling. North Scituate, ivlA: Duxbury
Press, 1979.
0 Capitulo 5 apresentou a logica basica cia amostragem de
survey e clelineou algumas op~oes de proceclimentos possfveis.
Este capitulo apresenta quatro estuclos de caso de clesenhos de
amostras que representam cliferentes situa~oes e desenhos de
amostragem.
0 primeiro exemplo e uma amostragem estratificacla
sistematica de estuclantes da Universidade do Havaf. 0 segundo
e uma amostragem por conglomerados de professores de escolas
de meclicina em toclo o pals, au·ibuinclo igual probabilidade de
sele~ao as unidacles primarias de amosrragem. 0 terceiro e
uma amostra par conglomerados de mulheres de igrejas epis-
copais no notte da California, usanclo um projeto PPT (probabi-
liclacle proporcional ao tamanho) para a sele~ao de unidacles
pri ma rias de amostragem. 0 ultimo exemplo e uma amostra
complexa de area, projetada para um survey de residencias em
Oakland, California.
Amoshagem de £stud antes Un ivers itari os
A finaliclacle era fazer um survey, usanclo um instrumento
auto-aclministraclo, de uma interse~ao representativa de estu-
dantes do campus principal cia Universiclacle do Ilavaf. As pro-
xin1as se~oes descrevem os passos e as decisoes envolvidas na
sele~ao desta amostra.
Popula~ao de hmosha e Moldura de hmoshagem
A moldura de amostragem 6bvia era o registro magnetico
em ftta usado pela administraqao cia universiclade, com os nomes,
os enderer;os atual e permanente, os nC1meros cia Previdencia
Social dos alunos e outras informar;oes como area de estudos,
perfodo, idade, sexo c assim por diante.
Mas a fita tinha arquivos de todas as pessoas que, por qual-
quer definir;ao concebfvel, poderiam ser chamadas de esrucl.antes.
Como varios destes alunos pareciam inadequados para OS fms do
esrudo foi necessaria definir a populaftlo do su ruey de fom1a mais
restrita: A deftnir;ao final inclufa os 15.225 alunos de graduar;ao
matriculados no campus Manoa cia universidade, de todas as
faculdades e departamentos, em graduar;ao e p6s-graduar;ao, e
alunos america nos c estrangeiros. 0 programa usado para a amos-
tragem limitou 0 estuclo a alunos enquaclraclos nesta definir;ao.
£shatifica~ao
0 programa de amostragem tambem permitia. a. estratifi-
car;ao de estudantes antes cia scler;ao cia amostra. DeCJclJu-se que
a estratificar;ao por periodo seria suficiente, embora os estudantes
pudessem rer sido ainda mais estratificados dentro de cada
perlodo, por sexo, faculdade, area de estudo etc.
Sele~ao do Amosha
Uma vez agrupados por perloclo (pelo programa de amos-
tragem) extraiu-se uma amostra sistematica a partir cia lista reor-
denada ' dos esrudantes. 0 tamanho cia amostra foi inicialmente
deftnido em 1.100. Para extrair a amostra, o programa foi instruldo
a usar uma frar;ao amostral de 1/14. P01tanto, o programa gcrou
um numero aleat6Jio entre 1 e 14; o esruclante com este nC1mero foi
selecionado, bem como todo decimo qua1to estuclante daf por cliante.
Depois de extrair a amostra clesra forma, o computador
foi instrulclo a imprimir o nome co endereqo de cacla estuclante
em seis etiquetas posrais auto-adesivas, que foram coladas nos
envelopes usados para enviar os questionarios.
Modifica~ao do Amosha
A descriqao prececlente detalha o clesenho inicial cia an:ostr~~
para o estuclo de estudantes universitarios. Antes de envw.r ~s
questionarios, descobriu-se que custos inesperaclos na produc;ao
clos questionarios tornavam imposslvel cobrir as despesas de
correio para 1.100 estudantes. Portanto, um terr;o clas etiquetas
postais foram selecionaclas sisrematicamente (com infcio alea-
t6rio) para exclusao cia amostra. A amostra final foi recluzicla para
cerca de 770.
Esta moclificac;ao cia amostra e mencionada para ilustrar
a necessidade freqi.iente de muclar aspectos cia pesquisa no meio
do caminho. Como uma amosrra sistematica de estudantcs foi
eliminada cia amostra sistematica inicial, os 770 resrantes aincla
podiam scr considerados como representanclo razoavelmente
a popular;ao do survey. Naturalmente, a red uqao no tamanho
cia amostra aumentou a exrensao do erro amostral.
~moshagem dos Professores de fscolas de Medicine
Esta ser;ao relata o desenho de amostra usaclo para sele-
cionar uma amostra de professores de escolas de medicina, para
um survey nacional estuda nclo os efeitos cia orientaqao cientffica
sobre o cuidado humane de pacientes. 0 desenho cia pesquisa
demandava uma amostra de professores de escolas de medicina,
nos departamen tos de medicina e pediatria.
Em condir;oes ideais, uma lista unica de todos os profes-
sores nos dois cleparta me ntos [eria siclo ob[icla ou construlda,
e uma amostra selecionada a partir clela. Infelizmente, esta lista
parecia nao existir, de fo rma que se decidiu selecionar uma
a mostra por conglomerados em cluas etapas. Na primeira,
fez-se uma amostra de escolas de meclicina; a seguir, professores
foram escolhidos de cada uma destas escolas.
Desde o come~o, o clesenho cia amostra foi dificultaclo
pela indisponibilidacle de dados. 0 clesenho cla pesquisa
pedia um exame de professores em tempo integral e em tempo
parcial. Embora, na epoca do estudo, houvesse ccrca de 3.700
professores em tempo integral nos dois clepaitamentos, nacional-
mente, nao havia daclos boos disponfveis quanta aos numeros de
professores em tempo parcial. Uma analise dos dados existcntes
sugeriu que o numero total de membros em horario integral e
parcial estava em torno de 12.000. Para fins do estuclo, clecic!iu-se
que uma amostra de 2.000 seria suficiente (uma frac;ao amostral
geral de 1/6).
ASele~ao de fscolas de Medici no
Na epoca cia pesquisa, 84 escolas de meclicina com cursos
de quatro anos de durac;ao pe11enciam a Associar;ao Americana
de Escolas de Meclicina. Estas escolas compuseram a popular;;ao

do survey das escolas, que foram entao arranjadas em cstratos
geograficos e ordenadas por tamanho (numero de alunos)
dentro dos estratos.
A lista estratificada de escolas foi numerada de 1 a 84 e um
numero aleat6rio cmre 1 e 6 selecionado Co intervale amostral).
A escola com o numero escolhido e cada sexta escola daf por
diante foram selecionadas na primeira erapa de amosrragem.
Foram enviadas cartas aos rcitores das escolas selecionaclas
explicando a finaliclade do Sll rvey c pedindo sua assistencia na
obtent;ao de uma lista de professores nos seus clepartamentos
de meclicina e pediatria.
Inicialmente, foram selecionaclas quatorze escolas. Mas
nem toclos os reitores quiseram cooperar. A mcd ida que as
recusas foram chegando, uma escola alternativa para cacla
uma foi escolhicla da lista, cia segu inte maneira: uma escola
adjacente ~~qu e recusava e ra escolhida joganclo uma moeda.
Seletoo de Professores
Logo que re itores concorclaram a cooperar com o survey,
foram compiladas em cada uma lisras de todos os professores
nos departamentos de meclicina e pediatria. Toclos estes
professores foram inclufclos na amostra fi nal, recebendo
question:irios pelo correio.
B te nao foi o melhor desenho de amosu·a possfvel. A amosu-a
total de professores foi t.iracla de um n(anero relativamente pequeno
de escolas. Um desenho meU1or telia selecionado mais escolas, com
menos professores em cacla uma. Por exemplo, um tert;o clas escolas
e metade clos professores em cacla poc.liam tcr sido estudaclos.
0 desenho adotado foi limiraclo mais por questoes admi-
nistrativas do que cientfficas. Um estudo-piloto havia mostrado a
dificulclade de obter aprovat;ao c cooperat;ao dos reitores. Mesmo
quando eles concorclavam em cooperar, muiras vezcs clemoravam
a fornecer a lista dos professores. 0 principal gargalo na amostra-
gem ocorreu neste ponto. Aumenrar o numero de escolas teria
aumenmclo o tempo e os problemas envolvidos na scle~ao total
da amostra. Apenas por isto, tomou-se a decisao de escolher um
sexto das escolas e rodo o corpo docente de cada uma.
hmoshagem de Mulheres de Igrej as fpi scopai s
A finalidade deste estudo foi examinar as atitucles de
mu lhe res membros de igrejas na diocese ca li forniana cia lgreja
Episcopal. Desejava-se uma amostra representativa de roclas
as mulheres cia igreja na diocese. Como se esperava, nao havia
uma lista unica destas mulheres, de modo que um desenho de
amostm em etapas multiplas foi criado. Na fase inicial de amos-
tragem, as igrejas foram selecionadas; a seguir, mulheres foram
selecionadas de cada igreja escolhicla. Ao contcirio da amostra de
escolas de medicina, a de igrejas foi selecionacla com probabilidade
proporcional ao tamanho (PP1).
Seletoo das lgrejas
A diocese em questao publica um relat6rio anual com
uma lista clas mais ou menos 100 igrejas componentes, com
seus respectivos taman hos em n(tmeros de membros. A lista
constitui u a moldura de amostragem para a primeira etapa.
Desejava-se cerca de 500 respondentcs para o cstudo, de
forma que se decicliu escolher vinte e cinco igrejas com probabi-
liclade proporcional ao tamanho, tiranclo vinte mulheres de cacla
igreja. Para isto, a lista de igrejas foi arranjada geograficamente,
e foi feita uma tabela semelhante a lista parcial cia Tabela 6-1.
lhBHA 6-1
forma usodo no lido des igrejos
lgrejo Membros Membros (ocumulodos)
Igreja A 3.000 3.000
Igreja B 5.000 8.000
Igreja C 1.000 9.000
Ao laclo de cacla igreja na tabela, pos-se scu numero
de n:embros, para computar a freqUencia acumulada ao Iongo
cia hsta . 0 tot~! final chegou a cerca de 200.000. 0 objetivo,
neste passo, fot selecionar uma amostra de vinte c cinco igrejas,
cl; tal f~rma qu: cad~ igreja tcria uma chance de sele<;:ao
P oporc10na l ao seu numero de membros. Para isto, os totais
cum~l ativos foram usados para criar, para cada igrcja, faixas
~e· nu~eros iguais aos numeros de membros claquela igrcja.
. •g.reJa A na Tabela 6-1 recebcu os numeros de 1 a 3.000; a
•greJa B recebeu os n(tmcros 3.001 a 8.000; a igreja C recebeu
8001 a 9000; c assim por diante.
. . Selecionanclo vinte e cinco nC1meros entre 1 e 200.000,
sena
, possfvel sele ctonar
· 2-) tgreps
· · para a pesquisa. Os 25
numeros foram selecionaclos numa amostra sistematica como
se segu e · 0 tntcrva
. Io amostra l foi esta be leciclo em 8.000
( 200.000/25) , e urn tntcJo
· - . a 1eatono
, . f 01. escolhiclo entre 1 e
8.000. Suponha que o numero aleat6rio escolhido renha siclo
4.538 . Como esrc numero estava denrro da faixa de numeros
atribufdos a igreja B (3.001 a 8.000), a igreja B foi selecionada.
Incrementos de 8.000 Co intervale amostral) foram somados
ao infcio alear6rio, e cada igreja em cuja faixa aparecia um dos
nlimeros resultantes era selecionada para a amostra de igrejas.
Deve estar clara que, assim, cada igreja na diocese rinha uma
chance de sele~ao direramente proporcional ao nCtmcro de mem-
bros. Uma igreja com 4.000 membros tinha duas vczes mais
chance de sele~ao do que uma igreja com 2.000 mcmbros c dez
vezes mais do que uma igreja de 400 membros.
Selecionando as Mulheres das lgrejas
Dcpois de selecionar a amostra de igrejas, obriveram-sc
lisras das mulheres de cada igreja. Vale notar aqui que, na
prarica, as lisras variavam enormemente em forma e conteudo.
Em varios casas, foram fornecidas lisras de todos os membros
(homens e mulheres), rornando necessaria separar as mulheres
antes de amostrar. A forma das listas variava desdc listas
datilografadas are cartoes 3x5 impresses a partir de placas
de addressograph.
A cada lisra que chegava de uma igreja selecionada, compu-
tava-se um intervale amostral para ela, com base no numero
de mulheres membros e no numcro dcsejado (20). Se uma
igreja tinha 2.000 mulheres, o intervale amostral era esrabeleciclo
em 100. Um numero aleat6rio era escolhido e incremenrado no
valor do intervale amostral, para selecionar a amostra de
mulheres daquela igreja. Este procedimenro foi repetido
para cada igreja.
Observe que este desenho de amostra s6 da a cacla mulher
na diocese uma chance igual de sele~ao se mcracle dos membros
de cada igreja forem mulheres (ou sc uma propor~ao constante
clos membros sao mulheres), porque as igrejas tinham chance
igual de sele~ao bascacla no numero total de membros (nao
esravam disponfveis numeros s6 de mulhercs). Daclas as meras
do estuclo, as !eves clesigualclades de sele~ao foram consicleraclas
insignificantes.
Um clesenho de amosrra mais sofisticado para a segunda
erapa teria resolvido esrc possfvel problema. Como se cleu a cada
igreja uma chance de sele~ao baseada num numero presumiclo
de mulheres (suponclo-se, por exemplo, 1.000 mulheres numa
igreja com 2.000 pessoas), o intervale amostral podia ter siclo
compuraclo com base naqucla suposis;ao e nao no numero
real de mulheres listaclas. Se tivesse sido suposro, na primeira
erapa de amostragem, que uma igreja tinha 1.000 mulheres
(de urn total de 2.000 membros), o intervale amostral podia ter
, 1 ~1o esrabeleciclo em 50 (1.000/20). Este intervale podia ter
sido usado na sele\=ao de respondentes, inclependenremenre
do numero real de mulheres lisraclas naquela igreja. Se, de faro,
1.000 mulheres cstavam listadas, a igreja debs teria a chance
apropriada de sele~ao c 20 mulheres seriam selecionadas. Se
1.200 mulhercs estavam listadas, a igreja tinha uma chance
muiro pequena de sele~ao, mas este clesequilfbrio teria sido
remediado atraves da sele~ao de 24 mu lheres pelo uso do
intervale de amosrragem preestabelecido. Se, por outro !ado,
somente 800 mulheres estavam listadas, apenas 16 tcriam
siclo selecionadas.
hmoshagem de Casas em Oakland
Esre exemplo final representa um clos desenhos de amostra
mais complexes da pesquisa de survey: uma amostra de area
por conglomerados. A finaliclade cleste estudo, feito em 1966,
foi coletar daclos relevances ao estuclo cia pobreza nas regioes
mais pobres de Oakland, California, usanclo o restante cia
cidade para fins de compara~ao. Uma vez que se ia usar os
achados do survey, em patte, para apoiar solicita\=oes de recursos
federais para Oakland, era essencial que os dados coletados
descrevessem precisamenre a ciclade.
Para fins do estuclo, a cidade foi dividida em sere areas:
quatro eram oficialmente designaclas areas pobres, c as tres
resrantes cram vistas rradicionalmente como se\=OCS clistintas
cia cidade. 0 ramanho total cia amostra foi esrabelecido em
3.500 residencias, com base em calculos cuja complexidade
excecle o escopo deste livro. Entretanto, notc-se que a escolha
do tamanho cia amostra come~ou com discussoes de polfticas
references a "chance" que as autoridades municipais estavam
clispostas a correr de que o survey, pelo erro amostral normal,
subestimasse os nfveis de pobreza e desemprego a ponro de
nao qualificar a demanda de financiamenro federal. Se estes
nfveis fossem, de fato, altos o basrante para garantir o financia-
menro, uma amostra perfeitamente precisa demonsrraria isro.
Mas, com uma amosrra pequena, a faixa de erro amostral
abria a possibiliclacle de subestima\=aO. Naturalmente, com o
aumento do tamanho cia amostra, a chance de subestima\=ao
reduzia-se. Portanto, desra maneira estabeleceu-se o ramanho
final da amostra em 3.500 resiclencias. (Nota: E desra forma
que deve ser estabelecido o tamanho clas amostras.)

Como o estudo pedia uma compara~ao das sete regioes cia
cidadc, era impoitante dcscreYc-las com igual grau de precisao.
Portanto, a amostra foi projetada de forma a sclecionar 500 rcsi-
dencias de cada regiao, embora as sere areas diferissem muiro
no numero total de residencias. 0 restante desta discussao e
cledicado aos proceclimentos de selc~ao da amosrra usados
numa das areas, j:l que os proceclimentos foram essencialmente
identicos em toclas.
Considera~oes Gerais
Como disscmos, planejamos uma amosrragem de area
por conglomerados. No primeiro est.1gio de amosrragem, uma
amostra estratificada de quarteiroes de rece/lseamento 1 clevia
ser selecionada com probabiliclade proporcional ao tamanho.
Os quarteiroes selecionados seriam listados da seguinte forma:
enumeradores visitariam fisicamente cada quaneirao selecionaclo
e prcparariam listas de todas as residencias ali achadas; enrao,
uma amostra sisrem~1tica de cinco residencias seria selecionada
de cacla qua rteirao.
Como clissemos, cinco residencias por quarteirao e uma
convcn~ao comum na amostragem de area por conglomerados.
Tanto a reoria de amostragem quanto a experiencia de survey
sugerem que uma amostra de cinco res iclcncias represcnta o
ponto de retornos clecrescentes na descri~ao de quarteiroes.
Cinco residencias permitem descrever um quartei rao de forma
razoavelmente precisa, dada a homogeneidade tipicamente
encontrada entre residencias num unico quarteirao. Embora,
e claro, seis residencias dessem uma descri~ao mais precisa,
a redu~ao correspondente na precisao cia amostra dos quar-
tei rocs, selecionados para descrever a popula~ao de toclos
os quatteiroes, anularia esta vantagem. (Suponclo que o tamanho
total da amostra c fixo.) Num exemplo extrema, voce pocleria
limitar sua amostra a toclas as resiclencias encontraclas num
unico quarteirao; ela permitiria uma clcscri~ao bem precisa
do quarteirao, mas o proprio quarteirao nao permitiria cles-
crever muiro precisamente toclos os quatteiroes e, por e;..:tensao,
toclas as residencias cia cicladc.
Selecionar 500 residencias de cacla regiao cia ciclade signi-
ficava selecionar 100 quarreiroes, com cinco resiclencias em cacla
um. Para aumentar a representativiclade cia amostra de resi-
clencias, decicliu-se organizar os quarreiroes em esrratos relati-
vamente homogeneos (grupos de quarteiroes) c selecionar clois
quarreiroes de cacla estrato. Portanto, a tarefa inicial em cacla
regiao foi criar cinqCtenta estratos; a seguir, clois quarteiroes
foram selecionaclos de cada csrrato, e, finalmente, cinco
casas em cada quarteirao - totalizando 500 residencias
em cada regiao.
hMol dura de hmoshagem do Primei ra Hapa
Foram necessarios dois tipos de clados para descrever
os quarteiroes de recenseamento. 0 mais importante era saber
quanras resiclencias havia aproximadamente em cacla um, de
forma que se puclesse selecionar uma amostra PPT. Para fins
de estratifica~ao, tambem era preciso conhecer algumas carac-
terfsticas relevances dos quarteiroes, como sua composi~ao
racial e seus nfveis socioecon6micos.
As esratfsticas dos quarteiroes de recenseamento de
1960 dos Estaclos Unidos ofereciam os dois tipos de dados.
Este arquivo inclicava o tamanho de todos os quartciroes em
1960 (em numero de unidacles clomiciliares) e tambem fornccia
clescri~oes variaclas, como (1) porcentagem de nao-brancos, (2)
porcenragem de ocupantes pagando aluguel, (3) porcentagem
em deteriora~ao, e (4) valor das estruturas (seja em aluguel
ou em avalia~ao). Infelizmente, o escudo foi feito seis anos depois
cia coleta de clados do censo, de fotma que antecipou-se que
varias das contagens de casas estariam clesatualizacbs.
Antes de come~ar a amostragem, gastaram-se clois meses
examinando os mapas de planejamento de cacla area. Uniclades
clomiciliares construfclas ou clemolidas descle o censo de 1960
foram anotaclas, e estes daclos usados para corrigir o numero
estimaclo de residencias por quarteirao. Enfim, prcparou-se
um registro de daclos para cacla quarteirao, mostrando seu
tamanho atual esperado (em numero de residencias) e as
cliversas caracterfsticas compiladas no censo de 1960 (que
nao seriam atualizaclas).
As se~oes seguintes clescrevem os procedimemos de sele~ao
cia amostra usaclas na Area de Pobreza D, que continha 9.938
resiclencias estimaclas na epoca cia amostragem. Ja que a meta
de amostragem para a area era de 500 casas, a fra~ao total de
amostragem foi arredonclacla para 1/20.
Se l e~ao de Grandes Quadei roes
Cacla area cia cidade tinha algum quaiteirJo de recensea-
mento com um grande numero de resiclencias. Alguns cram
grancles em tamanho geografico; outros tinham varios predios
grandes de apartamentos. Como a presen~a destes conjunros
habitacionais pod ia prejudicar as tecnicas de estratifica~ao
planejadas, e pelo fato destes quarteiroes serem considerados
muito importanres para os prop6sitos do estudo, decidiu-se
que cacla quarteirao com 200 ou mais resiclencias seria automati-
camente inclufclo na amostra. Estes quarteiroes seriam listados,
e um vigesimo (taxa de amosrragem total para a regiao) clas
residencias listadas selecionacla para enrrevisras.
Na Area de Pobreza D, os quartciroes maiores tinham
um total de 702 resiclencias. Porranto, trinta e cinco residencias
foram selecionadas daqueles quarteiroes, deixando 465 para
serem selecionaclas do restante da area.
Lidando com Quadeiroes Pequenos e Quadeiroes Zero
Varios quarteiroes na Area de Pobreza D (e em outros
locais) tinham poucas resiclencias, estimanclo-se que alguns nao
tinham nenhuma. Estes quarteiroes apresentavam problemas
especiais. Primeiro, um quarteirao com tamanho csperaclo igual
a zero nao teria chance de sele~ao. Se as estimativas estivessem
incorretas e o quarteirao, de faro, tivesse residencias, elas
nao teriam qualquer chance de sele~ao. Segundo, uma vez que
o desenho de amostra basico peclia a sele~ao de cinco resi-
dencias de cada quarteirao selecionaclo, aqueles com menos
de cinco tambem representaram um problema. Alem clisso, se
as estimativas de tamanho estivessem incorretas, alguns quar-
teiroes que se acreditava ter mais do que cinco casas podiam,
de faro, ter menos.
Para resolver estes problemas, cada quarteirao zero e
cacla quarteirao com um tamanho esperado de menos que
dez resiclencias foi "anexado" a um quarteirao acljacente. 0
numero de residencias esperado num pequeno quarteirao, sc
houvesse algum, era somado ao numero do quarteirao acljacente,
e o par de quaneiroes tratado como um quarteirao unico para fins
de amostragem. 0 par tinha uma chance de sele\ao proporcional
ao seu tamanho combinado; se o par Fosse selecionado na
amostra de quarteiroes, ambos eram listaclos e amostraclos
como se fossem um unico quarteirao.
fstratifica~ao
Uma vez que trima e cinco resiclencias seriam selecionadas
de grandes quaneiroes, 465 precisavam ser selccionaclas do res-
tame cia area, com seu total estimaclo de 9.236 residencias. Com
cinco residencias a serem selecionadas de cada quarteirao cia
amostra, novcma e tres quarteir6es seriam necessaries. Como dois
quatteiroes seriam sclecionados de cada estrato, a tarefa neste
ponto era criar quarema e sere (arredondado de 46,5) estratos.
Cada estrato (grupo de quarteiroes) tinha que ter duas
caracterfsticas. Primeiro, os quatteiroes em cada estrato deviam
ser tao semelhantes entre si quanto possfvel, em termos de
composi~ao racial, status socioeconomico (SSE) etc., para
garantir que todos os tipos de quarteiroes fossem selecionados
na propor~ao aclequacla na amostra total. Segundo, cada estrato
devia conrer um total de aproximaclamente 200 residencias.
Ja que clez casas cleviam ser selecionadas de cada estrato
(clois quarteiroes, cinco resiclencias de cacla), um tamanho
de estrato de 200 produziria uma fra~ao amostral total de 1/20,
a fra~ao estabelecida para tocla a area. Natura lmente, todos
os quarteiroes tinham numeros especificados de residencias,
de forma que nao foi possfvel criar estratos com exatamente 200
casas. (Uma discussao posterior tratara cia corre~ao estatfstica
para tais varia~oes.)
Ao criar homogeneidade entre os quarteiroes agrupados
num estrato, foi possfvel empregar as caracterfsticas de quartei-
roes fornecidas no censo de 1960. Para evitar confusao nas
clescri~oes empfricas seguintes, observe que a cria~ao de homo-
geneidade fo i feita de fo rma essencialmente ad hoc e arbitraria.
Embora possa haver a tenta~ao de criar um formate estratifi-
cado em bases te6ricas descle o infcio (por exemplo, todos os
quarteiroes com mais de 75% de resiclentes nao-brancos, mais
de 50% de uniclades alugaclas e menos de $150 em renda mensa!
media seriam combinadas para formar um estrato), esta abor-
dagem nao seria necessariamente apropriacla a natureza cia
regiao ou area especffica senclo amostrada . Em vez disso, cacla
grupo de quarteiroes (representanclo uma regiao cia cidade ou
subconjunro clela) era examinaclo para determinar as varia~oes
das suas caracterfsticas, e um sistema de estratifica~ao foi clesen-
volvido para se aclequar aquelas caracterfsticas particulares.
Portanto, areas cliferentes cia cidade foram estratificadas de
forma diferente; aclemais, deve-se reconhecer que o Formato de
estratifica~ao especifico a uma regiao era apenas uma de varias,
talvez igua lmente apropriadas, possibilidades.
Entreranro, como regra geral, as variaveis de estratifica~ao
disponfveis foram consideradas numa determinada ordem para
cada area cia ciclacle: crescimento recenre, composi~ao racial,
porcentagem de casas pr6prias/alugadas, valor das propri-
edades e deteriora~ao. Sempre que esta ordem de variaveis de
esrrarifica~ao fosse inapropriada para uma dada area, as vari-
aveis inapropriaclas eram ignoradas ou consicleradas num ponto
cliferenre da estratificat;;ao. 2

Portanro, em cada uma das sere regi6es da cidade, iniciamos
a estratifica<;ao com base no crescimento recente. Quando os
registros de dados atualizados foram criados para cada quar-
teirao de rccenseame nto, foi feita uma anota\aO quanta ao
numero de unidades resiclenciais construfdas ap6s o censo
de 1960. Como parecia razoavel supor que quarteiroes contendo
novas construt;oes difeririam de OLI(ros quarteiroes, este dado
foi usado como primeira variavel de estratificat;ao. Por exemplo,
rodos os quarteiroes na Area de Pobreza D contendo alguma
nova unidade foram separados para uma estratifica<;ao sepa-
rada. Juntos, estes quarteiroes tinham 1.254 residencias esti-
madas. Com 200 casas por estrato, os quarteiroes "com cres-
cimento" foram agrupados em seis estraros.
A segunda variavel de esrratifica<;ao usacla foi composit;ao
racial. Todos os quarteiroes com crescimento foram ordenados
em tem1os cia porcentagem de residentes nao-brancos vivendo em
cada um. Alguns quaneiroes tinham 80% ou mais de residcntes
nao-brancos.Juntos, estes quarteiroes tinham 247 rcsidencias. Uma
vez que este numero estava relativamente proximo cia meta de
200 casas por estrato, estes quarteiroes foram designados como
o primeiro estrato.
Quarteiroes contendo entre 30 e 79% de residentes nao-
brancos tiveram um total de 385 residencias; decidiu-se criar dais
estratos destes quarteiroes. A variavel de estratificat;ao seguinte
foi a porcentagem de residencias alugadas (em contraposi<;ao as
pr6prias). Nos estratos aqui considerados, os quarteiroes com
36% ou mais de residencias alugadas representavam um total de
214; as 171 restantes estavam em quarteiroes com menos de 36%
de residencias alugadas. Estes dais grupos de quarteiroes foram
designados como o segundo e o rerceiro esrrato. (Nota: Nao ha
nada intrinsecamente significative na escolha do corte em 36%.
A meta era criar estratos de ramanho aproximadamenre igual, e
o ponte de cone que preenchia esta condit;ao foi usado.)
Quaneiroes com menos de 300Al de residenres nao-brancos
tinham 622 residencias, pedindo tres estratos. Exam.inando estes
quarteir6es em tem1os de todas as vanaveis de estratificat;ao, desco-
briu-se que mais de 10% clas residencias num grupo de quarteiroes
foram classificados pelo censo como "em deteriorat;ao". Estes quar-
teir6es tinham 214 residencias. Como 10% de deteriorat;ao c bastante
alto no contexte de toclos os quaneirOes, este grupo foi designado
como sendo o quarto estrato.
Os quarteiroes restantes tinham 408 residencias, pedindo
dais estratos. Quando se examinou a ocupa\ao em termos de
alugueis, descobriu-se que os quarteiroes com 86% ou mais
de alugueis tinham 201 residencias; estes quaneiroes foram
designados como o quinto estrato. Os quarreiroes contendo as
207 casas resranres foram designados como o sexro estraro.
Em vista cia complexidade deste proced.i.mento, apresentamos
na Tabela 6-2 um resumo esquematico cia estratifica<;:ao dos
quarteiroes com crescimento na Area de Pobreza D. Os grupos
de quarteiroes designados como estratos sao indicados pela
anota<;ao S1, S2, e assim por diante. Lembre que a meta cia
estrarifica<;ao era c riar grupos relativamente homogeneos de
quaneiroes. Todos os quarreiroes no esrrato 5 tem em comum:
(1) esrao localizados na Area de Pobreza D em Oakland; (2)
tem menos de 200 residencias; (3) experimentaram um cresci-
mento em numero de residencias desde 1960; (4) tern menos de
30% de residentes nao-brancos; (5) rem menos de 100Al das suas
estrururas em deteriorat;ao; e (6) rem mais de 85% de alugueis. A
homogeneidade extrema deste grupo de quarteiroes e evidente.
Esta discussao esta limitada a criat;ao de seis estraros
na Area de Pobreza D. Quarenta e um outros estratos foram
criados desta maneira na mesma rcgiao, e o processo inteiro
foi replicado mais seis vezes para as outras regioes cia cidade.
fhBHA 6-2
fsha tificatoo de qu odei roes com crescimento no Area de Pobrezo 0
Todos os quarreiroes com crescimento (1.254 resid .)
80% ou ma is nao-brancos (247 resid.) Sl
30-79% nao-brancos (385 resid.)
36% ou mais alugadas (214 resid.) S2
35% ou mais alugadas (171 resid.) S3
29% ou menos nao-brancos (622 resid.)
10% ou mais em cleteriora~ao (214 resid.) S4
9% ou menos em deteriora~ao (408 resid.)
86% ou mais alugadas (201 resid.) S5
85% ou menos alugadas (207 resid.) S6
NOlA - resid. = relidcinciol. U1ei ede Ierma moi1 comum em Iugar do Ierma lecnicomenle correlo
unidade hahilacianal. Umo unidode hobi/ocionol ci um quorlo ou conjunlo de quorlo1 pore u1o
re1idenciol por umo pe11oo ou familia; umo re1idcincio eo pe11oo ou grupo de pe11oo1 re1idindo numo
unidode hobilocionol.
Sele~ao de Quodeiroes denho dos fstratos
Dais quarteiroes foram selecionados de cada estrato,
com probabilidade proporcional ao seu tamanho. Usaremos
o estrato 1 do exemplo anterior, que rinha 247 residencias ,
para ilusrrar o procedimento usado na sele~ao de quarteiroes.
 Pa ra come~ar, a ordem dos qua rte iroes no estrato 1 foi Oakla nd. Cinco residencias (em geral) iam ser entrevistadas em
ra ndomizada. A seguir, a Tabela 6-3 foi c riada a partir das cacla quarteirao. Para atingir esta mera, mapas foram preparados
estima tivas de residencias para cada quarteirao. As primeiras de fom1a a iclentificar claramentc cada um dos quancir5es selecio-
duas colunas na tabela identificam os quarteiroes pelo numero nJdos, c enumeradores foram manclados para preparar uma lista
do trajeto do censo e numero do quarreirao (clentro de cada de rodas as resiclencias em cada quartcir.io. As listas, preparaclas
trajeto ou traro). A terceira coluna apresenra os tamanhos pelo uso de formul:irios padronizados, assemelhavam-se ao
estimados clos quaneiroes; a quana coluna d~1 o total cumulativo exemplo apresenrado na Tabela 6-4.
nos seis qua11eiroes. A coluna final apresenta a fai.,xa de numeros
assinalados a cacla quaneirao com base no seu ramanho. lhBHh 6-4
Como dois qua rteiroes deviam ser selccionados, o total
Amosha de falha de listagem
cumulativo para o estrato (247) foi divid iclo por 2 (resultanclo
em 123,5). Urn nume ro aleat6 rio entre 1 e 123,5 foi selecionado. Numero de Nome Numero Numero do oportomento
0 quarteirao 27/5, com uma faixa d e 13-42, continha este residencies do ruo do ruo ou outre identifico{oo
nC1me ro ale at6 rio, d e forma que foi selecio naclo na a mostra 01 Wa lnut Sr. 2301
de qua rte iroes . 0 nume ro ale ar6 rio foi, enrao, adicionado a 02 Wa lnut St. 2303A Du plex
123,5. 0 quarteirao 27/ 14, com uma faixa de 149-196, continha 03 Walnut Sr. 2303B Duplex
este novo nume ro (1 58,5), de fo rma q ue foi o segundo qua r- 04 Tenth Av. (102?) Sem numero; casa
te irao selecionado na amostra. marrom com sebe
05 Tenth Av. 104 Apart. 101
lhBHh 6-3
06 Tenth Av. 104 Apart. 102
Procedimento de seletoo dos quarte iroes
07 Te nd1 Av. 104 Apart. 103
Troto (hojeto) Quodeiroo Numero de Total foixo •
do censo do censo res idencias cumulative cumulative •
27 18 12 12 1-12
27 5 30 42 13-42 selecio nado 47 Ninth Av. 103
27 23 26 68 43-68 48 Nind1 Av. 101
28 4 80 148 69-148
27 14 48 196 149-196 selecionaclo Para preparar a listagem, o e numerador ia a uma esquina
28 2 51 247 197-247 clesignada do quarreirao e contornava-o ate voltar ao ponto de
origem, anotando cacla residencia no formulario a medicla que
NOlA- Jolol resid./2=123,5; n' cleclorio enlre 1e 123,5=35; n' cleol6rio + (lolcl resid./2)=158,5. aparecia. Cada residencia, seja uma casa com uma unica familia,
Um programa de computador foi p rojerado para realizar um meio duplex ou um apa11amento, era anotada separadamente,
a maior parte clos passos descritos acima. Os quarreiroes foram recebendo um numero em ordem seriada continua .
clivididos por estratos. 0 computador lia os relat6rios de dados 0 processo de listagem fomeceu uma nova estimativa do
de urn estrato, calculava e imprimia os totais cumularivos para numero de residencias em cack'l quarteir-Jo. (Como os enumeradores
aquele estrato, dividia o total por 2 e imprimia aquele numero, pocliam cometer erros na listagem, esre numero ainda assim deve ser
e finalmente gerava e imprimia um numero aleat6rio entre 1 c considerado uma estimaliva.) Entretanto, lembre que cada quarteiriio
merade do total. Depois determinava qua is quarteiroes clcviam era selecionado com base em uma estimativa anterior do seu
ser inclufdos na amostra. tamanho. Para levar em coma d iscrepancias entre estas duas
estimativas, empregamos uma tecnica mencionada ames na nossa
discussao sobre a amostragem de muU1eres cia igreja episcopal.
Sele(oo de Res idencias dentro de um Quadeirao 0 intervalo amostral usado na sele~ao de residencias de
0 procedime nto d escrito resu ltou na de cerca sclc~ao um dado qua11eirao foi computado com base na estimativa ante-
de 700 qua rte iroes de recenseamento em tocla a cidade de rior do seu tamanho e nas cinco resiclencias que se pretenclia
selecionar. Se o tamanho do quarteirao tivessc sido estimaclo em
cinquema residencias, o intervale amostral era csrabelecido em clez.
Estc intervale foi usaclo na sele~ao de residencias, mesmo se o
numero de casas de faro lisradas fosse maior ou menor. Se o
quarreirao tivesse sessenta residencias em vez das cinquenta esti-
madas, seis eram selecionadas na amostra; se livesse so quarenta,
quatro eram selecionaclas. (Uma corTe0io mais precisa tambem foi
empregada, o que discutiremos em breve.)
A sele~ao de residencias foi feita escolhendo um n(rmero
alear6rio entre 1 e o intervalo amostral. 0 nC1mero alear6rio foi
entao somado ao intervale amosrral, e as residencias listaclas
ao !ado clos numeros resultantes na lista foram escolhiclas
para enrrevista.
Quando as esrimativas iniciais do ramanho do quarteir:io
eram muito imprecisas e os procedimentos mencionaclos proclu-
ziam apenas uma ou cluas resiclencias na amostra (ou mais do
que clez), um procedimento cliferenre foi usado. Nestes casos,
um numero arbitrario de residencias (nao mais do que dez) era
selecionado, e se fazia uma anora~ao para que aquelas entrevisras
rivessem peso separado durante a analise.
Isso complera nossa discussao sobre os proceclimenros
usados na sele~ao de cerca de 3.500 residencias na cidacle de
Oakland, California, em 1966. 0 proccsso todo, incluindo a
arualizac;ao do ramanho clos quarreiroes de rccenseamemo e a
lisragem clos quarteiroes de amosrra, levou cerca de cinco meses,
exigindo aproximaclamente vinre pessoas no pico do rrabalho.
Pondera~ao das Residencias da Amostra
No desenho cla amostra aleatoria simples, cacla elemento na
populat;ao rem a mesma probabilidade de selet;ao. Como resulraclo,
a amosrra agregacla pocle ser tomada como represenrativa cia
populac;ao da qual foi exrrafcla. Se 2.000 respondenres forem
selecionados de uma populac;ao de 2 milhoes, entao consi-
dera-se que cada enrrevistaclo estaria "represenranclo" mais 999
pessoas nao selecionadas. Para estimar o llllmero de pessoas
na populac;ao com uma clererminacla caracrerfsrica, multiplicamos
por 1.000 o numero de pessoas com aqucla caracterfstica na
nossa amostra. Esre peso e o inverso cia probabilidade dos
respondentes serem selecionados na amostra. Quando toclos rem
a mesma probabilidade de sele~ao, o peso e irrelevante, exceto
para estimar numeros na popula~ao.
Quando os respondentcs rem probabilidades diferenres
de sele~ao, a pondera~ao e mais imponame, scnclo relevame
ate mesmo na computa~ao das porccnragcns. 0 cswdo
Oakland e um exemplo da necessidade de e dos metodos
para ponclerar elementos de amosrra num clesenho complexo
de amostra. Entretanto, independentemenre da complexidacle
<f, projeto, o princfpio bisico se mantem: o peso do respon-
dcnte e o inverso cla sua probabiliclacle de sele~ao na amostra.
Ao computar a probabilidade geral de selec;ao de um
respondenre, clevemos lembrar-nos de que se temos varias etapas
de amostragem, com probabilidacles diferentes de selec;ao em cacla
uma, estas probabilidades clevem ser multiplicadas para cleter-
minar a probabilidade geral. Se os responclentes penencem a um
grupo (igreja, quaneirao) com a chance de sele~ao de um decimo,
e eles tem uma chance de sele~ao de um decimo dentro daquele
grupo, sua probabilidade geral de selec;ao e de 1/100.
No calculo dos pesos clas residencias na amostra de
Oakland, devemos considerar duas probabilidacles separadas
de selec;ao: a probabilidade de um quarreirio scr selecionaclo
e a de uma residencia ser selecionada dentro daquele quarteirao.
Estas probabilidades devem ser calculadas como se segue.
Probabilidade do Quat1eirc"'io. Cacla quarteirao rem a pro-
babilidade de sele~ao igual ao seu tamanho estimado (TEQ),
dividido pelo tamanho do estrato (TE), vezes 2 (dois quarteiroes
selecionados por estrato). Escrevemos esta equac;ao como 2TEQ/
TE. Note que esta formula considera tanto a amostragem PPT
quanto a varia~ao clos tamanhos dos estratos. No nosso exemplo
anterior, o quarteirao 27/5 tinha um tamanho estimaclo de 30 resi-
dencias num estrato contendo 247; portanto, sua probabilidade
de selec;ao era (30x2)/247 = 0,2429.
Probabilidade da Residencia. Dentro de cacla quarteirao,
cacla residencia selecionada tinha uma probabiliclade de sele~ao
igual ao n(rmero selecionado no quarreirao (n) clivicliclo pclo
numero de faro (NFQ) listado para todo o qua rteiiiio, escrito como
11/NFQ. Caso se observasse na listagem que o quaneirao 27/ 5
tinha 34 residencias (em vez de 30), e fossem selecionadas
cinco delas, cada uma teria a probabilidade de selec;ao igual a
5/ 24 = 0,1471.
Probabilidade Cered Multiplicando as formulas sepa-
ra?as para obter a probabilidadc geral, temos o seguinte:
(2 fEQ)(n)/ (TE)(NFQ). No exemplo acima, a probabilidade
geral de sele~ao e (2x30x5)/ (247x34) = 0,0357, ou cerca de
1128. Observe que esta probabiliclade e menor do que a fra~ao
de amostragem visada de 1/ 20 na Area de Pobreza D. A razao
para CSta discrepancia e que 0 Cstralo 1 tinha 247 residencias
em vez cia meta de 200, eo quaneido 27/ 5 tinha 34 resiclencias em
Yl!Z clas 30 estimaclas. Po1tanto, cada uma das cinco resiclencias
selecionadas no quarteirao 27/5 tinha menor probabilidadc
de sele~ao do que na inten~ao original.
No entanto, note que, se o tamanho estimado do quarteirao
e o tamanho real fossem identicos, a f6m1ula de probabilidade
seria reduzida de (2TEQ)(n)/(TE)(NFQ) para 2n/(TE), ou c.luas
vezes o n(imero de residencias selecionaclas divicliclo pelo numero
de residencias no estrato. Se o tamanho do estrato (TE) fosse 200, a
fra~o de amostragem visacla de 1/20 seria atingida, uma vez que
cinco residencias teiiam sido escolhidas no quatteirao.
Pondera(:iio das Residencias. Todas as diferenps em
p robabilidades de selec;ao foram lcvadas em considerac;ao
na a locac;ao de pesos igua l ao inverse cia probabiliclade geral
de selec;ao de uma resiclencia. No prime iro exemplo acima,
cada residencia entrevistada no quarteirao 27/5 teria recebido
um peso de 28. 0 suposto e que cacla uma claquelas resiclcncias
representaria a si propria e outras 27 na cidacle de Oakland.
Pondera(:iio Adicional par Ncio-Resposta. Um comentario
final. Surveys deste tipo nunca conseguem entrevistar toclas
as residencias in icialmente selecionadas na amostra. Algumas
pessoas na amostra se recusam a ser entrevistadas e outras
nao estao disponfveis.
Neste estuclo, foi atribufdo peso adicional a residencias
para dar coma cia nao-resposta. Supos-se que as residencias
em que nao se conseguiu fazer cntrevistas eram mais como
as casas cntrevistadas no mesmo quarreirao do que como
qua lquer outra estimativa poss!vel. Portanto, cada entrevista
completada recebia um peso igual ao n(tmero de residencias
selecionadas naquele quarteirao diviclido pelo numero de
entrevistas de faro completadas. Se quatro entrevistas em
cinco e ram completadas, cada entrevista completa recebia
um peso aclicional de 5/4 - 1,25. Naturalmente, se toclas as
resiclencias selecionaclas eram entrevistaclas com succsso, o
peso aclicional era de 1, podendo ser ignoraclo.
que eles tenham ilusrrado a 16gica basica cia amostragem de
survey, ajudando-o a improvisar sabiameme quando se deparar
com urn problema novo.
Notos
' Em sua rnaior pane, um quarteir1io de recensearnento c o mesrno que
um quaneir:1o de cidade - uma area mais ou menos retangular, limitada
por quatro ruas, com casas alinhadas ao Iongo das ruas. Entretanto, em
alguns lugare::; as ruas :sao irregulare::;, e blocos de formato e:stranho
recebem o nome de quarteiroes.
~ Por exemplo, na epoca do e::;tudo, uma regiao da cidade de Oakland
era quase totalmente branca. Portanto, fazia pouco sentido estratificar
o:> quarteirocs naquela area em termos da compo:si~ao racial, embora
fosse possfvel agrupar os quarteiroes com quaisquer rcsidentes nao-
~rancos. :or outro !ado, se um pequeno grupo de quanciroe::; na regiao
uvc~e, (hgamos, 200A> ou mais de residcnte::; nao-brancos, estes poderiam
ter sKio colocados em um cstrato separado.
Leituras Adicionais
ALMOND, Gabriel, VERBA, Sidney. 7be Civic Culture. Princeton,
N]: Princeton University Press, 1963.
BABBlE, Earl R. Science and Morality in Medicine. Berkeley:
University of California Press, 1970.
GLOCK, Charles Y., RINGER, Benjamin B., BABBlE, Earl R. To
Comfort and to Challenge. Berkeley: University of California
Press, 1967.
GLOCK, Charles Y., STARK, Rodney. Christian Beliefs and
Anti-Semitism. New York: Harper & Row, 1966.
STOUFFER, Samuel A. Communism, Conformity, and Civil
Liberties. New York: john Wiley & Sons, 1966.

Resume
Os quatro exemplos de desenhos de amostra foram apre-
sentados de forma a dar um quadro mais realista das situac;oes
de amostragem com as qua is voce pode se deparar na pratica.
Embora estes exemplos nao esgotem as possibilidades de
variac;ao em condi~oes de campo, objerivos do estudo c recnicas
de amostragem, elcs ilusrram as situac;oes mais tfpicas. Espero
 Capitulo 7

Conceitua~ao e Desenho de lnshumentos

A pesquisa cientifica rem duas metas principais: descrifClO e

explicctfilo. Pesquisadores medem as distribui<;;oes empiricas de
valores nas variaveis (descri<;;ao) e as associa<;;oes entre as vari-
aveis para explicar essas distribui<;;oes de valores. 0 Capitulo 13
discure as interconexoes 16gicas entre descri<;;ao e explica<;;ao. A
finalidade cleste capitulo e fu ndamentar estes processes, exami-
nando a l6gica e as possibilidades cla medi<;;ao dcscririva.
Seja trabalhando a partir de uma teoria rigorosamente
dedu zida, seja a partir de um conjunto de suspeiras e palpites,
em algum ponto voce se depara com conceitos abstraros, nao
especificaclos, que acha que o ajuclarao a compreencler o munclo
que o cerca. Na pesqu isa de survey, estes conceiros clevem ser
convetticlos em perguntas num quesrionario, de forma a permitir
a coleta de claclos empfricos relevantes para a analise.
0 capitulo comep com notas gerais relarivas a l6gica da
conceitua<;;ao e cia operacionaliza<;;ao. A seguir, considera os
d iferentes tipos de daclos que se pocle levantar num survey.
Finalmente, se debru<;;a sabre algumas recnicas para construir
boas perguntas.

L6gica do Conceitua~ao
Muiras vezes se quer estudar conceitos como classe social,
a~iena<;;ao, preconceito, sofistica<;;ao intelectual, e assim por
dtan~e_. Ta lvez voce suspeite que a aliena<;;ao decresce com a
mobtltdade social ascendente, ou que a sofistica<;;ao intelectua l
 reduz o preconceito. No entanto, antes de embarcar na pesquisa
empfrica, estes conceitos podem ser apenas ideias gerais na sua
cabe~a, sem defini<;ao precisa do que significam para voce.
Por exemplo, o conceito "status social" e freqOentemente
usado na pesquisa social, mas de forma alguma esti claro seu
significado ultimo. Defini<;6es diferentes de classe social incluem:
rencla, prestfgio ocupacional, educa<;ao, riqueza, poder, status
familiar tradicional e avalia<;ao moral. Provavelmente, nenhuma
combina<;ao especffica clestes elementos procluz uma defini<;ao de
status social p lenamente satisfat6ria para algum pesquisador,
muito menos para todos os pesquisaclores.
Muitas vezes se cliz que tais conceitos nao especificados
tem "riqueza de significado", no sentido de combinarem uma
variedade de e lementos, sumarianclo um fen6meno complexo.
Embora o termo "status social" evoque diferentes imagens para
pesquisadores cliferentes, estas imagens provavelmente parecem
a todos eles importantes e significativas. Tais conceitos gerais
devem ser especificaclos para a pesquisa empfrica rigorosa, ou
seja, reduzidos a indicaclores empfricos espedficos. A operaciona-
liza<;ao de conceitos e inevitavelmente insatisfat6ria, tanto para
os pesquisaclores quanta para suas aucliencias. Em Cdtima
analise, conceitos ricos em significado clevem ser reduziclos a
indicadores empfricos simplificaclos e superficiais.
Penso que a maioria clos conceitos interessantes para os
pesquisadores sociais nao tem significado real, nem clefini<;ao
ultima. Status social e um bom exemplo. 0 conceito geral de
status social seguramente e antigo. Embora nao o tenham verbali-
zado em tem1os abstratos, os primeiros humanos reconheceram
que alguns cleles tinham status social maior do que outros. Alguns
eram mais poclerosos, alguns eram mais respeitados, e outros
recebiam maior autoridade sobre seus pares. 0 reconhecimento
destas diferen<;as persistiu no clecorrer cia hist6ria humana. Max
Weber extraiu muitas implica~oes dessas cliferen<;as. Karl Marx
deiivou uma teoria cia socieclade com base nelas. W. Lloyd Warner
e outros soci6logos americanos dos anos 30 e 40 obse1varam as
mesmas diferen<;as entre moraclores de pequenas cidades, e des-
cobriram que membros de uma comuniclade pocliam iclentificar
os vizinhos com maior ou menor status social.
A existencia de diferenps de status entre membros de
uma socieclade e cla ra. Aclemais, tais cliferenps parecem
importantes para compreencler outros aspectos da socieclade.
Em vista disso, o termo "status social" tem siclo aceito como
uma anota~ao resumida do fenomeno. Mas o que realmente
significa o termo "status social"? Uma vez que e apenas um
termo para clenotar um conceito geral, nao tem significado
ultimo. Por si, status social s6 existe como uma assinala~ao
conveniente para uma diversiclacle de observa~oes emplricas.
Deste ponto de vista, nenhum pesquisaclor pode pesquisar status
social correta ou incorretamente; pode apenas fazer medi~oes
mais ou menos uteis.
Neste sentido, os cientistas nunca coletam dados, e!es cria m
dados. Esta ideia e essencialmente o mesmo sentimento expresso
pelo fil6sofo da ciencia Alfred North Whitehead, quando escreveu
o seguinte:
A natureza recebe creclito pelo que cleveria estar reservaclo
para n6s; a rosa pelo seu perfume; o rouxinol pelo seu
canto; e o Sol pela sua raclia~ao. Os poetas cstao total mente
enganaclos. Deviam enclere~ar sua lirica para si pr6prios,
faze ndo dela odes de autocongratula~ao pela excelencia
cia mente humana. A natureza e assunto sem gra~a, scm
som, sem cor; meramente o apressar cia materia, de forma
interminavel e sem significado. 1
Quando faz varias pergunras e combina as respostas
num fnclice que chama de classe social, voce criou uma med ida
declasse social; voce realmente criou um agrupamento e uma
hierarquia de classe social entre seus responclentes. Voce
nao descobriu, apenas, um agrupamento e uma hierarquia
que ja existia, num senticlo real.
Talvez as medidas criaclas tenham utilidade, ajudando-o a
entender os daclos que tem, ou ajudando-o a desenvolver teorias
sobre classes sociais. Entretanto, nao tem sentido perguntar se
voce rea/mente mediu classe social, num sentido valido em
ultima analise, porque o conceito s6 existe em nossas mentes.
A no<;ao de que pesquisadores criam dados e nao os cole-
tam e ate mais fundamental do que sugere o exemplo do status
social. Nos primeiros elias cia II Guerra Mundial, Hadley Cantril fez
do is surveys nacionais do povo americana. 2 0 desenho das
amostras e a checagem cruzada clas suas caracterfsticas indicavam
que ambos forneciam boas estimativas cia popula~ao americana.
Num dos surveys, foi perguntaclo aos respondentes: "Voce acha
que os Estados Unidos consegui.t-ao ficar fora cia guena?" A maioria
(55% dos que opinaram) disse sim. No outro survey, a pergunta
foi: "Voce acha que os Estaclos Uniclos entrarao na guerra antes
que ela termine?" A maioria (590/o dos que opinaram) disse si.tn.
Estes itens sao muitas vezes citaclos como exemplo clos
efeitos de perguntas "tenclenciosas". Entretanto, sempre
que e mostrado a estudantes, eles perguntam: "Qual pergunta
forneceu a resposta correta sobre as expectativas americanas
 quanta a entrar na guerra?" Esta pergunta nao pode .ser res-
pondida. Podemos apenas concluir que, em 1939, niio havia
algo como "a atitude americana sabre a probabilidade de
entrarmos na guerra". Nenhuma porcentagem representava
a propor~iio que rea/mente pensava que entrarfamos na guerra.
P~:tanto, nao se podia coletar rais claclos; podia-se apenas
cna-los fazenclo perguntas, e a forma pela qual as perguntas
eram feiras tinha um impacro sabre as resposras recebiclas.
Nunca conseguimos fazer medicbs precisciS, apenas mediclas
1/teis. Mas esta suposi~ao nao cleve ser tomada como justificativa
~ara a anarquia cientffica. Pesquisa rigorosa ainda e possfvel;
stmplesmenre e mais diffcil do que se imagina. 0 resro deste
capitulo ocupa-se cia 16gica e clas habilidacles requeridas na feitura
de medidas uteis.
Um Quadro de Referencias de Operacionaliza~ao
Como sugere a discussiio anterior, conceitos sao codifica~oes
gerais cia experiencia e clas obsetva~oes. Obsetvamos pessoas
vivenclo em tipos cliferentes de estruturas residenciais e clesen-
volvemos o conceito de unidacle resiclencial. Observamos dife-
ren~as em posi~ao social e clesenvolvemos o conceito cle status
social. Notamos diferen~as no grau de compromisso religiose das
pessoas e clesenvolvemos o conceito de religiosidacle. Entretanto
e imperative reconhecer que todos estes conceitos sao anota~oe~
resumiclas da experiencia e clas obsetva~oes.
Na cU~ncia, tais conceitos muitas vezes assumem a forma
de variaveis reunindo uma cole~ao de atribllfos relacionados.
Assim, o conceito de "genera" resume clois arributos clistintos:
masculine e feminine. "Perfoclo escolar" e uma variavel com-
pasta pelos atributos calouro e veterano. "Filia~ao religiosa"
pocle incluir atributos como protestante, cat6lico, jucleu, buclista
e assim por diante.
Muitos clos conceitos mais interessantes na ciencia social
representam varidveis ordinais feitas de valores disposros ao
Iongo de uma c!imensao. Por exemplo, o conceito de sratus social
implica uma hierarquia de valores como "status elevaclo", "status
media", "status inferior" etc. Religiosiclacle, preconceito, aliena~ao,
sofi stica~ao intelectual, liberalismo e conceiros similares
implicam tambem um conjunto de valores hierarquizaclos.
A operacionaliza~:clo e o processo pelo qual pesquisadores
especificam observa~oes empfricas que podem ser tomadas
como indicaclores dos atributos contidos em algum conceiro.
Se o conceito for religiosidacle, a operacionaliza¢io e 0 processo
para especificar medi~oes empfricas que inclicarao se os respon-
clentes sao altamente religiosos, mocleradamente religiosos, nao
religiosos etc. Em geral, cliversos clestes indicadores sao espe-
cificaclos e combinadas durante a analise de claclos para fomecer
uma meclida compost..'\ (indice ou escala) representando o conceito.
Uma vez que viltualmente toclos os conceitos sao resumes
ad boc cia experiencia e das observa~oes, nao rem significaclos
reais, ultil110S. Pottanto, voce ru1o faz medidas con·eras ou inconetas,
apenas pode determinar ate que ponro as mecli~oes contribuem
para compreender os dados empfricos e desenvolver teorias do
comporramento social. Desta perspectiva, e possfvel dar diretrizes
para o processo de operacionaliza~ao, para ampliar sua utiliclacle
nas ativiclades de pesquisa.
Suponha que voce queira estuclar religiosidade. Talvez
queira aprender por que algumas pessoas sao mais religiosas do
que ourras, ou saber as consequencias de ser mais ou menos
religiose. Embora possa iniciar com uma no~ao geral do que
quer clizer com religiosiclade, e igualmente provavel que voce
nao tenha qualquer indicador em mente. Para iniciar o processo
da operacionaliza~ao, voce cleve enumerar toclas as diversas sub-
dimensoes da varia vel. Ao fazer isto, cleve prestar aten~ao a pes-
quisas previas sabre o tema, bem como as concepc;oes de sensa
comum sabre religiosidade.
Charles Y. Glock esrudou, te6rica e empiricamente, as
cliversas subdimensoes da religiosiclade; seus estuclos propiciam
um comec;o excelente para a aborclagem do tema.3 Ele cliscute
envolvimento ritual enquanto panicipa~ao em arividacles como
servi~os religiosos semanais, comunhao (para os cristaos),
orac;oes antes das refei~6es etc. Ellvolvimento ideol6gico concerne
a aceita~ao de cren~as religiosas tradicionais. Envolvimento inte-
lectual refere-se a exrensao do conhecimento sabre religiiio.
Envolvimento experiencial se refere a extensao clas experiencias
religiosas dos respondentes, como ouviJ· a voz de Deus, possessoes
religiosas etc. Finalmente, Glock examina o envolvimellto come-
qiiencial, isto e, 0 quanta 0 compottamento social e motivaclo por
preocupa~6es religiosas, de acordo com ensinamentos religiosos.
Embora estas cinco subclimensoes cia religiosidade ajudem
a organizar muitos indicaclores possfveis, outros indicaclores
~alv~z nao se encaixem facilmente nelas. Dar dinheiro para a
tgreJa, ou para atividades relacionadas a igreja, pocle ser consi-
derado uma indicac;ao de religiosiclacle, bem como a panicipa\ao
nas ativiclacles sociais cia igreja. A lista pocleria prosseguir.
Porranto, a primeira rarefa e compilar uma lisra, tao exaustiva
qua~to possfvel, de toclos os diferentes indicadores que poderiam
ser Inciufdos no conceito geral de religiosidade.
 Ao decidir o que a religiosidade pode se1~ e preciso consi-
derar tambem o que ela nc7o e. Deve-se tamar muito cuidado
para nao constJuir itens de questiom1rio que incliquem ao mesmo
tempo a religiosidade e as variaveis que se ira relacionar a ela,
na analise. Se voce quiser, par exemplo, determinar a rela~ao
entre religiosidade e atitudes em rela~ao aguerra, itens medindo
o compromisso com a doutrina crista cia "paz na Terra" nao seriam
boas meclidas de religiosidade. Como as respostas refletiriam as
atitudes dos respondences frente a guerra - alem de preocu-
pa~oes religiosas - , tais itens seriam "contaminaclos". Mesmo
que as respostas ce1tameme se relacionem com atitudes relativas
a participa~ao na guerra, os achados nao contribuiriam em nada
para entencler a rela~ao geral entre religiosidade e atitucles em
rela~ao a guerra.
Deve-se prestar aten~ao especial ao oposto cia varia vel que
se busca medir. Se a meta e medir religiosidacle, devemos estar
sensfveis a variavel anti-religiosidade. Algumas pessoas sao
muito religiosas e outras nao religiosas; outras sao anti-religiosas.
Como anti-religiosidade pode variar em intensidade, voce deve
determinar a amplitude de varia~ao conceitual cia variavel. Talvez
optanclo por uma medida de religiosidade varianclo de baixa a
alta, agrupando os anti-religiosos e os que apenas nao sao
positivamente religiosos. Ou talvez estendendo a variavel de muito
religiose a muito anti-religiose. Em qualquer caso, os itens
usados na medida devem basear-se na sua decisao sobre a ampli-
tude. Considere o seguinte exemplo de um item de questionario:
Por favor, diga se voce concorda ou discorda cia seguinte
declara~ao: "A religiiio organizada causa mais mal do
que hem."
Concordancia indicaria uma orienta~ao anti-religiosa.
Por outre !ado, a discordancia nao indicaria necessariamente
religiosidade. Embora as respostas certamente estejam fortemente
correlacionadas com medidas de religiosidacle, o item propria-
mente dito nao mecle religiosiclacle, apenas anti-religiosidade.
Este exemplo ilustra um problema comum na meclicla de
dimensoes. Ao inves de medir uma variavel de baixo a alto,
muitas vezes medimos dois p6los opostos. Por exemplo, rara-
mente medimos graus de conservadorismo polftico, medindo
ao inves varia~oes entre liberalismo e conservadorismo. Num
escudo sabre ciencia e medicina, tentei medii· graus diversos de
compromisso com perspectivas cientlficas entre medicos, mas
me vi constanremente envolvido em questoes sabre perspectivas
anticientfficas. 1
Este problema nao tem solu~ao simples. Os interesses de
pesquisa variam demais para pem1itir a elucicla~ao de regras
adequadas de procedimentos. 0 unico conselho, agora, e
realizar o exercfcio demorado de listar todas as possfveis
subdimensoes cia variavel, anotando as dimensoes a serem
exclufdas do conceito e especificando os pontes conceituais
extremes cia dimensao que descreve o conceito. Cada item do
questionario examinado deve ser avaliado segundo estas
decisoes. Voce cleve se perguntar quais seriam as implica~oes de
cacla possfvel resposta: como esta resposta reflete o conceito
basico? Apenas atraves deste processo voce pode gerar dados
relevantes para uma analise posterior significativa.
Ti pos de Dodos
0 forma to de pesquisa de survey gera varies tipos de clados
uteis para a pesquisa social, dos quais esta se~ao oferece
uma visao gera l.
Embora o capitulo tenha come~aclo afirmando que os
dados s6 existem atraves do processo cienrffico de gera-los,
mesmo assim tem senticlo ver alguns tipos de dados como
"fates". Par "fates", queremos dizer itens de informa~ao que o
respondente acredita representarem a verdade e que voce, em
geral, aceita como sendo verdade. As caracterfsticas demograficas
dos respondences se encaixam nesta categoria. Quando pede
aos entrevistaclos para inclicarem seu sexo como mascu line ou
fem inine, eles acreditam que as respostas representam fates
indiscutfveis, e voce os aceita como tal. 0 mesmo pode ser dito
das informac;oes sabre idacle, ra~a, regiao de origem etc.
As vezes, pede-se aos respondentes para darem infor-
ma~oes que eles aceitam como cleclara~oes verdadeiras, mas que
voce nao aceita necessariamente como tal. Par exemplo, pode-se
pergumar se Deus existe. Respondendo sim ou nao, eles dizem o
que acreditam ser a verclade sabre 0 tema. Ja voce ve estas
respostas apenas como clescri~oes dos respondentes, e nao
como respostas a questao cia existencia de Deus. Solicitados
a concordar ou discordar eta declara~ao "As mulheres sao
mais emotivas do que os homens," os responclentes clirao o
que acreclitam ser verdade e voce toma as respostas apenas
como clescri~oes dos respondentes.
Em outros casas, voce pede ao responclente para dar infor-
ma~~es reconhecidas par voces dais como atitucles subjetivas.
Voce pode perguntar: "Voce acha que o presidente esta realizando
Lim bam ou um mau trabalho?" Tanto ele quanta voce entendem
que se trara de uma opiniao e nao de um fato. A distin~ao entre
crenps e aritudes, neste sentido, muitas vezes nao e clara, mas,
em cerros problemas de pesquisa, pode vir a ser impottante.
Muita pesquisa social interessante envolve medir orien-
ra~oes, como o preconceito, muitas vezes nao reconhecidas
pelos pr6prios respondences. Num survey, voce pocle fazer
cliversas perguntas que, combinadas, permitem descrever os
respondences como mais ou menos preconceituosos. Em muitos
casas, eles nao entenclem a finaliclacle !mente cbs pergumas e
poclem muito bem cliscorclar clas suas caracteriza~oes na analise.
A pesquisa de surveynao pem1ite meclicla clireta do compor-
tamento, embora freqi.ientemente o comportamento social seja a
referenda uhima cia pesquisa social. Entretanto, a pesquisa de
survey permite medicla indireta do comporramento, muitas vezes
de maneiras Ctteis.
Pode-se pedir aos respondences para informar seu compor-
tamento passado. Qual sabonete compraram recentemente?
Foram a igreja na semana passada? Em quem voraram na Ctltima
elei~ao? Eclara que estas perguntas estao sujeitas aos problemas
de lembrar e ser honesto. Par exemplo, eles podem nao lembrar
em quem votaram, digamos, na elei~ao presidencial de 1960.
Poclem permitir que a memoria os engane, patticularmente se o
compottamento em questao e vista hoje como bom au mau. (Pes-
quisas de opiniao p6s-e leitorais muitas vezes mostram maior
porcentagem do eleitorado votando no vencedor do que o que
realmente aconteceu .) No entanto, apesar destas desvantagens,
relates de comportamentos passados podem ser muito (tteis.
A pesquisa de survey tambem pode examinar compor-
tamento prospective, real ou hipotetico. Ass im, pesqu isas
de op iniao perguntam "Em q uem voce votara?" As vezes, e
util criar situa~oes hipoteticas e perguntar aos respondences
como agiriam: "Se seu partido apresentasse uma mu lher para
presidente, voce acha que votaria nela?"
Na maioria cbs vezes, medidas de compottamento pros-
pective sao menos confiaveis do que as de comportamento
passado. De qualquer forma, tenha em mente essas limitas;oes,
quando estiver gerando tais dados. Ao perguntar aos respon-
dences se votariam numa mulher indicada para presidente pelo
seu partido, provavelmente voce aprendera pouca coisa de
valor para uma futura candidata feminina. Os dados descritivos
produzidos par respostas a uma pergunta clestas sao provavel-
mente pouco confiaveis. Entretanto, ao mesmo tempo, as dados
gerados pelo item poclem ser uteiS para descrever OS respon-
dences como mais ou menos antifeministas.
Niveis de Medi~ao
Vimos na ses;:ao precedente que o pesquisador de survey
pode medir diversas variaveis sociais. Nesta ser;ao, olharemos
para esras variaveis de outra perspectiva, considerando quatro
nf\'eis de medis;:ao: nominal, ordinal, intervalo e razao. 5
Med i ~ao Nominal
A medi<;iio nominalapenas distingue as categorias que com-
poem uma variavel. Sexo, por exemplo, e uma variavel composta
das categorias masculine e feminino. Outros exemplos sao filia<;:ao
religiosa ou polftica, regiao do pafs e lipo de curso superior.
As caregorias compondo uma varia vel nominal sao mutua-
mente excludentes, nao tendo qualquer ourra relas;:ao entre si. Os
nfveis restantes de medis;:ao, discutidos abaixo, refletem relas;:oes
adicionais entre as categorias.
Medi~oo Ordinal
A medis;:ao ordinal reflete uma ordenas;:ao entre as catego-
rias que compoem uma variavel. Classe social e um exemplo de
variavel o rdinal, composta, talvez, clas categorias classe baixa,
classe media e classe alta . Outros exemplos sao religiosidade,
alienas;:ao e anti-semitismo.
A medi\;ao ordinal e muito usada na pesquisa social cien-
tifica. Embora tais mediclas sejam muitas vezes representadas par
numeros num mdice ou escala, estes numeros nao tem outro
significado alem da indicas;:ao cia o rdem. Assim, uma pessoa com
nota 5 numa escala de alienas;:ao e mais alienada do que uma
pessoa com nota 4 oeste fndice, embora esta meclida ordinal nao
de qualquer indica<;:ao sabre quclo mais alienacla ela e.
Medi~oo de lntervalo
A medis;:ao de interualo tambem usa numeros para clescrever
condir;oes, mas eles tem mais sentido do que na medis;:ao ordinal,
porque as distancias entre os pontos rem significado real. 0 exem-
plo mais comum e a escalade tempet:~tura Fahrenheit. A diferen\;a
ent:e 80 e 90 graus e a mesma que a cliferen~a enrre 60 e 70 graus.
(~ep que a diferen~a entre as noms 4 e 5 num fndice de alienas;:ao
nao e necessanamente
· ·
a mesma que a dtferenp entre 3 e 4.)

Medi too de Razao
A mecli~ao de raziio tern as mesmas caracterfsticas cla
de intervalo, com a caracterfstica aclicional de ter um zero
real. Em compara~ao com a escala Fahrenheh (uma meclicla
de intervalo), a escala de temperatura Kelvin (baseada em
graus de temperatura de zero absoluto) e uma meclicla de
razao: enquanto 40 graus Fahrenheit nao sao necessariamente
cluas vezes mais quentes do que 20 graus Fahrenheit, 200
Kelvins sao duas vezes mais quentes do que 100 Kelvins.
No contexto cia pesquisa social cientffica, a iclacle e um
exemplo de medida de razao. Uma pessoa com vinte anos
tem o dobro da idade de alguem com dez anos. Altura, peso
e tempo de moradia numa cidade sao oLnros exemplos.
lmplica~oes dos Niveis de Medi~ao
Na discussao sobre a analise de survey na Parte 3 do
livro, veremos que diferentes tecnicas analfticas podem requerer
nfveis espedficos de medi~ao. Por exemplo, se voce esta
analisando a relar;ao entre duas variaveis nominais, algumas
tecnicas analfticas sao inadequadas.
Ao mesmo tempo, e importante compreender que uma
varia vel pocle ser tratada de fonna cliferente em termos dos nfveis
de medir;ao. Lembre, por exemplo, que iclacle e uma meclicla de
razao. Portanto, voce pocle calcular uma equa~ao de regressao
associando idacle e altura (outra meclida de razao). Mas, suponha
que voce esra estudanclo uma amostra de estuclantes variando de
quatorze a vinte anos. Dentro desta faixa limitada, voce pode apro-
veitar os intervalos iguais entre as idacles, mas nao o Gll-ater de
razao da variavel. Em outro tipo de estudo, voce pode escolher
juntar idades nas seguintes categorias: menos de quarenta anos =
jouem; quarenta a ses..<>enta anos = meia idade; acima de sessenta =
idoso. Finalmente, id::tde pode ser conve11ida em medida nominal
para certos fins. Respondentes podem ser categorizaclos como
membros do "baby boom" p6s II Guerra Mundial ou nao; pod em
ser categorizados como tendo nascido durante a Depressao
clos anos 30 ou nao. (Outra meclicla nominal - baseacla na
data do nascimento e nao na idacle - e a classifica~ao por
signos astrol6gicos.)
Ao clesenhar o questionario, consiclere o tipo de analise
que fat-a ap6s a coleta dos clados. Voce deve determinar se e
como pode medir cacla variavel, de forma a permitir a analise
requerida. Se a analise requer claclos na forma de meclidas de
razao, voce nao deve construir seus questiomhios de forma a
criar apenas variaveis nominais.
Guias para a f l abora~ao de Questoes
Ao construir itens do questionario, ha varias op~oes.
A experiencia passacla clos pesquisaclores de survey fornece
muitas cliretrizes que poclem ajucla-lo a gerar claclos (neis para
analise. Esta ser;ao Ucla com os clois temas.
A pesquisa de survey e habitualmente vista como fazer
perguntas, mas o exame de um survey tfpico provavelmente
mostrara tantas cleclarar;oes quanto perguntas. Isto tem suas
razoes. Muitas vezes voce quer cleterminar 0 quanto OS res-
ponclentes ap6iam determinacla atitucle ou perspectiva. Se for
capaz de resumir a atitucle numa cleclarar;ao curta, voce pode
apresenta-la aos respondentes e perguntar-lhes se concorclam
ou cliscordam deJa. Rensis Likert formalizou este procedimento
com a escala Likert, um forma to no qual solicita-se aos entrevis-
taclos "concorclar fortemente", "concordar", "discordar", "cliscorclar
fottemente" ou "aprovar fo11emente", "aprovar" etc.
Questoes e declarar;oes poclem ser usaclas vantajosamente
numa pesquisa de survey. 0 uso de ambas cia mais flexibiliclade ao
desenho clos itens e pocle tornar o questionario mais interessante.
Perguntas Abertas e fechadas
Ha cluas opr;oes para fazer perguntas. Voce pode fazer
perguntas abertas, solicitando aos respondentes clarem suas
p r6prias respostas. Por exemplo, pode perguntar "Qual tema voce
considera mais importante para o pafs hoje?", clanclo espar;o
para escrever a resposta (ou solicitanclo resposra verbal ao
entrevistaclor).
Nas perguntas fechadas, pecle-se para respondentes esco-
lherem uma altemativa numa lista apresentada. Perguntas fechaclas
sao muito populares, porque clao maior unifotmidacle de respostas
e sao mais facilmente processaclas. Respostas abettas clevem ser
coclificadas antes de entrar com os daclos, e ha o perigo de alguns
respondentes darem respostas irrelevantes para a inten~ao do
resquisaclor. Por outro !ado, muitas vezes pode-se entrar com as

respostas fechadas diretamente a partir do questionario e, em
alguns casos, podem ser marcadas diretamente em folhas para
sensores 6ticos pelos pr6prios respondentes, para entrada auto-
matica dos dados.
A principal desvantagem das perguntas fechadas esta
na estrutura~ao das respostas. Quando as respostas relevantes
a uma questao sao relativamente claras, estruturar as respostas
pode nao apresentar problema. Entretanto, em outros casos,
a estru tura~ao clas respostas pode deixar passar algumas que
sao importantes. Por exemplo, ao perguntar sobre "as questoes
mais importances com as quais opals se depara", voce pode
apresentar uma lista delas, mas deixar passar questoes que os
respondentes consideram imponantes. (Lembre nossa afirma~ao
anterior de que OS dados SaO Criados e nao coletados.)
Duas diretrizes devem sempre ser seguidas ao construir
questoes fechadas. Primeiro, as categorias de respostas propostas
clevem ser exaustivas, ou seja, clevem incluir todas as respostas
possfveis que se pode esperar. Por isso, os pesquisadores muitas
vezes acrescentam a categoria "Outros (especifique por favor)".
Ao faze-lo, lembre que os respondentes tentarao encaixar suas
respostas pessoais numa das categorias forneciclas, mesmo que o
encaixe nao seja perfeito.
Segundo, as categoiias de respostas devem ser mutua mente
excludentes, ou seja, os respondentes nao devem se sentir
for~ados a escolher mais de uma resposta. CAs vezes, o pesqui-
saclor pode querer respostas multiplas, mas estas respostas criarao
clificuldades no processamento.) Voce pode garantir respostas
mutuamente excludentes consiclerando cuidadosamente cacla
combina~ao de respostas e indaganclo se uma pessoa poderia,
razoavelmente, escolher ambas. Muitas vezes, voce pede ao
respondence para "selecionar a melhor resposta", mas esta
tecnica nao deve ser usada para compensar um conjunto de
respostas malpensadas.
Tornando os ltens Claros
Os itens de questionarios devem ser claros e nao ambfguos,
e a proliferas;ao de perguntas pouco clams e ambfguas encontra-
das em muitos surveys torna necessario enfatizar este ponto.
Muitas vezes, voce fica tao envolviclo com o tema estudado
que opinioes e perspectivas ficam claras para voce, mas nao
para seus respondences, muitos dos quais terao dado pouca ou
nenhuma atent;ao ao tema.
Por outro lado, voce pode ter uma compreensao superficial
do tema, cleixanclo de especificar suficientemente a inten~ao da
pergunta. A questao "0 que voce pensa sobre o sistema proposto
de mfsseis antibalfsticos?" pode evocar no respondente a contra-
pergunta: "Qual sistema proposto de mfsseis antibalfsticos?" Itens
de questionaiio devem ser precisos, de fonna que o respondente
saiba exatamente qual pergunta espera-se que ele responda.
fv itando Questoes Duplas
Com frequencia, os pesquisadores peclem uma resposta
unica para uma combina~ao de perguntas. Esta situa~ao parece
ocorrer com mais frequencia quando o pesquisador se identifica
pessoalmente com uma posi~o complexa. Por exemplo, voce pode
ped ir aos respondentes para concordarem ou discordarem cia
declara~ao "Os Estados Unidos devem abandonar seu programa
espacial e gastar dinheiro com programas domesticos". Embora
muitas pessoas concordem e outras discorclem de forma inequf-
voca desta declara~ao, outras nao conseguem responder.
Alguns podem querer abandonar o programa espacial e devolver
o dinheiro aos contribuintes. Outros podem querer continuar com
o programa espacial e tambem aplicar mais dinheiro em pro-
gramas domesticos. Estes ultimos nao podem concordar nem
d iscordar da declara~ao.
Como regra geral, sempre que a palavra e aparece numa
pergunta ou declara~ao, voce deve checar se nao esta fazenclo
uma pergunta dupla.
Gar anti ndo a Competenci a dos fnhevi stados em Responder
Ao pedir informa\=6es, voce deve sempre se perguntar se
os respondentes sao capazes de faze-lode forma confiavel. Num
estudo sobre a cria~ao de crian~as, voce pode pedir aos
respondentes para informarem a idacle em que as crian~as
primeiro "responderam" aos pais. Alem do problema de definir
0 que e "responder aos pais", e cluvidoso que a maioria se
lembre disso com precisao.
Em outro exemplo, lfderes estudantis governamentais
ocasionalmente pedem aos seus constituintes para indicar como
as mensalidades dos alunos devem ser gastas. Tipicamente,
pede-se aos respondentes para indicar qual porcentagem dos
fundos clisponfveis deve ser gasta numa longa lista de ativiclades.
Sem um bom conhecimento cia natureza destas atividacles e
dos custos de cada uma, eles nao tem como dar respostas com
sentido. ("Custos administrativos" receberno pouco apoio, embora
esta categoria seja essencial para o programa como um todo.)
Urn grupo de pesquisadores que pesquisava a experiencia
ao volante de adolescentes insistia em fazer uma pergunta abe1ta
quanto ao numero de quilometros clirigidos descle o momenta cia
habilita<;ao. Embora os consultores adve1tissem que poucos moto-
Jistas estima1iam esta informat;ao com alguma precisao, a perguma
foi feita assim mesmo. Alguns adolescentes afirmaram haver
dirigiclo centenas de milhares de quilometros.
fa zendo Perguntas Relevantes
Da mesma forma, as perguntas devem ser relevantes para
a maioria clos respondences. Quando se pede atitudes sobre
um tema sobre o qual poucos pensam ou se importam, os resul-
tados tem pouca possibilidade de serem uteis. Ademais, os
respondences poclem expressar atitudes mesmo nunca tendo
pensado sobre o assunto, e voce corre o risco de se equivocar.
Este ponto e eviclenciado quando pesquisadores peclem
respostas sobre pessoas e temas fictlcios. Numa pesquisa de
opiniao que fiz para urn candidate, perguntei aos respondentes
se conheciam quinze figuras polfticas cia comunidade. Como
exerdcio metoclol6gico, inventei um nome: Tom Sakumoto.
Nove por cento clos respondences disseram que o conheciam.
Destes, metade relatou te-lo visto na televisao e lido sobre ele
nos jornais.
Quando se obtem respostas a temas fictfcios, voce pocle
clesconsiclera-las. Mas quando o tema e real, voce pode nao ter
como cliferenciar respostas que refletem atitucles genufnas de
respostas sem sentido para uma questao irrelevance.
0 grau em que OS responclentes inventam respostas e ate
certo ponto controlavel pelo pesquisador. Um esrudo por Bishop,
Tuchfarber e Oldendick o clemonstra.6 Perguntou-se aos respon-
dences uma de tres questoes sobre se o "Ato sobre Questoes
Publicas de 1975" devia ser revogado. Ao primeiro grupo, a
pergunta foi "Voce concorda ou cliscorda desta icleia, ou voce
nao pensou muito sobre este assunto?" Apenas 3,7% deram uma
opiniao sobre a revoga\=ao desta lei fictfcia. 0 segundo grupo
recebeu a mesma pergunta, mas nao lhes foi dada a Op\=ao de
dizer que nao tinham ticlo chance para pensar sobre isso; 24,3%
expressaram uma opiniao. No grupo final, os respor..dentes nao
tiveram a possibiliclacle de fugir cia resposta, e os que clisseram
nao ter opiniao foram pressionados pelos entrevisraclores a
dar uma resposta; 31,5% expressaram uma opiniao.
Usando !tens Curtos
Querenclo ser nao ambfguo, precise e sublinhar a relevancia
de um tema, muitas vezes voce e levado a fom1Ular itens longos e
complicados. Isto deve ser evitado. E irrelevance, para respon-
dences que nao estuclaram o item profundamente, que a inten<;ao
de um item seja clara, se for estuclada com cuidado. 0 respon-
clente cleve poder ler um item rapidamente, entender sua inten<;ao,
e escolher ou dar uma resposta sem clificulclacle. Em geral, voce
cleve supor que os entrevistaclos irao ler os itens rapiclamente e
dar respostas rapidas; poitanto, voce cleve fornecer itens claros e
curtos que nao serao mal interpretados sob tais concli\=oes.
fv itando ltens Negatives
Uma nega\=ao num item de questionario abre caminho para
uma facil ma interpreta<;ao. Solicitados a concordarem ou discor-
darem cia cleclara\=ao "Os Estaclos Unidos nao clevem recluzir seus
arsenais de armas nucleares", grande pa1te clos respondences
passara por cima cia palavra nao. Assim, alguns concordarJo com
a declara<;ao, mesmo sendo a favor cia recluc;ao de armas nucleares,
e nquanto outros concorclarao por opor-se a e la. E voce talvez
jamais saiba quais respostas refletem esta confusao.
Num estuclo sobre liberdades civis, perguntou-se aos res-
pondentes se sentiam que "os seguintes tipos de pessoas devem
ser proibiclos de lecionar em escolas p(iblicas", de uma lista
incluinclo comunistas, membros cia Ku Klux Klan, e assim por
diante. As categorias de resposta "sim" e "nao" foram colocaclas
ao laclo de cacla item. Uma compara<;ao clas respostas a este item
com respostas a outros itens refletindo apoio as liberclacles civis
sugeriu enfaticamente que muitos respondemes clavam a resposta
sim para indicar que tal pessoa podia dar aulas em vez de indicar
que ela devia ser '·proibicla". (Urn estudo subseqOente que clava
como categorias de respostas "permitir" e "proibir" produziu
resultados muito mais claros.)
fvi tan do Itens e Termos ,, Tendenciosos"
Tenho repetido que dados de survey sao criados e nao
apenas coletaclos. Portanto, a maneira como os dados sao pro-
curacies determina a natureza dos dados recebidos. Voce deve
estar sempre atento ao efeito cia reda\=ao das perguntas sobre os
resultados que obten1.
 A maioria dos pesquisadores reconheceria o efeito provavel
de uma pergunta come~ando com "Voce nao concorda como
presidente dos Estados Uniclos na cren~a de que ... " e nenhum
pesquisaclor de reputa~ao usaria tal item. Infelizmente, o efeito
tendencioso de itens e termos e muito mais sutil do que sugere
este exemplo.
A mera identifical{;ao de uma atitude ou posi~ao com uma
pessoa ou agencia de prestfgio pode enviesar as resposras. 0
item "Voce concorda ou discorda cia proposta do presiclente
de ... " teria este efeito. "Voce concorda ou discorda com a
recente decisao cia Suprema Corte de que ... " teria um efeiro
similar. Isso nao quer clizer que esta redal{;ao produziria neces-
sariamente um consenso ou mesmo uma maioria em apoio a
posil{;ao identificada com a pessoa ou agencia de prestfgio, mas
apenas que o apoio provavelmente seria maior do que o que
seria obtido sem esta identifical{;ao.
Itens de questionarios podem ser negativa ou positivamente
tendenciosos. ··voce concorda ou discorda da posis;ao de Adolf
Hitler quando declarou que ... " e um exemplo de vies negativo.
Muitas vezes o uso de termos como liberal, conservador, comu-
nista, ateu e outros introduz um vies nao intencional, embora
tais termos as vezes sejam essenciais e apropriados para a
intenl{;ao da pergunta (por exemplo, "Como voce se descreveria
politicamente: liberal, conservador, de centro ou alguma
outra coisa?") Da mesma forma, Tom Smith- demonstrou que as
pesquisas de opiniao publica informam apoio muito maior para
assistencia governamental a "pessoas pobres" do que para
"pessoas recebendo beneffcios". 0 tem1o beneffcios [we/fetl'cl rem
uma carga muito negativa na opiniao publica americana.
Como em outros exemplos, voce cleve examinar cuida-
dosamenre o objetivo da sua investigal{.:ao e construir itens que
serao mais uteis para ele. Voce jamais deve ser levado a pensar
que existem, em tlltima analise, formas "certas" ou "erradas" de
fazer as perguntas.
Qual idade das Medi ~6es
Antes de nos voltarmos para as tecnicas especfficas de
medil{;ao, consicleremos alguns criterios gerais sobre a qualidade
clas medi~oes. Para comepr, pocle-se fazer medi~oes com
graus variaclos de precisc.io, um termo que represenra a qualidacle
das clistin~oes feiras entre os atributos de uma variavel. A cles-
cri~ao de uma mulher como "tendo quarenta e lres a nos" e mais
precisa do que "nos seus quarenta". Dizer "11,75 polegaclas de
comprimento" e uma descri\=ao mais precisa do que dizer "mais
ou menos um pede comprimento".
Como regra geral, medidas precisas sao superiores a
medidas imprecisas, como dita o senso comum. Nao ha condi~oes
em que meclil{.:oes imprecisas sejam superiores a medi\=6es
precisas. Mas a precisao nem sempre e necessaria ou desejavel.
se para o objetivo de pesquisa basta saber que uma mulher esta
nos seus quarenta, qualquer esfors;o aclicional para descobrir a
idade precisa e inutil. Portanto, a operacionalizal{;ao dos conceitos
deve ser guiada parcialmente pela compreensao do grau de pre-
cisao requerido. Se suas necessidades nao sao claras, seja mais e
nao menos preciso.
Entretanto, nao confunda a precisao com a exatidao.
Descrever alguem como "nascido em Stowe, Vermont" e mais
precise do que "nasciclo na Nova Inglaterra", mas suponha
que a pessoa em questao de faro tenha nascido em Dover,
New Hampshire. Neste caso, a descri\=ao menos precisa seria
mais exata, ou seja, refletiria melhor o mundo real.
Precisao e exatidao sao qualidades obviamente impor-
tantes nas mecli\=oes de pesquisa e provavelmente nao precisam
de mais explica\=oes. Mas, quando cientistas sociais constroem e
avaliam mecli\=oes, prestam atens;ao especial a cluas conside-
ra\=oes tecnicas: confiabilidade e validade.
Confiabilidade
Confiabi/idadee o problema de uma determinada tecnica,
ao ser aplicada repetidamente a um mesmo objeto, produzir,
a cacla vez, os mesmos resultados. Suponha que eu !he peclisse
para avaliar meu peso. Voce me olharia com cuidado e aclivi-
nharia que tenho 80 quilos. Agora, suponha que eu !he pep
para avalia r o peso de trinta ou quarenta outras pessoas, e
enquanto voce estivesse fazendo isso, eu entrasse na fila usando
um disfarce e, quando chegasse a minha vez, voce adivinhasse 90
quilos. Te peguei! Este pequeno exercfcio teria demonstraclo que
fazer estimar 0 peso das pessoas nao e uma tecnica confiavel.
Entretanto, suponha que eu !he emprestasse minha
b~lan~ de banheiro. Nao impotta o meu disfarce, voce presu-
111lvelmente anunciaria o mesmo peso para mim nas duas vezes,
mostranclo que o uso cia balanp fornece uma medida mais
confiavel de peso do que a adivinha¢.io. Mas, tal como a precisao,
a confJabilidade nao garante a exatidao. Suponha que eu calibrasse
 a balan~a para tirar 3 quilos do meu peso apenas para me sentir
melhor. Embora voce (confiavelmeme) informasse o mesmo peso
cada vez, sempre estaria en-ado.
Suponha que estejamos imeressaclos em saber se as pessoas
preferem a Ceiveja A ou a Ceiveja B. Podemos, e claro, simples-
menre perguntar-lhes qual delas preferem- provavelmente a
melhor solu~ao. Mas suponha que clesejassemos claclos mais
'·objerivos". Poclemos pedir aos respondentes para clizer quamas
As e quantas Bs beberam are hoje. Se voce pensar bem, vera
que esta e uma tecnica pouco confiavel. Dificilmente alguem
sabed dar esta informa~ao. Da mesma forma, nao e prov:lvel
que as pessoas saibam quantas vezes ja foram ~~ igreja, quantos
quil6metros ja dirigiram etc.
Fazer perguntas que as pessoas acham tambem irrelevances
prov~ve.lmente levan! a respostas nao confiaveis. Por exemplo,
a ma1ona das pessoas desconhece qual a polftica externa da
China em rel a~ao a Albania, e nem se imponam.
Problemas de confiabilidade surgem em varios pontos
da pesquisa de survey. Como veremos no Capitulo 10, entre-
vistado res diferentes as vezes obtem resposras diferenres dos
enrrevisrados como resultado das suas pr6prias atitudes e
aparencia. Igualmenre, codificadores diferenres poclem codificar
as mesmas respostas abertas de forma diferente. Por exemplo, sc
formos codificar algumas centenas de ocupa~oes espedficas em
termos de algum esquema padronizaclo de codifica~ao, digamos,
um conjunto de categorias criado pelo Ministerio do Trabalho
ou pelo Bureau de Recenseamento, voce e eu nao codifica-
rfamos rodas aquelas ocupa~oes nas mesmas categorias.
Como se criam medi~oes confiaveis? Ha cliversas recnicas
para medir a confiabilidade de itens de questionarios, mas os
metodos para maximizar a confiabilidacle sao basranre direros.
Fa~a apenas as pergunras cujas respostas as pessoas provavel-
mente sabem, pergunre coisas relevantes para elas, e seja clara
no que esra perguntando. 0 perigo e que as pessoas darclo
resposras - confiaveis ou nao. As pessoas !he conrarao o que
acham da rela~ao entre a China e a Albania mesmo nao tendo a
menor ideia de qual seja ela.
Validade
No uso convencional, a validade se refere ao grau com
que uma medida empfrica reflete aclequaclamente o signifi-
cado real do conceiro consicleraclo. A prime ira consiclera~ao
e sobre a validade apamllte. Cerras mecliclas empfricas podem
ou nao coinciclir com nossas conven~6es e imagens menrais
associadas ~ um conceiro. Podemos cliscurir quanto a aclequas;ao
de m~dir religiosidade :nraves de comparecimenro a igreja,
mas concorclarfamos que ira igreja rem pelo menos alguma
relevancia para a religiosidade.
Segundo, os pesquisadores chegaram a acordos concretes
sabre a melhor forma de medir alguns conceiros. 0 Bureau
do Recenseamenro, por exemplo, criou defini~oes operacionais
de conceiros como familia, residencia e status empregatfcio
que pa recem ter validacle operacional na maioria dos estudos
que usam aqueles conceiros.
Edward Carmines e Richard Zellei.R discurem tres ripos
adicionais de valiclade: valiclade relacionacla a criteria, valiclade
de conteudo e validade de consrru~ao . A validade re/acionada a
aiterio as vezes e chamada de va/idade preditiva e baseia-se em
algum crirerio externo. Por exemplo, a validacle do conselho de
faculclade e evidenciada por sua capacidacle de prever o sucesso
dos alunos. A valiclade de um teste escrito para motoristas e
evidenciada pela rela~ao entre as noras que as pessoas obtem
no teste e sua competencia para dirigir. Nesres exemplos, sucesso
escolar e competencia ao volanre sao os criterios. Em geral, o
comporramento pode servir como paclrao cia valiclade de criteria
para muiras medidas de aritude em pesquisa social (por exemplo,
pessoas "preconceituosas" de faro discriminam as minorias?),
embora a relas;ao entre aritudes e comportamenro seja tambem
assunto importanre de esrudo por si propria.
A validade de conte11do refere-se ao grau com que uma
medis;ao cobre a amplitude de significados induldos no conceito.
Por exemplo, um teste de capacidade matemarica nao pode se
limirar apenas a adi~ao, rambem precisanclo cobrir a subt1-a~ao,
a mulriplica~ao, a divisao ere. Em ourro exemplo, se dizemos
que estamos meclindo preconceiro em geral, nossas medidas
reflerem o preconceito contra grupos raciais e etnicos, minorias
religiosas, mulheres, iclosos ere.?
Finalmenre, a valiclade de constm~clo baseia-se no modo
como uma meclida se relaciona a ourras variaveis num sistema
de rela~oes re6ricas. Por exemplo, suponha que voce quer
estudar as fonres e conseqi.iencias cia "sarisfa~ao conjugal",
cll:senvolva uma meclida de sarisfas;ao conjugal e cleseje avaliar
sua valiclacle. Alem cia medida, voce ted desenvolviclo tambem
~erras expectativas te6ricas sabre como a variavel sarisfa~ao con-
JUgal se relaciona a outt-as. Por exemplo, voce pode rer conclufclo
 que maridos satisfeitos tem menos probabilidade de espancarem
suas mulheres do que maridos nao satisfeitos. Se sua medida de
satisfac;ao conjugal se rebciona ao espancamento de mulheres
cia fom1a esperada, este resultado constitui eviclencia cia validade
de construc;ao cia sua medida. Mas, se maridos "satisfeitos" e "insa-
tisfeitos" tiverem igual probabiliclade de espancar suas mulheres,
este resultado desafiara a valiclade cia sua meclicla.
Tensoo entre Confiabilidade e Val idade
Com roclape destas discussoes, deve ser assinalaclo que
muitas vezes ha uma cerra tensao entre os criterios de confiabi-
lidacle e validacle. Muitas vezes parece que fazemos uma troca
entre as duas.
A maioria dos conceitos realmente interessantes que que-
rcmos estudar tem muitas nuanc;as sutis, e e cliffcil especificar
precisamente o que queremos dizer com eles. Os pesquisaclores
muitas vezes falam desses conceitos como tendo ·'riqueza de sig-
nificado". Se voce cluvida, tente criar definic;oes satisfat6rias e
medidas para conceitos como preconceito, satisfac;ao, alienac;ao,
religiosidade e liberalismo.
Entretanto, a ciencia precisa ser espedfica para pocler gerar
meclic;oes confiaveis. Portanto, com muita frequencia, a especifi-
cac;ao de definic;oes operacionais e medic;oes confiaveis parece
roubar de tais conceitos a riqueza de significado. Religiosiclade
e mais do que frequentar a igreja; preconceito e mais do que a
expressao de uma atitude preconceituosa num questionario.
Esta situac;ao e um dilema persistente e inevitavel para o pes-
quisaclor, e voce estara bem preparaclo para isso sc estiver de
sobreaviso. Esteja preparaclo e !ide com isso. Se voce nao chegar
a um acorclo claro sabre como meclir um conceito, mep-o de
varias formas diferentes. Se o conceito tiver varias dimensoes
cliferentes, mec;a todas. Acima de tudo, saiba que o conceito nao
tem qualquer significado alem claquele que voce !he arribuiu, e
que a (mica justificativa para dar um significado paiticular a um
conceito e a utiliclade. A meta e medir conceitos de forma a nos
ajudar a entender o mundo que nos cerca.
Fo rmato Geral dos Quesfion6rios
0 formate de um questionario pocle ser tao importante
quanto a natureza e a redac;ao das perguntas. Um questionario
malformatado pode levar os respondences a saltar perguntas,
confuncli-las quanta a natureza dos dados pedidos e, no limite,
leva-los a joga-lo fora. Vamos sugerir diretrizes tanto gerais
quanta especfficas.
Como regra geral, o questionario cleve estar bem distribufclo
e nao amontoado. Voce deve maximizar o "espac;o em branco".
Pesquisadores inexperientes tendem a temer que seus questio-
narios possam parecer muito longos e, par isso, apertam varias
perguntas na mesma linha, abreviam perguntas, e tentam usar
0 menor numero de paginas possfvel. Tudo isso e desaconse-
lhavel e mesmo perigoso. Mais de uma pergunta por linha levara
as pessoas a saltarem a segunda. Abreviar perguntas resulta
em mas interpretac;oes. Em geral, se os responclentes observarem
que terminaram rapiclamente as primeiras paginas de um ques-
tionario que, a principia, parecia Iongo, se sentirao menos
desmoralizados do que se tiverem gasto um Iongo tempo na pri-
meira pagina do que parecia um questionario curto. Ademais,
cometerao menos erros e nao serao forc;aclos a reler perguntas
confusas e abreviadas, nem terao sido forc;ados a escrever uma
resposta longa em espac;o pequeno.
Nao ha como exagerar a valia de espalhar as perguntas
num questiom'irio. Questionarios espremidos sao clesastrosos,
seja em surveys par correio ou por entrevistas.
formatos para Res postas
Ha varies metoclos para apresentar uma serie de categorias
para o respondente marcar em resposta a uma pergunta. Minha
experiencia d iz que caixas espapdas adequadamente sao a
melhor escolha. Se o questionaiio for composto em tipografia ou
formatado num bam sistema de processamento de textos, as
caixas poclem ser geradas de forma facil e limpa. Tambem e
possfvel fazer caixas numa maquina de escrever.
Se o questionario for datilografaclo em maquina de escrever
com chaves, caixas excelentes podem ser produzidas com um col-
chete esquerdo, urn espa~o e um colchete direito: [ ). Se nao houver
colchetes, parenteses funcionam razoavelmente bem no mesmo
modo: ( ). Mas voce nao deve usar barras e sublinhamentos.
Primeiro, porque requer mais esforc;o de datilogmfia; segundo, por-
que o resultado nao e muito limpo, especialmente seas categorias
de resposta tiverem de ser em espac;amento (mico. A Figura 7-1
mostt-a uma comparac;ao dos diversos metodos.
0 pior metodo e dar espac;os em bra nco para se assinalar,
Porque os respondemes mu itas vezes farao marcas mu ito
grandes, tornando impossfvel ver qual resposta foi dada. Ah~m
disso, como regra geral, recomenda-se espa~amenro duplo entre
as categorias, para evitar estas marcas ambfguas.
Pode-se rambem considerar urn metoclo muito diferente. Em
vez de fornecer caixas a serem marcaclas, voce pode par numeros
c6cligo ao !ado de cada resposra, peclinclo ao respondence para
fazer um cfrcu!oem tomo do numero apropriaclo. Este metodo tem
a vanragem adicional de especificar o numero a ser entraclo posterior-
mente na etapa de processamento de dados. Se usar este metoclo,
voce cleve clar instru~oes claras e visfveis, uma vez que muiros
respondentes ficarao tenrados a par urn "X" no n(imero apropriado,
dificulrando a entrada de clados. (Nota: A tecnica pocle ser usacla
com seguran~ em swveyscom entrevisras, ja que os entrevisraclores
podem ser instrufclos e testados.)
fi GURh 7-l
Formotos de respodos
[ ] Sim ( ) Sim 1. Sim
[ ] Nco ( ) Nco 2. Nco
[ ] Nco sei ( ) Nco sei 3. Nco sei
Questoes Contingentes
Muiras vezes, na pesquisa de survey, cenas perguntas ser-ao
claramente relevances apenas para um subconjunto de respon-
dences. Voce pode perguntar-lhes se estao familiarizados com
ceno assunto, e depois perguntar aos que responclerem sim o
que pensam a respeito. Voce pocle querer saber o status de
recrutamento de jovens, sabendo que apenas homens rerao este
status. Ou voce pocle perguntar se o responclente pertence a uma
cerra organiza~ao e, se a resposta for positiva, se ja tiveram
alguma fun~ao.
A seguncla pergunra em cada exemplo e denominada
pergzmta contingellte, significanclo que a segunda pergunta e
contingente quanto a resposta a primeira. Portanto, a pergunta
sobre mitude quanto a determinada questao e contingente a
familiaridacle do respondente com ela.
0 uso apropriado de perguntas contingences pode facilirar
a rarefa de responder urn questiom1rio e tambem melhorar a
qualiclade dos clados procluzidos. A alternativa as perguntas
conrmgentes deve ser evirada pelas mesmas razoes. Nao pergunte
"St.: .Jgurna vez pettenceu aAPP, voce ja teve a!gum cargo nela?" Este
fom1ato for~ todos os responclentes a lerem a pergunra, embora
seja irrelevante para muitos. Aqueles para quem a pergunra e irrele-
vance serao for~ados a decidir se saltam a pergunta, escrever "nao
sea plica", responder nao, ou jogar fora o questionfuio. (Esra ultima
escolha e basrante comum.)
Ha varios formatos de perguntas contingences. Acho que
0 melhor e aquele em que as perguntas contingences sao recuadas
no questionario, postas em caixas e conectadas a pergunta base
por setas a partir clas respostas apropriadas. A Figura 7-2 ilustra
uma clestas perguntas. Usados adequadamente, conjuntos com-
plexos de perguntas contingences podern ser construfdos sem
confundir o respondence, como ilustraclo na Figura 7-3.
Embora os exemplos acima se refiram primariamente a
questionarios auto-administrados, a apresentat;;ao apropriada de
perguntas contingentes e ainda rnais irnporrante em questionarios
por entrevistas. 0 respondence num questionario pelo correio
pode, mesmo com certa insatisfat;;ao, reler a pergunta, masse o
enrrevistador ficar confuse e fizer perguntas impr6prias, tocla a
entrevista ficara prejudicada.
FIGURA 7-2
23. Voce j6 fez pode do ossociocoo local do APP?
[ ] Sim
[ ) Nao
Em caso afirmativo:
1
Voce ja teve algum cargo na APP local?
[ ] Sim
[ J Nao
 FIGURA 7-4
P. 38. Voce hobolhou olgumo vez durante a semono possodo? (lncluo hobolho
parcial, mas noo habolho em coso.)

fiGURh 7-3
~,..----1 SIM •. - - - - - 2 NAo
14. Voce ja ouviu folar do Progromo Cidode Modelo?
P.38a. Quantas horas voce P.38e. Voce estava
trabalhou na ultima procurando trabalho ou
[ ] Sim semana, contando saiu de um emprego na
[ ] Nao

l todos os empregos, se
foi mais de um?
ultima semana?

1. Estava procurando 3. Nao,

~ ~
1. 1-14 5.40 nenhum
Em caso afirmativo: 2. 15-29 6.41-48 2. Saiu de um emprego
3.30-34 7.49-59
a. Voce em geral aprova 4.35-39 8.60oumais
ou desaprova o programa? P. 38f. Voce esteve
procurando trabalho
[ ] Aprova P.38b. Voce gostaria de nos ultimos 60 dias?
[ 1 Desaprova trabalhar mais horas
[ ] Sem opiniao
e
ou esta a Quantidade +-1 . Sim .3. Nao
que voce quer?
b. Voce ja compareceu a alguma P. 38g. 0 que voce fez
reuniao da residente Cidade Modele? principalmente durante
1. Quer mais a ultima semana?
[ 1 Sim
[ 1 Nao
Em caso afirmativo:
rl
P.38c.
2. Nao quer mais
3. Naosabe

Ha quanto tempo voce

1. Tomou conta da casa
2. Foi a escola
3. Ferias
4. Aposentado
Qual foi a ultima vez que voce 5. lncapacitado fisicamente
tern o atual tipo de 6. Outre
compareceu a uma reuniao?
trabalho

~
1. Menos de um ano P.38h. Qual a ultima vez que
2. 1 ou dais anos voce trabalhou, mesmo
3. 3 a 5 anos por poucos dias?
4. 6 a 10 anos
5. Mais de dez anos
_.£: lOO. Nunca trabalhou

A Figura 7-4 most1-a pa1te de urn quesrionario de entrevista P.38d. No ano passado, P.38i. Por que voce saiu do
visando deteJminar o arual status ocupacional cia pessoa. Ler as alguma vez voce saiu ultimo emprego?
de um emprego por
questoes, dar respostas diferentes e seguir as setas apropriaclas causa de
ate a proxima pergunta o orienta sobre a inrenyao do pesquisaclor, deasacelera9ao 1. Demitiu-se
permitindo que voce veja a faciliclade que o entrevisrador reve economica 2. Desistiu
. - 3. Despedido
para obter a informac;:ao relevante de toclos os entrevistaclos. 1. Sim 4. Machucado ou lncapacitado

i 2. Nao
3. Nao sabe
5. Emprego sazonal
6. Outre

- - - - - - - - . PASSEAPROXIMAPAGINA - ----
Questoes Mohiciais
Com frequencia, voce far:l varias perguntas como mesmo
conjunto de categorias de respostas. Este e o caso tfpico sempre
que caregorias de respostas do tipo Likert forem usadas. Em tais
casos, muitas vezes e possfvel construir uma questcio matricia/,
como ilustrado na Figura 7-5.
FIGURh 7-5
formolo de queslao molriciol
17. Ao lodo de coda urn dos enunciodos opresenlodos aba!xo, par favor _indidue
se voce concorda forlemenle ([f), concorda (C ) d1scorda (0), d1scor a
farlemenle (OF) au esl6 indeciso (1).
CE c n ill
a. 0 que este pals precisa
e de mais lei e ordem ........ [ l [ l [ l [ l l l
b. A polfcia deve ser
desarmada neste pals. [ l [ l [ l [ l [ l
c. Durante revoltas, deve-se
atirar no ato em
aqueadores ........................ [ l [ l [ l [ l [ l
etc.
Este formato rem numerosas vantagens. Primeiro, usa
espa<;:o de forma eficiente. Segundo, os respondentes provavel-
mente acharao mais cipido completar um conjunto de perguntas
apresentadas desta forma. Terceiro, o formato pode facilitar a
comparabilidade etas respostas dadas a perguntas diferentes
tanto para o entrevistado como para o pesquisador. Como
os respondentes poclem rever rapidamente suas respostas a
itens anteriores neste conjunto, podem escolher entre, digamos,
"concorda fortemente" e "concorcla" com uma declara<;:ao, com-
parando a for<;:a cia concorclanc ia com as respostas anteriores.
Mas ha alguns perigos inerentes a este formato. As vanra-
gens podem encoraja-lo a estruturar um item de forma que as
respostas se encaixem numa matriz, quando um conjunto dife-
rente, mais idiossincr<ltico, de respostas seria mais apropriado.
Alem disso, o formato de questoes matriciais pode incluzir um
padrao-de-resposta nos respondentes, um padrao de concor-
dfmcia com todas as declaras;aes. Isso seria especial mente provavel
se o conjunto come<;:asse com varias cleclara<;:oes indicanclo uma
orientas;ao particular (por exemplo, uma perspectiva polftica
liberal), com apenas algumas declaras;oes posteriores inc.licando a
orientas;ao oposta. Os respondentes podem supor que todas as
cleclaras;oes representam a mesma orientas;ao e, lenc.lo rapidamente,
ler errado algumas clelas, dando respostas erraclas. Voce pocle
reduzir um pouco este problema alternando cleclara<;:oes repre-
sentando orienta<;:oes diferentes e fazendo-as curtas e claras.
Ordenando as Questoes no Question6rio
A ordem na qual sao feiras as perguntas pode afetar a
resposta, bem como toda a coleta de dados . Por exemplo, a
presenp de uma pergunta pode afetar as respostas a perguntas
subseqi.ientes. Por exemplo, se sao feitas algumas perguntas sobre
o perigo cia polui<;:ao, e uma pergunta subseqi.iente (abetta) pede
aos respondences para sugerir o que acreditam representar perigo
1 para o pals, "poluis;ao" sera mais citada do que seria o caso se
aquelas perguntas iniciais nao tivessem sido feitas.
Se pedinnos aos respondences para avaliar sua religiosidade
geral ("Qual a imporrancia cia sua religiao para voce, em geral?"), as
respostas a perguntas posteriores sobre aspectos espedficos
cia religiosidade buscarao consistencia com a avalia<;:ao anterior.
0 inverso tambem e verdade. Se os respondences ouvem primeiro
perguntas especfficas sobre aspectos diversos de sua religiosidacle,
a avalias;ao geral subsequence refletira as respostas anteriores.
Alguns pesquisadores tentam supera r este efeito "aleato-
rizando" a ordem das perguntas - em geral um esfor<;:o futil.
Um conjunto "aleatorizado" de perguntas provavelmente parecen1
aos respondentes ca6tico e sem valor. Ademais, terao dificul-
dade em responder se forem obrigados a mudar continuamente
o foco de atens;ao de um tema para outro. Finalmente, mesmo
uma ordenas;ao aleatorizada de perguntas afeta as respostas do
modo discutido acima, e voce nao tera controle sobre este efeito.
A solu<;:ao mais segura e ter sensibilidade para o problema.
Embora voce nao p ossa evitar o efeito do orclenamento de
perguntas, deve poder estimar este efeito e interpretar os
resultados significativamente. Sea ordem das perguntas parece
ser uma questao especialmente importance num estudo, voce
rode fazer mais de uma versao do questionario, com dife-
remes ordenamentos de perguntas, criando condi<;:oes para
cleterminar o efeito dele. No mfnimo, voce deve pre-testar
seu questionario usando as formas d iferentes.
A o rdem desejada clas perguntas difere nos questionarios
auto-administrados e por entrevistas. No primeiro, em geral e
111elhor comes;ar o questiom1rio com as perguntas mais interes-
sames. 0 respondente potencial que corre o olhar casualmente
sobre as primeiras perguntas deve querer responde-las. Talvez
esras questoes perguntem coisas sobre as quais os entrevistaclos
estao ansiosos por se cxpressar. Ao mesmo tempo, contuclo, as
pergunras iniciais nao devem ser amea~doras. (Pode ser nti ideia
iniciar com pergunras sobre compottamenro sexual ou uso de dro-
gas.) Em geral, deve-se pedir clados demograficos mais inslpidos
(idade, sexo etc.) apenas no final dos questionarios auto-admi-
nistrados. Pedi-los no come~o, como muitos pesquisadores inex-
perientes sao tentados a fazer, cia ao questionario a aparencia
inicial de um formulario rotineiro, e quem o recebe pode nao
encontrar motivac;ao suficiente para termina-lo.
0 oposto em geral e verdade para os surveyspor entrevistas.
Quando o entrevistado em potencial abre a porta ou atende o
telefone, o entrevistador cleve comec;ar estabelecenclo rapida-
mente a comunicac;ao com o entrevisrado. Ap6s breve introduc;ao
apesquisa, o enu·evistador deve comec;ar enumerando os membros
da residencia, pedindo os dados demogr:ificos de cada um.
Esras questoes sao facilmente respondidas e, em geral, pouco
ameac;adoras. Ap6s estabelecer a comunicac;ao inicial, o entre-
vistaclor pocle, entao, entrar na area clas atitucles e assuntos
mais senslveis. Um s1t1vey por entrevisra comec;anclo com a
pergunta "Voce acredita em Deus?" prova vel mente teria um
fim rapido.
Instru~oes
Toclo questionario, seja auto-aclministraclo ou aplicaclo por
um entrevistador, cleve comer instruc;oes claras e comentarios
introclut6rios oncle apropriado.
lnstru~6e s Gerais
Toclo questionario auto-administrado deve comec;ar com
instruc;oes basicas sobre o preenchimento. Embora muitos res-
pondences estejam familiarizados com recnicas de surv~vnom~nis,
e uti! comec;ar instruinclo-os a indicar as respostas a cerras per-
guntas com uma marca ou um "X" na caixa ao !ado cia resposta
apropriada, ou escrevenclo as resposras quando solicirados. Se
muiras questoes abertas forem usadas, os respondences clevem
ser orientaclos sobre o ramanho esperado cbs respostas. Se voce
encorajar resposras escritas, permitindo elaborar respostas a
questoes fechadas, deve assinalar esta possibiliclade.
Se um questionario esta ordenado em subsec;oes por
co 1 ~·.udos- por exemplo, atitudes pollticas, atitudes reli-
gi< .sas, dados basicos - e util introcluzir cacla sec;ao com uma
~leclarac;ao cu1ta sobre seu conreuclo e finaliclade. Eis um exemplo
de introduc;ao posslvel: "Nesta sec;ao, gostarlamos de saber quais
p roblemas comunitarios as pessoas por aqui consicleram os mais
importances." !tens demograficos no fim de um questionario
auro-administrado podem ser introduzidos assim: "Finalmente,
gostarfamos de saber um pouco sobre voce para podermos ver o
que diferentes tipos de pessoas acham sobre os temas que
esrivemos examinando."
Introduc;oes curras como estas ajudam o respondente a
dar senticlo ao questionario, e o tomam menos ca6tico, particular-
mente quando ele aborda uma variedacle de dados. Tambem
ajuclam a por o respondente no contexte mental apropriaclo
para responder as perguntas.
Algumas perguntas poclem requerer instruc;oes especiais
para facilitar a resposta adequada, especialmente se uma pergunta
clife re das instruc;oes gerais ao questiom1rio como um toclo.
Alguns cases especlficos ilustram esta situac;ao.
Apesar de ser desejavel ter categorias de resposras mutua-
mente excludentes em questoes fechaclas, muitas vezes mais de
uma resposta se aplicara a alguns respondenres. Se voce quiser
uma resposta unica, deve deixa-lo bem claro na pergunta. Por
exemplo, "Na lista a baixo, marque por favor a razao principal da
sua clecisao de frequentar a faculdacle". Muitas vezes a pergunta
principal pode ser seguida de uma nota entre parenteses, por
exemplo, "Por favor, marque a melhor resposta". Se, por outro
!ado, voce quer que o entrevistado marque tantas respostas quanto
foro caso, tambem cleve deixar isto clare.
Quando um conjunto de categorias de respostas river de
ser ordenado pelo respondente, as instruc;oes devem deixa-lo
clare, e um tipo diferente de formate de respostas deve ser usado
(por exemplo, espac;os vazios ao inves de caixas). As instruc;6es
devem m · ct·Icar quanras respostas clevem ser ordenadas (por
exemplo, todas, a primeira e a seguncla, a p1imeira e a L'tltin1a, a mais
··c
e·tme ··1111
01
nos P0rtante) equal a orclem de hierarquia (por exemplo,
. oque um 1 ao !ado cia mais importance, um 2 ao !ado cia
segunda mais imporranre, e assim par diante".)
 Ordenar uma lista de itens muitas vezes e diffcil para os
respondentes, porque talvez tenham de ler a lista varias vezes. Alem
disso, em geral se consegue os mesmos resultados pedindo para
valoraros itens (por exemplo, ''Muito impottante", "Importante"
etc.) Como assinalam Krosnick e Alwin,9 problemas s6 ocorrem
quando os respondentes ciao os mesmos valores i.'t maioria dos
itens. Naturalmente, como sugerem os autores, dar o mesmo
valor a varios itens pode indicar o que eles realmente sentem
quanta aqueles itens, e um ordenamento for\=ado pode produzir
respostas nao verdadeiras. Mas, se voce achar essencial que os
respondentes ordenem uma lista de itens, voce deve fazer a lista
tao curta quanta possfvel. Como regra geral, nao pe~ para ordenar
mais do que cinco itens.
Em questoes matriciais de multiplas partes, voce cleve
dar instru\=oes especiais, salvo se o mesmo Formato for usaclo
em todo o questionario. As vezes, espera-se que os respondentes
marquem uma resposta em cada coluna cia matriz, em outras
vezes que marquem uma resposta em cada linha. Sempre que o
questionario contiver os clois tipos de respostas, cleve-se dar uma
instiU\=ao esclarecendo o tipo esperaclo em cacla caso.
lnshu~oes ao fnhevistador
Urn questionario confuso auto-administraclo pocle cles-
moralizar o respondente, mas um questionario por entrevista
confuso pode desmoralizar tanto o entrevistaclo quanta o entre-
vistador, pondo em perigo a eficiencia cleste ultimo. Pottanto,
instiu\=oes suplementares clams aos entrevistaclores, fornecidas
oncle apropriado, sao de patticular imponancia.
As instiu\=oes que o entrevistaclor deve ler para os entrevis-
taclos e as que nao devem ser lidas clevem ter fonnatos cliferentes.
Por exemplo, as que nao clevem ser lidas podem estar entre
parenteses ou em tetras maiusculas. Uma entrevista pocle ser
destrufda se o entrevistaclor ler alto algo do tipo "Se o entrevis-
tado e quase analfabeto, en tao ..."
E igualmente importante que urn questionario por
entrevista tenha um roteiro verbatim para o entrevistador ler
na entrevista. 10 Em circunstancias icleais, um entrevistaclor deve
poder conduzir toda a entrevista eta introdu\=ao inicial ("Ola,
meu nome e... ") ate os comentarios fin~lis ("Isso completa a
entrevista. Queremos agradece-lo por... ") sem tamar liberdade
com uma (mica palavra. Toclas as declan:t\=6es de transi~.;ao ao
Iongo do questionario clevem ser feitas ("Agora gostarfamos de
passar (los P
roblemas comunitarios para os problemas nacionais ... ")
'
de forma que o roteiro, palavra pot~ palavra, so~ natural c~~o
·sa 0 mesmo sea plica a enumera~.;ao demograftca
umacOn\ el ·'·
nentes eta residencia. Ao inves de instruir o ~entre-
d as cOil ,,Do ,.
· dor a olJter a idade de cada membra cia famtlia, voce deve
VISta
esentar uma pergunta padronizada para cada ("Qual era a
~;d~ dele no dia primeiro de janeiro de 1990?") 0 Capitulo
~0 enfatiza a in1pottancia de se seguir atisca o texto do questionario,
mas isso s6 sera possfvel se o questionario estiver construfclo
adequadamente.
Rep rodutOO do Questi onari 0
Tendo construfdo o questionario, e preciso fazer c6pias
suficientes para a coleta de dados. 0 metoda para reproduzir os
questiom'irios e importante para o sucesso cia pesquisa; um ins-
trumento reproduzido com capricho encorajara uma taxa maior
de respostas, fornecendo melhores dados.
Ila varios metodos para reproduzir questionarios, e sua
escolha dependera dos fundos disponfveis, das facilidades locais
e do tempo. Reprodu\=6es mimeografadas em geral sao mais
baratas e rapiclas, mas com menor qualidade grafica. Maquinas
de fotocopia r variam em velocidade, qualidade e pre\=O, mas
pode-se produzir questionarios excelentes, especial mente usando
urn computador e uma impressora laser para o original.
0 foto-offsetde c6pia do questionario resulta em melhor
qualidade e, alem de um ceno numero de c6pias, pode ser mais
economico. Uma mati·iz em foto-offsetpermite um numero incon-
tavel de c6pias, enquanto uma matriz de mime6grafo precisa
ser refeita depois de algumas centenas de c6pias, e a fotoc6pia
mantem o mesmo custo unitario mesmo para muitas c6pias.
0 melhor metoda de reprodu\=ao do ponto de vista cia
qualidade profissional e a tipografia. Mas eo metoda mais caro
e pocle nao ser viavel para alguns projetos. Alem disso, a tipo-
grafia em geral toma mais tempo do que outros metodos. De qual-
quer forma, voce deve investigar as possibilidades locais, equili-
brando os valores relativos de tempo, dinheiro e qualidade.
Atualmente, o melhor sistema de reprodu~.;ao consiste num
microcomputador com um processador de textos ou programa
de_ ~ditora\=ao profissional e uma impressora laser para criar o
ongmal. em conjun~ao com o foro-offset das c6pias.
. 0 questionario pode ser construfdo de diversas f01mas.
Em alguns casas, e melhor imprimir o questionario numa folha
 • CJ1n 1·Jos y STARK Rodney. Religioll Cllld Society ill Te11sio11.
grande (mica, dobravel para formar urn livreto de patnets ~GLOCK, •• ~ ., _. .
. . w1nd McNally, 196::>. p.l8-38.
clesdobraveis. Caso haja muitas paginas no questionario, ChJCag0 · •
·:1rl Science and ,\/orality in ,\ledicine. Berkeh.:y: Uni\'ersity of
pode-se prende-las com um grampeador. 0 questionario Iongo • BABBl E· 1·• ·
de melhor aspecto profissional e um livreto impressa grampeado. California l'ress, 1970.
Este eo metoda mais caro. . u n tratamento excelenre deste Lema em DAVIS.• james A.
' EnLontra-se 1 ' · · II 1971 .
urvev Analysis. Englewood Chffs, NJ: Prenllce-Ha ,
Uma ultima preocupa~ao cia reprodu~ao do questionario ElemelltaiY S - ·J r· a dos tratamentos d estes ntvels
• · u:1 me<1·'\·'o
' us.1m
·· o
e quantos devem ser pedidos. Para chegar a esta decisao, voce 9 ct seq. A m •110 1' . . .
P· Ia (ox escala nomillal) segumdo o exemplo de STEVENS, S. S.
rem10 esca ~. ·' ' 6 680 946
cleve considerar o tamanho cia amostra, o numero de cartels de , ry of Scales os Measurement. Science, v.103, p. 77- , 1 .
On tl e . ect0·vro usa o termo escala em senudo
1 Th · d1ferente
· (ver • Io 8) ,
Cap1tu
acompanhamento, se houver, num s1 1rvey pelo cotTeio, e a possfvel Como est 1
necessidade de c6pias de discussao, amostras para outros pesqui- evitamos seu uso neste contexto.

sadores, c6pias para inclusao como apendices em relat6rios de
pesquisas o u livros c6cligo, e assim por diante. Como regra
aproximada, voce deve estimar o numero necessaria para a coleta
de dados e multiplicar este valor por 1,5 a 2,0, para de te rminar
o n(tmero de c6pias. Lembre que c6pias adicionais produzidas
na primeira edi~ao dos questionarios ser:io bem mais economicas
do que as produzidas em edi~oes posteriores.
• BISHOP, George F., TUCHFARBER, Alfred ].. OLDEND!CK, Robe1:t W.
Opinions on Fictitious Issues: The Pressure t~ Answer S11rvey Quest1ons.
Public Opillion Quaterly, v.SO, p.240-250, verao 1986.
-SMITH, Tom. That Which We Call Welfare by Any Other Name Would
Smell sweeter. Public Opiuion Quc111erly, v.51, p.75-83, pnma\'era 1987.
6 CARl\11NES, Edward G., ZELLER, Richard A. Reliability Cllld Validity
Assessment. 13everly H ills, CA: Sage, 1979.

9 KROSNICK, Jon A ., ALWlN, Duane F. A Test of the Form-Resistant

Correlation H ypothesis: Rati ngs, Rankings, and the Measurement of
Resume Values. P11blic Opi11ion Quarterly, v.52, p.526-538, inverno 1988.

10Um roteiro nao seria apropriado para uma entrevista nao estruturada,
Este capitulo cobriu uma variedade de assuntos, do te6rico num estudo cxplorat6rio. Neste caso, o entrcvistador devc rcceber um
e filos6fico ao tecnico e ate o mundano. Come~ou com questoes esbo(o dos temas a cobrir, e talvez um conjunto de questoes possfveis.
gerais de conceitualiza~ao e operacionaliza~ao no desenho dos
irens do questionario apropriados. Foram dadas algumas dire-
trizes gerais e especfficas para a reda~ao das perguntas e sua
apresenta~ao no instrumento de pesquisa . 0 capitulo conclu iu Leituras Adicionais
com uma breve discussao sabre o !ado tecnico cia proclu~ao de
quesrioml.rios. CARMINES, Edward G., ZELLER, Richard A. Reliability and
A combina ~ao destes temas num unico capitulo pode Validity Assessment. Beverly Hills, CA: Sage, 1979.
parecer bizarra, mas ha um prop6sito nela. 0 valor cie11tfjico GOULD, Julius, KOLB, William. A Dictionm:y of tbe Social
ultimo de um survey pode depender tanto da maneira como o Sciences. New York: Free Press, 1964.
questionario e reprocluzido quanta c.la imagina~ao na operacio-
KAPLAN, Abraham. The Conduct of Jnqui1y. San Francisco:
nalizas;ao de conceitos. Os resultados cla pesquisa de swvey
Chandler Publishing Co., 1964.
sao o procluto de muitos passos, indo do te6rico ao mundano, e
uma fraqueza em qualquer um deles amear;a o todo. .MILLER, Delbe rt. Handbook of Research Design alld Social
Measurement. New York: Longman, 1983.
Notos OPPENHEIM , A. N. Questionnaire Design Cllld Altitude
1
WHITEHEAD, Alfred North. Scie11ce a11d the Modem World New York: Measurement. New York: Basic Books, 1966.
The Macmillan Company, 1925. p.56.
PAYNE, Stanley. The Art of Asking Questions. Princeton, NJ:
2
Citado em SELLTIZ, Claire et al. Nesearcb Metbods ill Social Relatiom.
Princeton University Press, 1965.
New York: Ilolt, Rinehart & Winston, 1959. p.S64.
SCHUMAN, Howard, PRESSER, Stanley. Questions and Answers
in Attitude Surveys. Experiments on Question Form, Wording
and Context. New York: Academic Press, 1981. Capitulo 8
SMITH, Tom WI. The Art of Asking Questions. Public Opinion
Quarterly, v.51, p.S95-S108, inverno 1987.

Constru~oo de Indices e fscalas

Como notamos antes, muitas, se nao a maioria, das

pesquisas sociais visam detem1inar as associar;.:oes entre variaveis.
Geralmente, queremos estabelecer que X esta relacionado a
(ou causa) Y. Mas notamos tambem que a medir;.:ao de variaveis,
freqi.ientemente, e tarefa diffcil. Normalmente, e impossfvel
chegar a uma medida totalmente inequfvoca e completamente
aceitavel de qualquer variavel. Mesmo assim, os pesquisa-
dores nao desistem de tentar criar medidas cada vez melhores
e mais uteis.
Esre capitu lo aborda a questao cia medir;.:ao. Especifica-
meme, discute a construr;.:ao de Indices e escalas como medidas
de variaveis. Esras medidas cumularivas sao freqUentemente
usadas na pesquisa social, por varios motives. Primeiro, apesar
do cuidado ao construir questionarios, raramente e possfvel
chegar a uma (mica pergunta que represente adequadamente
uma variavel complexa. Qualquer item unico pode clesrepre-
sentar alguns responclentes no estudo. Para medir religiosidade,
talvez apenas freqi.iencia a igreja nao seja urn indicador suficiente.
Alguns respondentes que freqi.ientam regularmente a igreja
poclem ser consiclerados irreligiosos em outros termos, e alguns
9ue nunca vao a igreja podem ser considerados religiosos.
Indices e escalas combinam varios itens de questionario, evi-
tanclo assim OS vieses inerentes aos itens uniCOS.
Segundo, voce pode querer usar uma medida ordina l de
uma variavel bern refinada - por exemplo, arranjanclo os res-
pondemes em varias categorias orclinais, cia mais baixa a mais
alta cia variavel. Urn unico item pode nao apresentar urn numero
 suficiente de categorias de respostas para permitir esta amplitude
de varia~ao. Um fndice ou escala, formados a partir de varios
itens, pode.
Finalmente, Indices e escalas sao dispositivos eficientes
para a analise de dados. Se um unico item de questionario nos
eta somente uma localiza~ao rudimentar de um respondeme
numa variavel, varios itens podem dar uma medida mais exara
e abrangeme. Mas, normalmeme, e impraticavel considerar
simultaneamente todas as resposras particulares dadas por um
respondente. Indices e escalas (especialmente escalas) sao
dispositivos de redu~iiodeda£/os, as va1ias respostas de um respon-
dente poclem ser resumiclas num unico escore, e mesmo assim
os detalhes espedficos daquelas respostas serem mamidos quase
que na totalidade.
Indices Versus fscalas
Os termos fndice e escala sao usados habitualmente de
modo imprecise e intercambiavel na literatura eta pesquisa social.
As defini~oes tecnicas originais destes termos perderam atual-
meme seus significados. Antes de considerarmos as distin~oes
entre Indices e escalas, vejamos o que eles tem em comum.
Ambos sao, tipicamente, medidas ordinals de variaveis.
Sao construfdos de maneira a ordcnar os respondentes do survey
(ou outras unidades de analise) em tem1os de valiaveis espedficas,
como religiosidade, alienac;:ao, situac;:ao socioecon6mica, pre-
conceito, sofisticac;:ao intelectual etc. 0 escore de um respondente
numa escala ou fndice de autoritarismo, por exemplo, eta uma
indicac;:ao do seu autoritarismo relativo, quando comparado a
outros respondentes.
No nosso uso dos tennos, escalas e Indices sao medidas
compostas de va1iaveis, ou seja, medic;:6es baseaclas em respostas a
mais de um item do questionario. Poitanto, os escores dos respon-
dentes num lndice ou escala de religiosidade sao detem1inadas
pelas respostas especfficas a varios itens do questionario, cada um
dos quais fornecendo alguma indicac;:ao eta religiosidacle deles.
Neste livro, distinguiremos entre Indices e escalas pela
maneira como os escores sao atribulclos aos respondentes. Um
lndice e construfdo pelo somat6rio simples de escores atribufdos
a respostas espedficas aos itens individuais que formam o fnclice.
Uma escala e construfda pela atribuic;:ao de escores a padroes de
respostas entre os varios itens que formam a escala. Uma escala
difere de um fndice por tirar vantagem de qualquer possfvel
estrutur"<a de intensidade entre . . os_itens individuais. Um exemplo
. Ies deve elucidar esta dJstmc;:ao.
SII11P . .
Suponha que queiramos medir o ap01o dos amencanos
'to:-._ (1·trel·ros chris de comunistas declarados. Poclemos
. pergumar
_
~e um comunista devia ter o direi~o ~le te1~ ~s segumtes ocu~.ac;:oes:
(1) advogado, (2) medico, (3) bibhotecano, (4) e~ge~heuo, (5)
,
reporter, (6) professor. Alguns respondentes estao _dtsposros
. a
perm1t1r · · que comunistas exerc;:am
.. toclas
. as ocupac;:oes hstadas..
Alguns nao quererem penmt1r comun1stas em nenhuma de~s.
Outros acham que algumas ocupa~oes podem e outr.as .nao.
Res ondentes que clao respostas mistas presumivelmente md1cam
quepconsideram algumas ocupac;:oes . mais impoitantes
. que outras.
_
Contuclo, as prioridades relatJvas etas d1feremes ocupac;:o_:s
variam de respondente para respondente; nenhuma ordenac;:ao
absoluta e inerente as ocupac;:oes em si.
Pelas respostas, voce pode construir um fndice dos com-
promissos relatives clos respondent~s para com as lib_:rdades
civis dos comunistas, baseaclo no numero de ocupac;:oes que
eles lhes permitem exercer. Quem permitir aos comunistas
exercer todas as ocupac;:oes ap6ia claramente um grau maior
de liberdade civil que quem lhes fechar toclas as portas. Alem
disso, voce supoe que quem permitir a um comunista exercer
tres etas ocupac;:oes ap6ia mais as liberdades civis dele do
que quem permitir apenas uma ou duas, independente de
quais forem as ocupac;:oes. Tal fndice pode fornecer uma
medicla ordinal util e precisa do libertarianismo civil. A parte A
da Figura 8-1 ilustra a 16gica simples eta construc;:ao de Indices.
Entretanto, s uponha que as ocupac;:oes do exemplo
anterior fossem: (1) escavador de valas, (2) professor de escola
secundaria, (3) presidente dos Estados Unidos. Neste caso, ha
toda razao para acreditar que esses tres itens tem uma estrutura
de intensidade. Quem permitir a um comunista ser presidente
certamente o d e ixara ser escavador de valas ou professor
secundario. Quem permitir a um comunista cavar valas pode
ou nao pe1mitir-lhe exercer as outras duas ocupac;:oes. Prova-
velmente, sabendo a quantidade de ocupac;:oes que um respon-
deme permite a comunisras, saberfamos quais profissoes per-
mitiria. Nessa situac;:ao, uma medida composta formada pelos
tres itens constituiria uma escala, tal como usamos o termo. A
parte B eta Figura 8-1 ilustra a constru<;:ao de uma escala.
Deve estar clara que escalas geralmcnte sao superiores a
Indices, se por nenhuma ourra razao, porque escores de escalas
ciao mais informac;:ao do que escores de indices. Voce deve ter
cuiclado com o uso errado do termo escala; chamar uma medida
qualquer de esca la ao inves de fndice nao a torna melhor. Deve Aseguir Iemos os quolro lipos de escolos que esperoriomos abler de umo analise dos resposlos. Umo
tambem estar alerta em rela~ao a duas outras mas interpreta~oes coixo sombreodo indica o oceilocoo do ocupocoo o ser exercido par comunislos.
cia natureza do escalonamento. Primeiro, se a combina~ao de
varios itens do questionario vai resultar ou nao numa escala D D D D
quase sempre depencle cia amostra especffica de respondentes.
Certos itens podem formar uma escala entre os responclentes de
uma amostra, mas nao de uma outra; nao se clevc presumir que um D D D D
ce1to conjunto de irens fo1mam uma escala s6 porque a fonnaram
numa determinacla amostra. Segundo, usar tecnicas de esca-
lonamento (discutidas depois neste capitulo) nao assegura a
[ 0
II II 2
II 3
cria~ao de uma escala mais do que usar itens que previamente Baixo Alto
formaram escalas.
Um exame da literatura substantiva baseada em dados Mas nao e facil construir Indices. Acho que o fracasso
de survey mostra que indices sao usaclos mu ito mais freqClente- genera lizad o em desenvolver tecnicas de constru~ao de
mente do que escalas. Mas, ironicamente, a literatura metoclo- Indices resultou na cria~ao de muitos Indices ruins em pesquisa
16gica contem muito pouca, se alguma, d iscussao sobre cons- social. Pe nsando nisso, concentrei a maior parte deste capitulo
tru~ao de Indices, apesar de abunclarem as discussoes sobre nos metodos de constru~ao de Indices. Aprendendo a 16gica
construyao de escalas .. Ha d uas razoes aparentes pa ra isto. desta co nstru~ao, voce estara melhor preparado para tentar
Primeiro, Indices sao usados mais frequentemente porque, em construir escalas. Inclusive, o fndice cuicladosamente construldo
geral, e diffcil OU i.mposslvel Construir escalas a pa1t ir clos clados pocle acabar se tomanclo uma escala.
que se tem. Segundo, metodos de constru~ao de Indices nao sao
discutidos porque parecem 6bvios e diretos.

fiGURA 8-1
indices vers us escalas
Porte A. l6gico do Co nshucao de Indi ces
Aqui estao varias ocupa96es que os americanos podem consentir ou nao que
um com unista declarado exer9a. No geral, as diferentes ocupay6es provavel-
mente seriam consideradas como tendo mais ou menos o mesmo grau de
"importancia" pelos respondentes.
Para criar um fndice de apoio as liberdades civis, podemos atribuir aos respondentes
um ponte para cada ocupayao que consentirem a um comunista exercer.
I Advogodo I fisico I Bibliolec6rio I Engenheiro II Professor II
Porte B. L6gico do Co ndru cao de fscolos
A seguir mostramos tres ocupay6es que os respondentes provavelmente
veriam como diferindo em grau de importancia com relayao ao seu exercfcio per
comunistas. 0 tamanho das caixas representa os diferentes percentuais de
aceitayao com relayao a um comunista exercendo tal cargo.
Conshu~ao de indices
Sele~ao de ltens
Um lnclice composto e criado para medir uma variavel.
0 primeiro criteria pa ra selecionar os itens a serem inclu ldos
no fndice e a ualidade aparente (validade 16gica). Se, por
~xemplo, voce quiser medir conservadorismo politico, cada
Item deve aparecer para indicar o conservadorismo do respon-
cle~te (ou seu oposto, o liberalismo). Filia~ao a partido politico
Reporter sen a um desses itens. Se pedirmos aos respondenres para
aprovarem ou desaprovarem as ideias de uma conhecida figura
publica conservadora, as respostas podem logicamente fornecer
outra. ·m d.1ca~ao
- d· e conservadorismo. Um pesquisador cons-
~rumdo um fndice de religiosidade pode considerar irens
dmvestiganclo a frequenCia
··A · d o respon c1ente a igreja, aceita<;ao

I Presidenle I e cenas cren<;as religiosas, frequencia de ora<;oes e assim

por diante · ca d a 1tem
· 11sta
· c1 o parece oferecer alguma indica<;ao
'
Professor de
I ensino media I cia religiosidade dele.
Em geral, a literatura metodol6gica sobre conceitualizarao
e mecl ·t<;ao
- enfattza
· a necessidade de unidtmensionalidade "'"
Escovodor de voles
na construra c1 - c1·
~ o em 1ces e escalas; isto e, uma meclida composta

deve representar apenas uma dimensi.io. Assim, itens que
refletem religiosidade nao devem ser inclufdos numa medida de
conservadorismo polftico, mesmo que as duas variaveis tenham
uma relas;ao empirica. Neste sentido, um inclice ou escala cleve
ser unidimensional.
Ao mesmo tempo, voce cleve estar sempre consciente
clas nuans;as sutis cia climensao que esta tentando medir. No
caso da religiosiclade, os itens mencionados acima represenram
diferentes tipos de religiosiclade . Se voce quiser meclir parti-
cipas;ao ritual em religiao, deve limitar os itens incluiclos no
fnclice aqueles que espec ificamente inclicam a participa~ao
ritual: frequencia a igreja, comunhao, confissao, e semelhantes.
Mas, se quiser medir religiosidade de modo mais geral , deve
incluir um conjunto equilibraclo de itens rep resentanclo cada
tipo diferente de religios idade. Ao final, a natureza dos itens
inclufdos determinara quao espedfica ou generica e a meclida
cia sua va riavel.
Ao selecionar itens para incluir no fndice, voce deve
considerar tambem a quantidade de variancia fornecida pelos
itens. Se um item fornece uma inclicas;ao de conservadorismo
polftico, por exemplo, voce cleve anotar quanros conservadores
sao inclicados pelo item. No limite, um item que indicar que
ninguem e conservador ou que todos sao conservaclores nao
sera muito Lltil para criar um fndice. Se s6 lo/o de uma amostra
aprovar um politico radical de direita, o item que medir isso
provavelmente nao sera muito uti! na constru ~ao de um fndice.
Com rela~ao a vari~tncia, temos duas ops;oes. Primeiro,
VOCe pocle selecionar variOS itens que diviclam OS respondentes
mais ou menos ao meio, em termos cia variavel. Assim, voce
pocle selecionar varios itens, cacla um inclicando cerca de metacle
como conservadores e metacle como liberais. Apesar de nenhum
dos itens, par si s6, justificar caracterizar um respondente como
"muito conservador", uma pessoa que parecer conservadora em
toclos os itens pocle ser caracterizada assim. A seguncla ops;ao e
selecionar itens que difiram em variancia. Um item pode inclicar
que cerca de metacle dos responclentes e conservaclora, e outro
pocle inclicar que poucos o sao. (Nota: esta seguncla op~ao e
necessaria para 0 escalonamento, mas e tambem um metoda
razoavel para construir Indices).
Rela(oes Bivariadas entre ltens
A segunda etapa na constru~ao de Indices e examinar as
rela~oes bivariaclas entre os itens. Se cacla item realmente cler
uma inclica~ao da variavel -em termos de validade aparente -,
entao os itens devem estar empiricamente relacionados entre si.
Par exemplo, se varios itens refletem o conservadorismo ou libera-
lismo de urn respondente, quem aparecer como conservador num
item deve tambem aparecer assim nos outros itens. Mas, tais itens
r.11: 1mente, ou nunca, esrao pe1feitamente relacionados entre si. CE
t!ssa disparidade que leva a necessidade de constmir meclidas com-
pastas). De todo modo, quem aparecer conse1vador no item A tem
rnaior probabilidade de aparecer como conservaclor no item B do
que quem figurar como liberal no item A.
Voce deve exarninar toclas as possfveis rela~oes bivariaclas
entre os varios itens considerados para inclusao no fndice, para
detenninar as for~as relativas das relas;oes entre OS varioS pares
de itens. Para tal, pode usar tabelas de porcentagem, coeficientes
de correla~ao, ou ambos. 0 criteria primario para avaliar essas
rela~oes e a fors;a delas. Contudo, cleve-se usar este criteria com
sutileza, ficanclo alerta com itens nao relacionados empiricamente
entre si. E irnprovavel que itens nao relacionados entre si me~am
a mesma variavel. Urn item nao relacionaclo a varios outros
provavelmente cleve ser abanclonado. Ao mesmo tempo, outro
sinal de perigo e uma forte correlas;ao entre dois itens. No limite,
se dois itens rem uma COITelas;ao perfeita, s6 precisamos de um
deles no indice, porque um can-ega toclas as indicas;oes fornecidas
pelo outro. (Esta quesrao ficara mais clara na proxima se~o.)
Um exemplo da literatura substantiva sabre pesquisa de
suroey pode ajuclar a ilustrar os passos na constru~o de Indices. 1
Um survey com professores de uma escola de medicina estudou o
efeito da "perspectiva cientifica" na qualidade clos cu idados que
os medicos clispe nsam aos pacientes. 0 objetivo primario foi
determinar se medicos com mais inclina~ao para a ciencia eram
mais irnpessoais no tratamento dos pacientes.
0 questionario do survey ofereceu varios indicadores
possiveis das perspectivas cientificas dos respondentes. Destes
trA o '
es It~ns pareceram- em te1mos de validade aparente - indicar
especialmente se OS mediCOS eram OU nao cientificamente orien-
tados. Os tres itens foram:
1. Como professor da escola, em qual capacidadc acha
que pode dar maior contribui<;ao academica: como medi-
co clfnico ou como medico pesquisador?
2. Enquanto continua a aprimorar seus conhecimentos
medicos, voce diria que sew; interesses medicos finais
estao mais no tratamento completo do paciente ou na
comprecnsao dos mecanismos basicos?
 3. No campo da pesquisa terapeutica, em geral voce esta
mais interessado em artigos relatanclo avalia<;oes da cfeti-
viclacle de varios tratamentos, ou em artigos explorando
os argumentos basicos subjacentes ao tratamento?
Em cada item, a segunda resposta indica maior oriema~ao
cientffica do que a primeira. Nas repostas a cada item, quem
optar pela segunda alternativa e mais cientificameme orientado
do que quem optar pela primeira. Esta conclusao comparativa
e razoavel, mas nao devemos pensar que quem opta pela
segunda alternativa e "cientista" em algum sentido absolute.
Ele e apenas mais cientifico do que quem opta pela primeira
alternativa. Este ponto importance ficarci mais clara quando
examinarn1os a distribui~ao de respostas que cada item produz.
Quanta ao primeiro item - o melhor papel academico -,
s6 urn ter~o dos respondentes pareceu ser cientificamente
orientado, dizendo que sua melhor contribui~ao academica era
como pesquisador. Mas este resultado nao significa que s6 um
ter~o cia amostra e de "cientistas", porque OS outros dois itens
sugeriram conclusoes bem diferenres. Em resposta ao segundo
item, o maior interesse medico, cerca de dais ter~os escolheram
a resposta cientffica, indicando estarem mais interessados em
aprender sabre mecanismos basicos do que sabre cuidado com-
plete ao paciente. Em resposta ao terceiro item, preferencias de
leirura, aproximadarnente 80% preferiram a resposta cientffica.
Estes tres itens de questionario nao poclem nos clizer
quantos "cientistas" ha na amostra, porque nenhum deles esta
relacionado a um con junto de criterios descrevenclo o que cons-
titui ser urn cientista em sentido absolute. Usar os itens para
isso nos cleixatia com o problema de rres estimativas bem diferentes
de quantos cientistas ha na amostra.
Estes tres itens de questionario nos ciao tres indicaclores
indepenclentes clas inclina~oes relativas dos respondemes quanta
a ciencia na meclicina. Cacla item separa os responclentes entre
mais e menos cientrficos. Tendo em vista as diferemes distri-
bui~oes de respostas produzidas pelos tres itens, e clara que
cacla grupo resultante de respondences mais ou menos cientrficos
tera integrantes um pouco cliferentes. Quem parece cientffico
num item nao o parece em ourro. Mesmo assim, como cada
item mecle a mesma climensao geral, devemos encontrar alguma
correspondencia entre os diferentes grupos. Quem parccer cienti-
fico num item deve ter maior probabilidade de parecer cientffico
na resposta a outro item do que quem parecer nao-cientffico na
resposta ao ptimeiro. Devemos encontrar associa0io ou conda¢\o
entre as respostas claclas a quaisquer dais itens.
As rabelas da Figura 8-2 petmitem examinar as associas;oes
, e as respostas aos rres itens. 2 Tres tabelas bivariaclas (cluas
t.:ntr·, .,·s) sao apresentaciaS, rnostran d 0 a d'IStn'b UI~ao
. - COO JUnta
.
vanav~ 1 c1 · - ·
. , . ·spostas a cada par de itens. Apesar de ca a Item umco
( I,l, II;; d " . '£': ,
prod uztr· urn agrupamenro cliferenre de respon entes ctentutcos
c "nao-cientificos", a Figura 8-2 mosrra que as respostas dac1as
a cada item corresponclem, em cerro grau, as respostas cladas a
cacla outro item.
um exame das tres rela~6es bivariaclas cia Figura 8-2 ap6ia a
crens;a de que os tres itens meclem a mes~a vatia_vel: .ori~nta~ao
cientifica. Comecemos observanclo a primeu-a relas;ao btvanacla cia
rabela. As escolhas clos professores de seus melhores papeis
acaclemicos e de seus principais interesses medicos nos ciao
indica~oes de orienra~ao cientffica. Quem escolheu "pesquisaclor",
no primeiro caso, indica maior inclina~ao cientffica do que quem
responcleu "clfnico". Quem respondeu "mecanismos basi cos"
parece mais inclinado cientificamente do que quem resp~n?eu
"tratamento complete ao paciente", na pergunta sabre o pnnctpal
interesse. Se estes itens realmente medirem a mesma coisa, quem
parece cientifico no primeiro item ("pesquisaclor") deve parecer
mais cientffico no segundo ("mecanismos basicos") do que quem
parece nao cientffico no primeiro ("clfnico"). Pelos clados, vemos
que 87% dos "pesquisaclores" parecem cientfficos no segundo
item, em oposi~o a 51% clos "clinicos". (Nota: 0 faro dos "clfnicos"
estarem divididos ao meio, em rela~ao aos principais interesses
medicos, e irrelevanre. 0 relevanre e que eles sao menos cientf-
ficos do que OS "pesquisadores", em seus interesses medicos). A
for~a dessa rela~ao pocle ser resurnicla numa diferen~a de 36
pontos percentuais.
fiGURh 8-2
Re la,aes bivoriodos entre itens sabre orienta,ao cientifico
A. Melhor Popel Acodemico
Clinico Pesquisodor
frotomento completo
49% 13%
do pociente
Principal Interesse Medico
Meconismos bosicos 51% 87%
100% 100%
(268) (159)
 vari ~'ivel , como conservadorismo politico, religiosidacle ou
B. Prefen!ncias de leitura orienra~ao cientffica. Por exemplo, um fndice de conservado-
Efetividade Argumentos rismo polftico deve identificar respondentes que sao muito
conservadores, mocleradamenre conservadores, pouco conser-
lrotomento complete
68% 30% vadores t.. nada conservadores (ou, respecrivarnente, moclera-
do pociente
Principal Interesse /1\edico clamente liberais e muiro liberais, ao inves clas cluas ultimas carego-
/1\econismos bosicos 32% rias). As diferenres grada~oes em tem1os da variavel resultam cia
70%
combina~ao das resposras dadas aos itens do fndice. Portanto,
100% 100% quem parece ser conservador em todos os itens e considerado
(78) (349) muito conservador no total.
Um fndice pode s6 fornecer grada~oes significativas se
cacJa item acrescentar algo a ava lia~ao de cada responclente.
c. Preferencios de leituro Falamos na se\=ao anterior que nao se deve incluir no mesmo
fndice dois itens perfeitamente relacionados entre si. Se um
Efetividode Argumentos deles o for, incluir o ourro nao acrescenrara nada a nossa avalia\=aO
dos respondentes. Examinar as rela~oes mulrivariadas entre itens
Clinico 85% 64% e urn outro modo de elirninar material inuril, alem de dererminar
/1\elhor Popel Acodemico
Pesquisodor a for~a combinada de um cetto con junto de itens quanta a medida
15% 36% cia variavel considerada.

100% 100% Voltemos ao exemplo dos professores de medicina, para

compreender melhor para que serve o exame mulrivariado. A
(78) (349)
Figura 8-3 mostra a rela~ao trivariada entre os tres itens. A rabela,
Pode-se chegar ~~ mesma conclusao geral em rela~ao as agora, e um pouco d iferente cia Figura 8-2. Agora, a amostra foi
outras rela~oes bivariadas. A forp cia rela~ao entre preferencias dividida em quatro gru pos, de acorclo com (1) seu melhor papel
de leirura e principal interesse medico pode ser resurnida como academico e (2) sua preferencia de leirura. Os numeros entre
cliferenp de 38 pontes percentuais; a for~a cia rela~ao entre parenteses sao de respondentes em cada grupo. (Portanto, 66
preferencias de leitura e os dois papeis acaclemicos pocle ser professores disseram que poderiam ensinar melhor como clfnicos
resumicla numa cliferen~a de 21 pontes percentuais. e tambem disseram que preferiam artigos sobre a eficacia clos
Inicialmente, os tres itens foram selecionados com base tratamentos). Para cada um dos quatro grupos, apresentamos a
na valiclade aparente; cacla um pareceu dar algurna indica~ao porcenragem de respondentes que disseram estar mais interes-
das orienta~oes cientfficas dos professores. Examinando as sados nos mecanismos basicos do que no rratamento complete
rela~oes bivaria das entre os pares de itens, encontramos do paciente. (Dos 66 professores mencionaclos acima, 27o/o
apoio para a cren~a inicial de que toclos os itens medem esrao primariamente interessados nos mecanismos basicos).
basicamente a mesma coisa.
FIGURA 8-3
Rela~oes Multivariadas entre ltens Relotoes trivoriados entre os itens sabre orientotoo cientifica
Constatar uma rela~ao bivariada, esperada, entre pares Porcenlagem inleressada nos mecanismos bosicos /1\elhar Popel Acadermico
de itens sugere que eles podem ser inclufclos num fndice
cornposto, mas esta justificativa nao basta. 0 proximo passo Clinico Pesquisador
na constru~ao do fnclice e examinar as rela~oes mulrivariadas 27% 58%
e ntre os itens. E precise examinar as rela~oes simultaneas entre PrefeninCias de Leilura Helividade (66) (12)
muitas variaveis antes de combina-las num unico fnclice. Argumenlos 58% 89%
A principal razao para construir um fnclice e clesenvolver (219) (130)
urn merodo para classificar respondentes nos terrnos de alguma
 0 arranjo dos quarro grupos se baseia na conclusao ·-
tirada com ~ela~ao a orientac;ao cienrffica. Respondences J~
canto supenor esquerdo da rabela sao presumivelmenre
· ·r·
menos c1enu 1camenre orientados dos quatro grupos, quanto
OS
a melhor papel academico e preferencias de leirura. Os no
Canto inferior direito cia tabela SaO presumivelmente OS mais
cientificamenre orientados, quanro aos dois irens.
Lembre-se de que expressar interesse primordial e
"mecanismos basicos" rambem foi romado como indicador c~
orienta~ao cienrillca. Como espcramos, os no canto infelior direito
tern a maior probabilidacle de dar esta resposta (89%), e os no
canto superior esquerclo a menor probabilidadc (27%). Os que
deram respostas mistas em rcla\aO a papcl academico c prefe-
rencias de leirura esrao em posi\aO intermcdiaria no seu inte-
resse por mecanismos basicos (58% em ambos os casos).
Esta rabela nos diz muiras coisas. Primeiro, vemos que
as rela\6es originais entre pares de irens nao sao aferaclas signi-
ficativamenre pela presen\a de um rerceiro item. Por exemplo,
a rela\ao entre papel academico e principal interesse medico
foi resumida como diferen~a de 36 ponros percentuais. Obser-
vando a Figura 8-3, vemos que, somenre entre os respondences
mais interessados em artigos sobre a eferividade do rratamento,
a rela\aO entre papel academico e principal interesse medico
foi de 31 pontos percentuais (58% menos 27% na primeira linha),
c o mesmo e verdadeiro para os mais interessaclos em artigos
sobre argumentos basicos (89% menos 58% cia segunda linha).
A relac;ao original entre papel acadcmico e principal interesse
medico e essencialmenre a mesma cia Figura 8-2, mesmo entre
OS COI1Siderados cientffiCOS OU nao-cientfficos quamo as prefe-
rencias de leituras.
Podemos tirar a mesma conclusao do exame clas colunas
na Figura 8-3. Lembre que a rela\aO original entre preferencias de
leitura e plincipal interesse medico foi resumida como diferenc;a
de 38 pontos percentuais. Observanclo apenas os .. clfnicos" na
Figura 8-3, vemos que a relac;ao entre os ourros dois irens e agora
31 ponros percentuais. A mesma relac;ao c cncontrada entre os
"pesquisadores" na segunda coluna.
A imporrancia desras observa~oes fica mais evidence
quando consideramos o que pode ter aconrecido. A tabela da
Figura 8-4 apresenra clados hipoteticos para ilusrrar esre ponto.
FIGURA 8-4
Relatiio frivariada hipotetica entre itens de orienta(iio cientifica
inleressado nos meconismos bosicos
ParcenIogem Melhor Popel Acodermico
Clinico Pesquisodor
51% 87%
ffelividode (66) (12)
Preferencios de Leiluro Argumenlos 51% 86%
(219) (130)
Estes clados hipotericos conram uma hist6ria bem diferente
da que contaram os dados verdadeiros da Figura 8-3. Neste
caso, evidentemente persiste a rela\aO original entre papel aca-
demico e plincipal interesse medico, mesmo quando preferencias
de leirura sao introduziclas no quadro. Em cada linha da tabela,
os "pesquisadores" rem probabilidade maior do que os "clfnicos"
de expressar imeresse pelos mecanismos basicos. Mas, obser-
vando as colunas, vemos que nao ha rela\ao entre preferencia de
leitura e principal interesse medico. Se soubermos se os respon-
dences acham que podem ensinar melhor como cllnicos ou
como pesquisadores, conhecermos suas preferencias de leitura
nacla acrescenta a nossa avaliac;ao de suas orientac;oes cientfficas.
Se algo como a Figura 8-4 resulrar de nossos clados, concluiremos
que preferencias de leitura nao devem ser inclu!das no mesmo
fndice de pa pel academico, porque nao contribuira em nada
para o fndice composto.
Neste exemplo, estavam envolvidos apenas tres itens
de questio nario. Se considerarmos ma is itens, e necessario
usar tabe las multivariadas mais complexas. Are aqui, limitamos
a ate n~ao a ana lise trivariada dos tres itens. Lembre que o
pro p 6siro desra etapa, na consrruc;ao de Indices, e examinar
a in~erac;ao simulranea dos itens, para determinar se eles podem
ser mclufdos no mesmo fndice.
fscore de Indices
Ap6s determinar os melhores itens para inclusao no indice,
~roximo passo e atribuir escores a resposras especillcas, assim
0
cnando u n - . - -
I Un!CO mdice composto a partir de varios itens. E
pre ·
CJso toma r duas decisoes basicas sobre isso.
de
1
d~ p rimeira e decidir a amplitude desejada dos escores
n •ce. Uma das principais vantagens de um fndice sobre
 Nota· Nesta atividade, como na maioria
um irem unico e a amplitude de gracla~oes oferecicla na mecli\;ao demand as. ( . b
cliferentes cl ·uey a clccisao pode ser revista, com ase
de uma variavel. Como observamos antes, conservadorismo . 'd a des. e sw
.l::ts aU\'1 . A 'val·lclariio de um fndice, a ser cI'IScutl'd a
u. · postenor. :.- . .
polfrico pocle ser mediclo clesde "muito conservaclor" a "nada nun1 exame de leva-lo a reciclar os esfor~os e constl Ulr
conscrvador" (ou "muito liberal") . Entao, quao Ionge, nos i a pouco, po . )
daqu . mpleramente cl1ferente .
extremes, deve se estender o fndice? Como antes, csla decisao -11 d1ce co . . ·c1·
um ' 1 d 0 survey na escola de mecl!Cma, c1ect tu-se
envolve a questao cia variancia. Quase sempre, quando se N0 exemp
· .
o . lnlente porque eles foram esco II11'cl os,·
estencle os possfveis extremes de um fndice, menos casos pondelal c.
. . ada Jtem lgua ' ·r
ntal·em aspectos ligeiramente dt erenres
sao encontrados em cacla extremiclade. Se voce tentar medir or represe ' . .
em parte, P . - cientffica. Em cacla ttem, os respon-
conse1vadorismo polftico no seu maior extremo, pode descobrir . 'vel o nenta~ao " .
da van a core de 1 quando davam resposta C!Cn-
que quase ninguem cai nessa categoria. ebiam um es •
dentes rec ta "nao-cientffica". Assim, cacla respon-
Entao, a primeira decisao esra relacionada aos desejos .. .. 0 ::to dar respos d c1
tihca e , b escore de 0 1 2 ou 3, clepen en o
cl'a rece er u1n • • '
conflitantes de (1) a maior amplitude de medi~ao possfvel dente po ,, t s "cientfficas" daclas. Este metodo de
, ero de respos a d , '1
no fndice e (2) um nC1111ero adcquado de casos em cada ponto do num .. e foi consicleraclo uma amplitu e uti
rao permltlU 0 qu ,
do fndice. Voce tem que chcgar a algum tipo de acordo entre pond e:a:.-~ ategorias de Indices - e tambem um
d va na~ao - quatro c '1'
estes desejos. ~ . f' 'ente de casos enl cacla categoria para as ana !SCS.
numew su 1c1
A segunda clecisao concerne a arribui~ao de escores
para cacla resposta especlfica. Basicamente, voce devc decidir
se atribui peso igual ou diferenres pesos aos itens no fndicc.
Trabalhando com Dodos faltantes
Como veremos mais tarde, a constru~ao de escalas e bastante E quase toclo survey, alguns respondences nao resp~n­
diferente neste aspecto, mas a atribui~ao de escores na cons- clem al;unas perguntas (ou escolhem a op~ao "nao :el.").
tru~ao de Indices e uma questao abcrta. Enquanro nao ha rcgras Esses dados fa ltantes sao um problema em_toclos, os .est~g,os
firmes a seguir, sugiro - e a pratica tencle a confirmar - de a nalise, mas especialmente na constru~ao de mdlces. ~As
que os itens clevam ter pesos iguais, a menos que haja fortes escalas sao cliferentes tambem neste ponro;. ~e alguns les-
razoes pa ra receberem pesos distinros. Ou seja, ponderar poncle ntes nao responderem itens de um mdtcc comp.os~o,
cliferentemente deve ser justificado, enquanto pesos iguais voce te ra problemas para atribuir cscores a estes entl e~IS-
deve sera norma. , d'1ce. H~,1 va'1·1·os 111e'todos para lldar
- d o 111
tados na co nst r u~ao
E claro que a decisao sobre a pondera~ao devc estar com este p roblema.
relacionacla ao equilfbrio dos itens escolh iclos. Se o fndice Primeiro se relativamente poucos respondences tiverem
representar a mistura de aspectos pouco diferentes de uma clados faltante~. voce pode decid ir excluf-los da constru~~o
variavcl, entao voce dcve ponderar igualmente cada um deles. e analise d o lndicc. Os principais cuidados neste caso sao
Mas, em alguns casos, voce pode achar que dois itens reflerem se a quanticlade restante para analise aincla e suficiente ~ se
essencialmente o mesmo aspecto, enquanto um terceiro reflete excluir estes respondentes resulta numa amostra tenclenclosa
um aspecto cliferente. Se quiser rcspeitar igualmentc os clois ao usa r o inclice na analise. A possibiliclade de vies pocle ser
aspectos no fnclice, voce pode deciclir dar ao item diferente examinada pela compara~ao, em outras variaveis relevances,
um peso igual a combina~ao clos pesos dos dois itens similares. clos respo nde nces que seriam inclufdos no fndice e dos que
Nesse caso, voce pocle atribuir um escore maximo de 2 para seria m exclufclos. (No exemplo cia escola de medicina, esta
o item diferente e escores maximos de 1 para cada um dos fo i a decisao tomacla em rela~ao aos daclos faltantes).
clois itens simila res. Segundo, pocle haver razoes para tratar OS dados faltantes
Embora as razoes para ponderar respostas devam consi- do mesmo modo que as outras rcspostas daclas. Por exemplo,
clerar qucstoes como essas, nonnalmente voce cxperimenta clife- se o questionario peclir aos respondences para inclicar sua
rentes metodos de ponclera\;ilO, examinanclo os pesos relatives pa nicipa~ao em varias ativiclades marcando "sim" ou "nao"
atribufdos a cliferentes aspectos e, ao mesmo tempo, conside- para cada uma, muitos entrevistados poclem marcar "sim" para
rando a amplitude e a clistribui<;ilo dos casos. No fim, o algumas ati vidades e cleixa r as outras em branco. Neste caso,
mctodo escolhido rep resenta uma combina<;ilo entre essas
voce podc decidir que uma resposra em branco significa um
"nao" e registrar os dados falrantes como se tivessc sido
marcada a op\ao "nao".
Terceiro, uma analise cuidadosa dos dados faltantes
pode permitir uma interpreta~ao do seu significado. Ao cons-
truir uma medida de conservadorismo polftico, por exemplo
voce pode descobrir que quem nao respondeu uma cerr~
pergunta era geralmente tao conservador, nos outros itens
quanro aqueles que deram uma resposta "conscrvadora" ~
esta pergunta. Outro cxemplo: um survey recente, que mediu
c ren~a rcligiosa, descobriu que os respondentes que esco-
lheram "nao sei" para uma certa cren~a eram quase identicos
aos "descre ntes" nas respostas relativas a outras cren~as.
(Nota: Voce nao deve tomar estes exemplos como guias empf-
ricos para seus estudos, tome-os apenas como sugesroes de
formas para analisar OS pr6prios dados). Sempre que a analise
de dados faltantes permitir tais interpreta~6es, voce pode
ponderar de acordo com estas so lu ~oes.
Quarto, voce pode decidi r atribuir um escore inrcrme-
diario aos dados fa ltantcs. Por exemplo, se um item for pon-
derado em 0, 1 e 2 para suas tres possfveis respostas, voce
pocle atribui r um escore intermedia rio (1) ao item para os
respondentes que nao responderam. CE a mesma 16gica pela
qual a resposta "indeciso" e muitas vezes regisrracla como
esrando entre "concordo" e "discorclo").
Quinto, voce pode arribuir escores de fndice proporcio-
nalmente, baseac.lo nas resposras dadas por um responc.lente.
Por exemplo, suponha que seis irens sao combinadas num
fndice, com escores de 0 ou 1 para cada item. 0 escore maximo
que um enrrevistado pode receber e 6. Se um respondence
responde r apenas cinco itens, mas receber 5 nestes itens,
podera receber um escore proporcional de 5/5 X 6 = 6 no
fndice. Quem receber 2 nos quatro itens respondidos poder:l
receber um escore final de 2/4 X 6 = 3. Quando estes calculos
resulrarem em fra~6es, cleve-se usar algum metoclo de arre-
donclamenro, para simplificar os escores finais.
Finalmente, voce pocle nao querer usar qualquer um
clestes metodos para lidar com dac.los faltanres, mas a analise
posterior pode exigir que todos os respondences na amostra
sejam ponderados. Ncsse caso, voce pode atribuir cscores aos
dados faltantes de forma aleat6ria. Para um item que atribuir
os escorcs de 0, 1 e 2, o primeiro que nao responde-lo poder:l
receber um escore de 1, o segundo 0 e o terceiro 2 ere. Estc
e 0 metodo mais conservador, do ponto de vista de analise
de pesquisas, porque voce esra "embaralhando as cartas" contra
. mesmo. Se o fndice resultante provar ser uma ferramenta
51
derosa na am11ise, voce podera concluir que seria ainc.la
0
p ·s pocleroso se todos houvessem respondido rodas as
mal
uestoes. (Claro que, se sua meta for mosrrar que o fnclice
qnao esra relacionad o a outras vanave1s,
"' . voce tera embara II1acIo
A '
as carras a seu favor).
A escolha de um determinado metodo para tratar daclos
faltantes depende tanto cia situa~ao cia pesquisa que e impossfvel
sugerir um unico melhor metodo ou hierarquiza-los. Geral-
mente, sugiro uma analise dos que nao responderam, tanto
quanto a possfveis vieses na sua exclusao quanto as respostas
cleles a outros itens do fnclice. 0 objerivo final cia analise c
compreender seus dados.
Valida~ao de Indices
Ate agora, discutimos os passos cia sele~ao e pondera~ao
dos ite ns de um fndice composto. Se cada passo for dado
cuidadosamente, aumentamos a probabilidade do fndice real-
mente medir a variavel a que se refere. 0 sucesso na cria~ao
de um fndice uti!, contudo, ainda nao foi provado; a ualida~cio
do fndice ajuda a alcan~ar este objetivo. A base 16gica cia
valida~ao e: supomos que um fndice composto me~a uma
variavel, ou seja, que os escores sucessivos de um fndice
ordenem OS respondentes quanto aquela variavel. Um fndice
de conse rvaclorismo polftico ordena os grupos quanto ao
seu conservadorismo relative. Se um fndice for bem sucedido
nisso, e ntao pessoas classificadas como relativamentc conser-
vadoras pelo fndice devem aparecer como relarivamente conser-
vadoras em todos os itens do questionario (ou ourros incli-
cadores) que tamb6n reflitam orienta~ao polftica . Ha muiros
metodos para valiclar um fnclice composto.
Analise de Item. 0 primeiro passo na valida~ao de um
lnd ice e uma va l ida~ao inrerna chamada a!lalise de item.
Examina-se o quanto o fndice composto esta relacionado (ou
pr~di z as respostas) aos itens do questionario inclufdos no
pro prio fndice. Se o fndice river sido construfdo cuicladosa-
menre, examinando as re la~oes bivariadas e multivariadas
~ntre varios itens, este passo confirmara a validade do fndicc.
ara um fndice complexo com muitos itcns, este passo prove
~m teste mais parcimonioso cia contribui~ao independence
~ cada item para o fndice. Se descobrirmos que um item
nao esta muito relacionaclo ao fndice, podemos supor que
ourros itens do fndicc estao eliminando a contribui~ao daquelc

item. Assim, o item em questao nao contribuira para
potencia do fndice e devera ser exclufdo dele. a Ja
. A analise de item e um importante primeiro teste para
a valtdadc do fndice, mas nao e suficientc. Se o indice medir
adequa~la~enre uma variavel, devera prever com sucesso
o~tros t~dtcad~res. del~. Para t:srar isso, precisamos Ian~ar
mao de ttens nao mclutdos no mdice.
Valida~iio Extema. Pessoas classificadas como politica-
mcnte conservadoras no fndice devem aparecer como conserva-
doras nas respostas a outros itens do questionario. Devemos
c_ompreender, e claro, que estamos falando de conservado~
nsmo relativo; c impossfvel dar uma defini~ao final absoluta
do que vem a ser "conservadorismo" de maneira definitiva.
Mas os respondcntes classificados como os mais conserva-
dores pelo fndice devem ser os mais conservadores ao
responder oun·as perguntas. Os classificados como menos conser-
vadores no indice devem ser os menos conservadores nas
respostas a ?ut~·os itens. 0 ordenamento de grupos de respon-
dentes no mdtce deve predizer o ordenamento deles nas
respostas a oun·as perguntas que lidam com orienta~ao polftica.
Em nosso exemplo do fndice de orientac;ao cientffica
varias perguntas do questiomhio ofereceram a possibilidad~
de valida~ao adicional. A Tabela 8-1 apresenta alguns desses
itens. Os itens listados permitem varias li~oes sabre valida~ao
de Indices. Primeiro, notamos que o fnclice precliz fortemente
as respostas aos itens de valida~ao, no senrido em que o
~rclenamento das respostas cientificas entre os quatro grupos
e o mesmo do ordenamento forneci cla pelo pr6prio fndice.
TABHh 8-1
Volidotiio do indice de orientotiio cientifico
fndice do Orientacoo Cientifica
Baixo
0 1
Porcentagem intcressacla em frequentar
palestras cientificas na escola de medicina 34 42
Porcent:'lgem que cliz que os professores
da faculdade clevem ter expetiencia como
medicos pcsquisaclores 43 60
Porcenragem que preferiria que as
ativiclades clos professores fossem restrims
apenas a pesquisa 0 8
Porcentagcm envolvida em pesquisa no
ano acaclcmico anterior 61 76
Ao mesmo tempo, cada item da uma descric;:ao diferente
. nt"rao cientlfica como um todo. Por exemplo, o ultimo
. one ·'¥
de va!idac;ao .
indtca . .
que a grande ma10na dos professores
~m .
. faculdade pesquisou durante o ano antenor. Se esse Fosse
cl.l, nico indicador de onentac;ao
. . 'f'tea, cone l umamos
- ctentt ., que
0 uase rodos os professores sao cientificamente orientados.
\lesmo assim, os pro fessores const'cl era d os mats
qu. · 'f'tcos
· ctenu
· do rndice rem maior probabilidade de terem pesquisado
~ que os classificados como relativamente menos cientificos.
0 rerceiro item de validac;ao desenha um quadro descritivo
0
diferente. Somente uma minoria dos professores disse que
preferia encargos exclusivamente de ~esquisa. Ainda assim,
as porcentagens desra resposta rambem correspondem aos
escores atribufdos no indice.
indices Ruins Versus Validadores Ruins. Um dilema que
enfrentam quase todos construtores de Indices e o fracasso
dos itens externos em validarem o lndice. Se a analise interna
de item mostrar relac;oes inconsistentes entre os itens incluidos
no fndice e o pr6prio fndice, ha alguma coisa en·ada com o
fndice. Entretanto, se o fndice fracassar em predizer consis-
tentemente os itens de validac;ao externa, a conclusao a tirar
e mais ambfgua. Voce tem que optar entre duas possibilidades:
0) o fndice nao mede aclequadamente a variavel em questao,
ou (2) os itens de validac;ao nao medem adequadamente a
variavel e, portanto, nao sao um teste suficiente do fndicc.
Se voce trabalhou longa e conscienciosamente na cons-
trw;:ao do fndice, achara a segunda conclusao bastante atraente.
Geralmente, voce sente que incluiu os melhores indicadores
cia variavel no fnclice e que os itens de valiclac;ao, portanto,
sao indicaclores de segunda classe. Mas, voce deve reconhecer
que 0 fndice e, propositadamente, uma medida muito poderosa
da variavel; como tal, ele deve estar de alguma maneira rela-
cionado a qualquer item que, mesmo de Ionge, se relacione
Alto com a variavel.
2 3 Quando a valida~ao externa fracassa, voce deve rccxa-
minar o fndice antes de decidir que os itens de validac;ao sao
46 65 insuficientes. Uma maneira de fazer isso e examinar as rclac;oes
enrre os itens de valiclac;ao e os itens individuais do fndice.
Descob rir que alguns itens do fndice se relacionam aos vali-
65 89 dadores mas outros nao melhora nossa compreensao do fnclice
construfdo inicialmente.
Nao ha "receita de bolo" para estc dilema; ele e uma agonia
32 66
com a qual o pesquisador serio deve aprender a conviver. Ao
cabo, a sabecloria cia clecis~to sabre o lndice sera cleterminada
94 99
pela utilidade dele nas suas amllises posteriores. Talvez voce
decida que 0 lndice e bom e OS validadores defeituOSOS e, mais
tarde, descubra que a variavel em questao (como medida pclo
fndice) nao esra relacionada a outras variaveis das maneiras espe-
raclas. Neste ponto, voce podera retornar a composi~ao do fndice.
Neste texto, demos consicleravel imporrancia a constrw;ao
de Indices simples, por duas razoes. Primeiro, uma revisao dos
temas cla literatura sobre pesquisa empfrica mostra a popula-
ridade destas medidas entre os pesquisadores de survey. Segundo,
porque temos muito pouca, se e que a lguma, cliscussao na lite-
ratura ou em manuais metoclol6gicos sobre as tecnicas para a
constru~ao de Indices. A constru~ao de indices "simples" talvcz
tenha siclo vista como simples demais para merccer tal discussao,
e as tecnicas permaneceram pane cia tracli~ao oral cia pesquisa
de survey.
"fscalonamento " likerf
Definimos uma escala como uma medicla composta
construlcla com base numa estrutura de intensidacle entre os
irens da medida. Na constru ~ao de escalas, os paclroes de
resposta e ntre varios itens sao pond erados, enquanto na
constru~ao de indices as respostas inclividuais sao poncleraclas
e os escores indepenclentes somados. Por esta clefini~ao, o
metoda de medi~ao desenvolvido por Rensis Likert, chamaclo
escalonamento Likert, representa uma maneira mais sistematica
e refinada de construir Indices; portanto, este metoda sera
discu tido aqu i e nao nas se~oes sabre escalonamenro.
0 tern1o esca!a Like11 e associaclo a um fornuto de pergunta
frequentemente usaclo nos questiom1rios de su rvey. Basica-
menre, mostra-se aos respondences uma declara~ao e se pergunta
se eles "concordam forremente", "concorclam", "cliscordam"
ou "discordam fortemente". Modifica~oes na reda~iio das cate-
gorias de resposta (por exemplo, "aprovam") podem ser feiras.
0 valor particu lar deste formato e a orclinaliclade nao-
ambfgua das categorias de resposta. Se fosse permitido aos
respondenres invenrar ou escolher rcspostas como "concordo
ate cerro ponto", "concordo mesmo", "concorclo em quase
tudo", e assim por diante, seria impassive! julgar a for~a relativa
da concordancia dos varios respondences. 0 formato Likert
resolve facilme nte este clilema.
0 escalonamento Likert tambem se prcsta a um merodo
bastanre direro de constru~ao de Indices . Ja que se usa catc-
gorias identicas de rcsposta para os varios itens que medem
.- e l cada urn clesses itens pode ser ponderado de
un1a va . nav ·c ' rme Com cinco categorias de respostas, escores
ne tra unuo .
ma u 1 a 5 podem ser atribufclos, levando em conta a
4 0
de_ 0 3_ , d 1'tern (por exemplo, atribuir o escore 5 a "concordo
"dtreqao "0 os itens positives e a "ct·tscorc1o fortemente " nos
fortemente · nos) Cacla respondence recebc entao - um escore
. ns negauv · '
tte senrando a soma dos escores recebiclos pelas
geral, repre ' . . . .
respoStas aos ite ns m d tvtdua ts. . _
metoda Likert baseia-se na supost~ao de que o escore
0
e resulta das respostas aos varios itens que aparen-
gera l, qu I'd
em a varia vel estudada fornece uma mec 1 a
remente re flet ' ' . _ .-
te boa da variavel. Estes escores gera1s nao sao
ra~~ ln)e n -
produto final da constru~ao de Indices; na ver~ade, sao
0
a ra se fazer uma analise de itens levando a escolha
usa d os P . . d. ·d 1 -
dos melho res itens. Essencialmente, cada 1tem 10 1v1 ua e
correlaciona do a grande medida composta . Presum_e-se que
os itens que me lho r se correlacionam com a med1da com-
pasta fornecem os melhores in?ic~dores da v_ar_iavel, e somente
estes itens seriam inclufdos no mcltce que sera fma lmente usado
para as analises cia variavel.
Note que a atribui~ao uniforme de escores nas categorias
de resposta de item-Like rt presume que cada item ten_ha
aproximadame nte a mesma intensidade dos outros. Esta e o
aspecto chave no qual o metoda Likert difere do escalona-
mento como usamos o tc rmo neste livro. Os itens ti po-Likert
podem' ser usados de varias maneiras e nao estamos presos
ao metoda descrito. Eles podem ser combinadas com outros
tipos de iten s na constru ~ao de Ind ices s imples; igualmente,
podem ser usados na constru~ao de escalas. Mas, se todos
os itens c uja inclusao for considerada para uma medida com-
pasta fo re m d o fo rmato Likert, deve-se considerar o metoda
descrito a ntes.
Voltemos agora a aten~ao para as tecnicas de escalo-
name nro . Hi mu itos metodos a d isposi~ao do pesquisaclor
de survey; consideraremos apenas as escalas Boga rdus,
Thursto ne e Guttman.
Conshu~ao de £scalas
Bo ns indices fazem uma classifica~ao ordinal dos res-
ponclentes numa variavel. Todos os Indices se baseiam na supo-
si~ao de que uma pessoa com cluas inclica~oes de ter inclina~ao
cientffica, por exemplo, deve ser mais cientffica do que uma
pessoa com apenas uma i nd i ca~ao . No entanto, um fndice
pode falhar em considerar que nem toclas as indica~oes de
uma vari<1vel sao igualmente importantes. (E claro que se
pode tenrar resolver este problema pesando os inclicadores
diferenremente).
As escalas ciao mais seguran~ com rela~ao ~~ ordinalidade,
detectanclo estmturas entre os indicadores. Os itens de uma
medida composta podem ter diferentes illlellSidades em termos
cia variavel. As tres descri~oes seguintes de procedimentos de
escalonamento ilustram a variedade de tecnicas disponfvcis.
£scala de Distoncia Social de Bogardus
Um bom exemplo de escala e a Escala de Distlincia
Social de Bogardus. Suponha que voce queira saber 0 quanto OS
respondentes estao dispostos a se relacionar com albaneses.
Pode fazer as seguintes perguntas a eles.
1. Voct: ddxaria albaneses momrem no seu pals?
2. Voce dcixaria albancscs morarem na sua comunidacle?
3. Voce deixaria albaneses morarem na sua vizinhan\;a?
4. Voce deixaria um albanes morar ao !ado de sua casa'
5. Voce deixaria seu filho (sua filha) se casar com um albanes?
As perguntas estao em ordem crescente de proximiclade do
contato que os respondentes podem querer ou nao com albancses.
Come\=ando com a inten\=aO original de medir a clisposi\=i'io de
se relacionar com albaneses, clesenvolvemos varias questoes
indicando diferentes graus de intensidade nesta variavel.
As claras diferen\=as de intensidade sugerem uma estrutura
entre os itens. Presumivelmente, respondentes dispostos a aceitar
uma especie de associa~ao estariam dispostos a aceitar rodas
as associa\=6es precedentes na lisra, isto e, as com menores int~~­
sidades. Por excmplo, quem dcixar albaneses morar na viZI-
nhan~a certamenre os aceitara na sua comunidade e na sua
na\=aO, mas pode ou nao aceit:i-los como vizinhos pr6xim~s ou
parentes. Esta e a estrutura 16gica da intensidade inerente aos ttens.
Empiricamente, esperamos encontrar que a maioria dos
respondentes aceita a co-cidadania c a minoria aceira o ca~a­
menro. Falamos, nesse sentido, de "itens faccis" (co-cidadama)
e "itens diffceis" (casamento). Mais respondentes concordam
com o S l·rens faceis
, . com os diffceis. Com algumas exce~oes
do que
·d,,e
inevt.a 1 ,·s a 16gica ex.tge que, quando os respondentes
_ recusam
uma a.Ss ociariio
..- apresentada na escala, tambem recusam todas
as mais diffceis que se seguem.
A Escala de Disrancia Social de Bogardus ilusrra a economia
de escalonamento como um dispositive de redu~ao de dados.
Se soubermos quantas associa~oes com albaneses um respon-
dente aceitaria, saberemos quaisassocia~oes aceitaria. Um unico
numero pode resumir precisamente cinco ou seis respostas de
sun>ey sem perda de informa~ao.
fscalas Thunfone
Muitas vezes, a estrutura inerente da Escala de Distancia
Social de Bogard us nao e apropriada para a variavel sendo
medida. Na verdade, esta estrutura 16gica entre varios indica-
da res raramenre e aparente. 0 escalonamento de Thurstone
procura desenvolver um formato para gerar grupos de indicadores
de uma variavel com pelo menos uma estmtura empfrica entre
eles. Um formato basico eo de "intervalos aparentemente iguais".
Da-se a urn grupo de "jufzes" talvez cem itens, que se
acredita serem indicadores de alguma variavel. Pede-se a cada
um para estimar com que for\=a cada item e indicador da variavel,
atribuindo escores de, por exemplo, 1 a 13. Se a variavel for
preconceito, pecle-se aos jufzes para marcar 1 para os inclicaclores
mais fracos de preconceito, 13 para os mais forres e numeros
intermediaries para os que estiverem entre eles .
Depois de os jufzes terminarem a tarefa, cxaminam-se os
escores que atribufram a cada item, para cleterminar quais itens
produziram mais acordo entre eles. Os itens sobre os quais
eles mais discordaram sao rejeitados como ambfguos. Sele-
ciona-se, entre os itens que produziram acorclo geral, um ou
mais para representar cada escore da escala de 1 a 13.
Os itens assim selecionados sao inclufdos no questionario.
Espera-se que quem parecer preconceituoso em itens com for~a
S _parece preconceituoso nos itens com menor for~a; tambem
nao se espera que quem nao parecer preconceituoso nos itens
com for~a 6 nao o parece em itens com maiores inrensidades.
d Se os itens da Escala Thurstone forem adequadamenre
d esenvol~idos e ponderados, aparecera a economia e a eficacia
~ redu~ao dos dados inerentes a Escala de Distilncia Social de
( g~rdus. Um unico escore pode ser atribufdo a cada respondente
~cetra a for~a do item mais diffcil), e este escore represenraria
a equadamente as respostas a v:irios itens do questionario.
Como aconrece com a escala de Bogardus, urn respondente com
escore 6 pode ser considerado mais preconceituoso do que um
que recebeu escore 5 ou menos.
0 escalonamenro de Thurstone e raramente usado em
pesquisas de survey hoje, principalmente devido ao enom1e gasto
de energia requerido no "julgamento" dos itens. Varios (talvez
dez ou quinze) jufzes rem que gastar um tempo consideravel
atribuindo escores aos muitos itens iniciais. Ja que a qualidade
do julgamento depende da experiencia com e do conhecimento
da variavel consiclerada, a tarefa pode requerer pesquisadores
profissionais. Alem do mais, os significados dos varios itens
que indicam uma certa variavel tenclem a mudar com o tempo.
Portanto, um item que recebe um cerro peso num momenro
pode ter urn peso bern diferente mais tarde. Uma Escala Thurstone
teria que ser perioclicamente atualizacla para ser efetiva.
fscalonamento de Guflman
Uma tecnica de escalonamento muito popular hoje foi
desenvolvida por Louis Guttman. Como as escalas de Bogardus e
Thurstone, o escalonamento de Guttman baseia-se no faro de
que alguns itens podem ser indicadores mais "difkeis" cia variavel
do que outros. Quem aceita urn item diffcil tambem aceita os
mais faceis. Se tal estrutura aparecer nos dados examinados,
podemos dizer que os irens formam urn Escalade Guttman. Um
exemplo deve ser suficienre.
No exemplo anterior descrevendo a medic;ao cia orientac;ao
cienrifica entre professores de uma escola de meclicina, foi cons-
trufdo um fndice simples. Como veremos, os tres itens do fndice
formam essencialmente uma Escala de Guttman. Esta possibili-
clade aparece quando procuramos indicadores relativamente
'·diffceis" e "faceis" cia orientac;ao cientffica.
0 item que perguntava aos respondences se eles servi-
riam melhor como clfnicos ou pesquisadores e 0 mais diffcil
dos rres; se este fosse o unico indicador cia variavel, s6 cerca
de u m terc;o deles seria consideraclo cienrffico. Se o item sobre
principal interesse medico (tratamento completo ao paciente
versus mecanismos basicos) fosse usado como unico indicador,
quase dois ter<;os seriam consideraclos cientfficos. A prefe-
rencia de leitura (efetividade do traramento versus argu-
mentos) e o mais facil; cerca de 80% dos enrrevistados
seriam considerados cientfficos neste item.
TABHA 8-2
Escolonamento do oriento~<io cientifico
Preferencia Principal Popel Numero de
de Leitura Interesse Academico Casas
+ + + 116
Ti pos de
+ + 127
esca las:
Total= 383 + 92
48
Tipos + 18
mistos: + + 14
Total= 44 + 5
+ + 7
Para determinar se ha uma estrutura escalar entre as res-
pastas aos tres itens, clevemos examinar os varios paclroes de
respostas possfveis aos tres itens simultaneamente. Na Tabela
8-2 , todos OS padroes possfveis Sao apresentados de forma
csquematica. Para cacla urn clos tres itens, sinais positivos e
negativos foram usados para indicar respostas cientfficas e nao-
cientfficas, respectivamente. ("Mais" indica resposta cientffica,
"menos" resposta nao-cientffica.)
Os primeiros quatro padroes de resposta cia tabela
formam o que chamamos tipos de escala - os padroes que
formam uma estrutu ra escalar. Seguinclo os responclentes que
selecionaram toclas as tres respostas cientfficas (linha 1),
vemos que os com apenas duas respostas cientfficas (linha 2)
optaram pelas duas mais faceis; aqueles com apenas uma
resposta cientffica (linha 3) optaram pela mais facil clas tres.
Finalmente, os enrrevistados que nao optaram por respostas
cie ntffi cas estao na linha 4.
A segunda parte cia tabela apresenta os paclroes de
respostas que violam a estrutura escalar clos itens. Os dois
ultimos padroes de resposta sao os que saem mais cia estru-
tura escalar: os que s6 aceitaram o item mais diffcil e os que
rejeitaram apenas o mais facil.
A (lltima coluna cia tabela indica o numero de respon-
dences no survey, em cada padrao de resposta. :E imediatamente
~vidence que a grande maioria (90%) deles se encaixa num clos
~tpos de escala. Mas a existencia de tipos mistos indica que os
Jtens nao formam uma Escala de Guttman perfeira.
f ~ Neste ponto, precisamos lembrar que uma das principais
unc;oes do escalonamento e a reduc;ao eficientc dos dados. As
escalas provem uma tecnica de apresentac;iio sin6ptica dos
 TMHh 8-3
dados e, ao mesmo tempo, mantem o maximo possfvel cia Escores de indice e escala
informa~ao original.

Quando os irens de orienta~ao cientffica formaram um £scores £scores Total de

Podroes de Numero de
fndice, em nossa discussao anterior, os respondenres rece- de de frros de
beram um ponto no fndice para cada resposta cienrffica que Resposfos Cortoes
indice fscolo bolo
forneciam. Se os mesmos rres itens forem ponderados como + + + 116 3 3 0
Escala de Guttman, alguns respondenres receberiam escores + + 127 2 2 0
Tipos de
diferentes dos recebidos no fnclice. Eles reccberiam escores Escalas: + 92 1 1 0
de escala que permitiriam uma reproclu~ao mais exata das 48 0 0 0
respostas originais a toclos os tres itens.
+ 18 1 2 18
Quem se encaixar nos tipos de cscala reccbe os mesmos 14 2 14
Tipos + + 3
escores que recebe na consrru~ao do fnclice. Por exemplo,
Mistos: + 5 1 0 5
as pessoas que ciao toclas as tres respostas cientfficas recebem + + 7 2 3 7
escore 3. Note que, se soubermos que a lgucrn neste grupo
*Nolo· fslo lobelo opresenlo um melodo comum para se ponderor "lipos mislos", mas o leilor dm sober
recebeu um escore 3, poclemos precisamente predizer que
que oulros melodos lombem soo usodos.
elc escolheu toclas as tres respostas cientrficas. Para as
0 grau com que um conjunto de respostas empfricas
pessoas na seguncla fileira cia tabela, a atribui~ao do escore forma uma Escala de Guttman e determinado pela exatidao
de escala 2 nos levaria a predizer exaramente respostas com que as respostas originais podem ser reconstrufdas a
cientfficas aos dois itens mais faceis e resposta nao-cientffica partir dos escores de escala. Para cada um dos 427 respon-
ao mais cliffcil. Em cacla um dos quatro tipos de escala, dentes do exemplo, prediremos tres respostas, com um total
podemos predizer exatamente as resposras reais claclas por de 1.281 previsoes. A Tabela 8-3 indica que faremos quarenta
todos os respondenres. e quatro erros usando os escores de escala atribufclos. A
Entretanto, OS tipos mistos na tabela sao um problema. porcentagem de previsoes con·etas c o coeficiente de reproduci-
bilidade, ou seja, a porcentagem de respostas "reproduzfveis".
0 primeiro tipo misto (- + -) recebeu escore 1 no fndice para
No exemplo, o coeficieme de reproducibilidade e de 1.237/ 1.281,
indicar apenas uma resposta cientffica. Se Ihe for atribufdo o ou seja, 96,6%.
escore de escala 1, porem, predirfamos que todo mundo neste
Exceto para o caso de reproducibilidade perfeita (100%),
g rupo escolheu apenas o item mais f5cil ( + - -), fazendo em
nao temos como afirmar, de forma absoluta, se um grupo de
conseqliencia dois erros por respondente. Os escores de itens forma ou nao uma Escala de Guttman. Virtualmente,
escala sao atribufdos, porranro, para reduzir os erros na todos os conjuntos de itens desse tipo aproximam-se de uma
reconstru~ao das respostas originais. A Tabela 8-3 ilustra os esca la. Como regra geral, coeficientes de 90% ou 95% sao os
escores de fndice e de escala que seriam atribufclos a cada padroes comumente usados para determinar se hii ou nao
padrao de resposta no nosso exemplo. uma Escala de Guttman. Se a reproducibiliclade observacla
Como mencionei antes, a pondera~ao original do fndice cxceder 0 nfvel que voce estabeleceu, provavelmente voce
para os quatro tipos de escala seria manrida na consrru~iio deciclirn ponderar e usar os itens como uma escala:~
cia Escala de Guttman e nao seriam cometidos crros na repro- Urn comentario final sobre a Escala de Guttman. Ela e
du~ao. das respostas dadas aos tres itens. Os tipos misros hascacla na estrutura observacla entre os dados reais que esliio
seriam ponderados diferentemente, na tentativa de reduzir sob exame. Este ponto imponante e freqlientemente mal com-
preencliclo pelos pesquisadores. Nao faz sentido clizer que
os erros. Mas note que um erro e cometiclo para cada respon-
um conjunto de itens de questionario (talvez desenvolvido e
clente nos tipos mistos. No primeiro tipo misto, predirfamos
usado anteriormenre por outro pesqu isaclor) constitua uma
erroneamente uma resposta cienrffica ao item mais facil para Escala de Guttman. Poclemos apenas dizer que os itens formam
cada um clos dezoito entrevisrados cleste grupo, com um total Luna escala dentro do corpo de clados que est:.l scndo analisado.
de dezoito erros.
Portanto, a escalabilidacle e uma questao empfrica, dependence
cia amostra. Se um grupo de itens formar uma Escalade Guttman
numa amostra, nao ha garantia de que fom1ariio tal escala entre
os respondentes de outra amostra. Entao, itens de questionario
em si, e por si s6s, nunca formam uma escala, mas sim um
conjunto de observa~oes emplricas.
Tipologias
Conclufmos este capitulo com uma breve discussao cia
analise e constru~ao de tipologias. Lembre que Indices e escalas
sao construfdos para forn ecer medidas ordinais de variaveis.
Tentamos atribuir escores de fndice ou esca la aos respon-
dences, de modo a indicar um grau crescente de preconceito,
religiosidade, conservadorismo, e assim por diante. Nestes
casas, estamos lidando com dimensoes Cmicas. Em contraste,
tipologias sao multidimensionais.
Muitas vezes voce quer resumir as interse~oes entre
duas ou ma is dimensoes. Por exemplo, examinanclo orienta~oes
polfticas separaclameme, em termos de remas domesticos e de
polftica exre rna.
lhBELA 8-4
Umo tipologia politico
Mitudes para com a Politico Atitudes para com a Politico Externo
Domestica Conservodor liberal
Conservodor A B
Liberal ( 0
A apresenta~ao 2 x 2 cla Tabela 8-4 descreve esra tipologia.
As pessoas na celula A da tabela sao conservadoras em polftica
externa e polftica clomesrica; as na celula D sao liberais em
ambas. Os responclentes nas celulas B e C sao conservadores
numa questao e libe rais na outra.
Freqi.ientemente, ao tentar consrruir urn fndice ou uma
escala , voce chega a uma tipo logia. Os itens que voce achou
que representavam uma Ctnica va riavel parecem representar
duas. Nesse exemplo, voce podia estar temando consrruir
urn fndice Ctnico das atitucles polfticas, mas clescobriu -
1 ente- que as polfricas exrerna e clomesrica tin ham
emp 1. ncan
.
de ser mantidas separadas.
Voce deve estar conscience cia dificulclacle inerente a ana-
hse upo lo'gica. Sempre que a tipologia
. . _ for usacla
, como a .vari-
, .
ewe1rnc, r le•nefldente '
provavelmente nao havera problemas. No
·ma voce pode compurar e apresentar as porcenta-
exemp1o acl • , .
gens d e Pesso as em cada celula que d1zem que normalmente
vor:un n 0 Partido Democrata. Assim, voce _ , pode , . facilmente
,
examl ' ·nar os efeitos das atitudes em rela~ao as pohtJcas clomes-
rica e externa no comportamento e leitoral.
Mas e diffcil analisar a ripologia como variavel depen-
dente. Se quiser descobrir por que os enrrcvistados caem
nas diferentes celulas da tipologia, voce tera problemas. Isto
fica aparente ao considerannos as maneiras pelas quais se
pode construir e ler as rabelas. Por exemplo, su.ponha qu~
voce queira examinar os efeitos do sexo sobre at1tudes poll-
ticas. Com uma dimensao Ctnica, voce poderia facilmente deter-
minar as porcentagens de homens e mulheres classificaclos
como conservadores e liberais no seu fnclice ou escala. Entre-
tanto, com uma tipologia voce teria que apresentar a distri-
bui~ao dos homens em sua amostra entre os tipos A, B, C e D.
A seguir, teria que repetir o procedimento para as mulheres
e comparar as duas distribui~oes. Suponha que 80% das
mulheres sejam classificadas como tipo A (conservadoras
nas duas dimensoes), comparados a 30% dos homens . Alem
disso, suponha que apenas So/o das mulheres sejam classifi-
cadas como tipo B (conservacloras apenas em rela~ao as ques-
toes domesticas), comparaclos a 40% dos homens. Seria
incorreto concluir, de um exame do tipo B, que os homens
sao mais conservadores em assuntos domesticos do que as
mulheres, ja que 85% clas mulheres, comparados a 70% dos
homens, tem essa ca racte rfstica. A cscassez re lativa de
mulheres classificadas como tipo B se deve a sua concentra~ao
no tipo A. Ve-se que e muito cliffcil uma interpreta~ao de ta is
daclos em areas nao descritivas. Voce provavelmente acabar:i
cxaminando as duas dimensoes polfticas separadamente,
especialmente se as variaveis tiverem mais categorias de
respostas do que no nosso exemplo.

ThBHh 8-5
Nove estilos de vida omericonos
Nome Descri<oo Tipico
Estilo de vida sobrevivente Muito pobre; baixa educa<;fto; muitos idosos;
muitos doemes.
Estilo de vida sustentador A beira da pobreza; frequememente encontrado
nas favelas urbanas.
Estilo de vida penencente Classe media tradicional
Estilo de vida emulador Lutando para crescer financeiramente; ambicioso;
geralmente jovem.
Estilo de vida conquistador Bem-sucediclo na profissao e nos neg6cios; a
imagem do sucesso americana.
Estilo de vida eu-sou-eu Filhos de conquistadores, renuncianclo ao sucesso
tradicional em busca de um novo esrilo de vida.
Estilo de vida experimental Jovem, educado, bem-sucedido, pessoas mais ou
menos mfsticas que ciao grande impottincia a
questoes imernas.
Estilo de vida socia lmcnte Consciente Pessoas bem-sucedidas, maclu ras, influentes,
preocupadas e ativas nas areas de conscientizas;ao
e responsabilidacle social.
Estilo de vida integrado Pessoas psicologicameme macluras que possuem
preocupas;oes internas e externas integradas.
FONIE- Adaplada de /1\IICHEll, Arnold. The Nine American lifeslyles. New York: W
arner Books, 1983. p.4-24.
Uma tipologia mais complexa, desenvolvida por Arnold
Mitchell e colegas do Instituto de Pesquisas de Stanford, a
tipo!ogia Valores e I!.Stilos de Vida (VAEV), rem atrafdo bastantc
aten~ao, especialmeme nos drculos de marketi11g• Se os ameri-
canos podem ser agrupados ou separados em tennos de muitas
variaveis (sexo, idade, ra~a, educa~ao etc.), a pcsquisa de
Mitchell sobre varias variaveis demograficas e atitudes sugeriu
a possibilidade de identificar a maioria deles com um dos
nove estilos de vida apresentados na Tabela 8-5.
Como Mitchell e outros demonstraram, as pessoas iden-
tificadas com os nove principais estilos de vida rem padroes
de consumo bem diferentes, sugerindo que um determinado
procluto pode ser anunciado de maneira efetiva entre alguns
estilos de vida e nao entre os outros. Vendas de Cadillacs
provavelmente nao serao altas entre os sobrevivenres, nem
as vendas de rifles entre os socialmente consciences. Alem
disso, os pesqu isaclores que usaram o modelo VAEV puclcram
identificar areas geograficas oncle se concentram certos cstilos
·c1 w rnando possfvel, por exemplo, usar mala direta,
de VI _a, d apenas nos CEPs com maior probabilidade de
anuncwn o
a ra um detenninado procluto .
ven d as P
Apesar das tipologias apresentarem problemas espe-
. . a analise de survey, o modelo VAEV demonstra
ctats para • ,
• n1o devem ser rotalmenre abandonadas. E clara que,
ue
q 'l·e 1as • . . l"cl ,
instancia voce deve proJetar e construtr mec t as
em u uma • . . . ,,
indices escalas ou upologtas - , apropnadas as
composta S - • .
necessiclades da sua pesqlllsa.
Resumo
Este cap itulo abordou a 16gica e a constru~ao de Indices
e escalas. As tecnicas descritas sao comuns na analise de
survey e extremamenre valiosas. Boas medidas compostas
como indices e escalas o ferecem as seguintes vantagens:
1. Onde indicadores (micos (por cxemplo, respostas a um
item de questionario) podem produzir uma medida
tcndenciosa da variavel em questao, uma medida com-
posta a partir de varios indicadores difcrentes podc climi-
nar o efcito de vies.
2. Medidas compostas permitem maior amplitud<.: de vari-
a~ao cia variavel. Enquanto um un ico item dicotomico
fornece apenas dois niveis de inrensidade Cpor exemplo,
alto e baixo), a combina~ao de cinco itcns r<.:sulta na cri-
ac;:ao de um indice ou escala variando de um baixo 0 ate
um alto 5. Uma medida composta adequadamentc cons-
truida da maior poder explicativo a analise.
3. Escalas podcm prover uma eficienre tecnica para redu-
zir dados. Urn conjunto extenso de respostas de questio-
nario pode ser resumido na forma de um unico escore de
escala, scm perder muito da informac;:ao original.
4. Tipologias fomeccm classificac;:oes multidimensionais, que
frcquentememc sao eficazes como variavcis independenws,
mas problematicas cnquamo variavcis dependentes.
Notas
1
0 exemplo, inclusive as tabelas, foi tirado de BABBlE, Earl. Science
and M orality in Medicine. Berkeley: Un iversity of California Press, 1970.
' St: voc~ tivt:r dificuldadc para enwndcr as tabdas aprescntadas ncstt:
capitulo, consulte o Capitulo 14, que trata cia con~tru(ao e interpreta(.:ao
de tabelas. ·

3
A decisao wbrc os criterios a usar a este re~peito ..:>, claro, arbitraria. Um
alto grau de reproducibilidade niio assegura que a e~cala con~trukb de fato
Coleta de Dodos
me\a o conceito em questao, embora aumeme a conflan(a de que todo~
os itens medem a mesma coisa. Um alto coeficiente de reproducibilidade
e mais provavel quando menos itens estiverem envolvido:..

• MlTCI!ELL, Arnold. Tbe Ni11e America11 Lifesz>•les. New York: Warner CAPilULO 9
Books, 1983.
QU£SJIONARIOSAUlO-ADMINISlRADOS
CAPilULO 10
Leituras Adicionais SURVEYS POR £NlR£VISlAS
LAZARSFELD Paul F., ROSENBERG, Morris (Ed.). Tbe Language
ofSocial Researcb. New York: Free Press, 1955. se~ao 1. CAPitULO 11
OPPENHEIM, A. N. Questionnaire Design and Attilude PROC£SSAM£Nl0 DOS DADOS
Measurement. New York: Basic Books, 1966.
SELLTIZ, Claire eta!. Researcb Me/bods in Social Relations. New CAPilULO 12
York: Holt, Rineharr & Winston, 1959. cap.lO.
PRE-HSHS £ tSlUDOS-PILOlO

Os quatro capltulos d a Parte 3 abordam os varios as-

pectos cia coleta de clado s de sw vey. Examinaremos as ativi-
dades que resulta m num co rpo d e dad os para ana li se e
cons iderare mos as decisoes q ue voce precisa to ma r em
rela~ao as o p\;6es disponfveis.
Os Ca pftulos 9 e 10 foca lizam as tecnicas de coleta de
dados usadas em q uestionarios auto-administrados e surveys
por e ntrevistas, respectivamente. 0 Capitulo 10 considera
as e ntrevistas cara a cara e as feitas por telefone.
0 Cap itulo 11 trata dos diferentes mctodos usados na
co nversao dos questionarios completos em dados quantita-
tivos manipulaveis. Tambem estudaremos alguns metodos
novos, compuradorizados, que criam arquivos de dados a
medida que vao sendo coletados.
0 Capitu lo 12 considera um componente da pesquisa
de survey profissional freqlientemente esquecido: estudos-piloto
e pre-testes. Discutiremos as diferentes tecnicas que voce pode
usar pa ra testa r os varios aspectos do descnho de pcsquisa,
antes de comprometer muitos recursos, e investigaremos como
voce pode avaliar os resultados desses testes.
 Capitulo 9

Question6rios Auto-Administrado~

Os Capitulos 9 e 10 discutem como pesquisadores de

survey realmente coletam dados para analise. Depois de cons-
rruir um questioml.rio apropriado aos objetivos de pesquisa,
voce precisara d istribuir c6pias do quesrionario a sua amostra
de respo ndences. Este capitulo considera as tecnicas para
clistribuir questionarios auto-aclministrados; o Capitulo 10
aborda os surveys por entrevisras.
Apesar do swvey pelo correio sera forma tfpica de pes-
quisa auto-administrada, ha varios metodos adicionais. Em
alguns casos, e conveniente administrar o questionario a um
grupo de respondences reunidos num unico local ao mesmo
tempo. Por exemplo, um survey de estudantes cursando Intro-
du~;ao a Psicologia pode ser feito duranre a aula. Estudantes do
ensino medio podem ser questionados durante 0 intervalo
clas aulas.
Recentemente tem sido feitas expcriencias com a entrega
domiciliar de questionarios. Os pesquisadores entrcgam os
quesrionarios nas residencias dos respondenres e explicam
a pesquisa; o quesrionario e deixado para ser respondido e
depois recolhido pela equipe da pesquisa.
A entrega domiciliar e o correio podem ser usados juntos.
Em 111Uitas partes do pals, o censo dos Esrados Unidos e feito
assim. Os questionarios sao enviados pelo correio as famflias;
depois um enumerador do censo visita a resiclencia para
recolher o questiom'irio e verificar se foi responclido complc-
tamente. Usando 0 metodo oposro, OS pesquisadores entregam
os questionarios em maos pedindo que o entrevistado o envie
Pelo correio, quando respondido, para o escrit6rio da pesquisa.
 No geral, a VISJta do pesquisado r, na entrega do
questionario, ou na coleta, ou ambos, parece produzir uma taxa
maior de questionarios respondidos do que quando se usa
apenas o correio. Mais experimenta~ao com este metodo
provavelmente levara a tecnicas adicionais para aumentar 0
numero de questionarios rcspondidos a cusro reduzido.
0 resto deste capitulo dedica-se aos surveys pelo correio,
a forma mais comum de survey auto-administrado.
Distri bui ~ao e Retorno de Correspondencia
Metoda Basico
0 metodo basico para a coleta de dados pelo correio e
enviar o questionario acompanhado de uma carta de explica~ao
e do envelope de retorno. 0 entrevistado completa o questiom1rio
eo devolve ao escrit6rio da pesquisa pelo correio, usando o
envelope fornecido para isto.
Metoda alternative
Em alguns casos, este processo pode ser ainda mais
facilitado pelo uso de um questionario autopostiiuel. 0 ques-
tionario e feito de tal modo que o endere~o do escrit6rio da
pesquisa e a postagem estejam impresses no envelope. Ap6s
completar o questionario, ele pode ser deixado no correio sem
necessidade de envelope.
Entretanto, voce deve p lanejar com cuidado o uso cleste
metodo, porque o correio rem exigencias especiais sobre a
forma clos materiais que podem ser postados. Question:irios,
em particular, precisam ser selados de uma certa maneira. A
selagem pode ser feita de va rios modos. Se o questionario
for impressa na forma de livreto, pode-se fazer uma capa
com tres dobras em vez de duas. Assim, a contracapa rem
uma dobra extra, presa com fita adesiva. Quando o questionario
e enviado pelo con·cio, a dobra a mais e posta na parte de tras.
Ap6s responder o questionario, o respondente pode clcsdobrar
a conrracapa, umedecer o adesivo e envolver o livrero com ela.
Se o endere~o do escrit6rio eta pesquisa e a posragem ja
estiverem impressas na dobra extra, o questionario pode ser
colocado direramcnre no correio para retorno.
Esre metoda simplifica a devolu~ao, pois nao c necess:.lrio
incluir envelope de retorno. 0 respondence nao podera perder
o envelope de retorno scm tambem perder o questionario. Esta
uestionario rem o atrativo adicional do "valor de
forma de q
. edo" Ate cerro ponto, os respondenres podem querer
bnnqu · , . .
tar questionano para bnncarem com a contracapa.
comPle 0
Se nao for passive! produzir uma capa com dobra tripb,
. ~ pode afixar fitas adesivas ao livreto. Em vez de uma
\ oce . , . A d f.
dobra envolvendo o quest10nano, voce po e usar uma Ita
menor para sela-lo.
Enfim, voce pode pedir aos respondences para fechar~m
e selarem o livrero, talvez usando ~m grampea_d?r ou !1ta
, desiva. Este metodo e um pouco arnscado, por vanas razoes.
1
Primciro, for~a r os entrevistados a terem mais trabalho pro-
vavelmente reduz a taxa de resposta. Na h?ra, eles pode~1
nao te r n ada com que selar o envelope, de1xar para depo1s
e eve ntualmente, esquecer de remeter o questionario. Alem
dlsso , a variedade de metodos de selagem que os entrevista-
dos podem inventar provavelmente atrasa o processamento dos
questionarios retornados. (Ja recebi questionarios selados com
cola , selos, clipes de papel e barbante.) Tambem, muitos res-
pondences nao seJam OS envelopes e VOCC pocle ter clificulcla-
des para recebe-los pelo correio.
Definitivamente, questionarios autopostaveis rem muitas
vantagens em tennos de facilidade, economia e taxa de resposta
obtida, mas devem ser planejados e pre-testacies com cuidado.
Alem disso, e vital que todos os modelos experimenta is sejam
esclarecidos com os correios.
Op~oes Postais e Custos Relatives
Ao fazer uma pesquisa pelo correio, voce tem varias
ops;oes para remeter e receber os questionarios. As tarifas
posta is mudam constantemente, por isso voce deve checa-las
durante o p lanejamento cia pesquisa e reservar fundos extras
para este fi m, se houver atraso para chegar ao campo.
0 Correio deve ser procurado, ames de come~r a pesquisa,
para informas;oes sobre custos e modalidades de postagem.
Facilidacles e dificu ldades de cada moda lidade de pasta-
gem, depenclendo do tamanho cia amostra, cia sua abrangencia
territorial e das restris;oes de tempo devem ser pesaclas e
balanceadas, em relas;ao aos fundos de que voce dispoe.
Selos e CartesResposta Comerciais
Ha duas ops;oes basicas com relac;;:ao a postagem de
•etorno para os questionarios. Voce pode fixar selos no envelope
ou no q uestionario autopostavel, ou imprimir uma autoriza\ao
de posragem, como nas carras resposra comerciais. Os pcsquisa-
dores rem opinioes divergences com relac;ao aos meritos destes
dois metodos.
A au~orizac;ao de c~r~as resposta e similar a autorizac;ao
cia mala cltreta porque e 1mpressa na correspondencia em
vez do selo de postagem. (Contare os correios para saber
sobre maiores exigencias de formaro.)
Monitorando os Retornos
A postagem de quesrionarios prepara o palco para uma
arividade que pode ser mu ito valiosa para a pesquisa. A
medida que os quesrionarios rerornam, nao sente preguic;o-
samente na cadeira - fac;a um registro cuidadoso dos clados
merodol6gicos.
Uma ferramenta inestimavel e um grafico de taxa de
retorno. Marcamos como Dia 1, no grafico, o clia em que os
questionarios sao enviados; cada clia depois, marcamos no
grafico o numero de quesrionarios retornados. Como esta e uma
atividade menor, geralmeme e melhor fazer dais graficos. Um
deve mostrar o numero de questionarios retornados a cada
clia, subindo e depois descendo a meclida que mucla o
n u mero de retornos. 0 outro cleve informar 0 numero OU a por-
cemagem cumulativa de rerornos. Em pane, e uma ativiclacle
gratificante que !he cia uma imagem cia coleta de dados bem
s ucedicla. 0 mais imporrante e que eles servem como guia de
como esta indo a coleta de dados. Se voce p lancjar fazer
co rresponclencia de acompanhamento, o grafico cia dicas de
quando tais correspondencias devem ser enviadas. (As daras
de correspondencias subseqi.ientes devem ser anoradas no
grafico.)
Assim que os questionarios retornarem, devem ser abe1tos,
examinados e numerados. Os numeros devem ser atribuidos em
Serie, a medida que OS questionarios retornam, mesmo se
outros numeros de identificac;ao (ID) ja tiverem sido atribuiclos.
Este procedimemo tem muiras vantagens, como ilustram esses
dois exemplos.
Suponha que voce esreja esruclando as opiniocs sobre
um politico. E tambem que, no meio cia coleta de clados, ele
seja preso traficanclo drogas. Conhecenclo a data clesra infor-
mac;ao e quando os questionarios foram recebiclos, voce
poderia determinar os efeitos clesra informac;ao.
Outra vamagem dos numeros seriados de ID e scu valor
em ajudar na esrimativa de vieses de nao-respostas no swvey.
Alem de outros testes mais clireros de vies, voce pocle supor
que os respon~emes que nao responcleram o questionario
sao mais parec1dos com os que clemoraram a responder do
que com os que responcleram pronramente. Uma analise de
quesriom1rios recebiclos em diferentes mementos cia coleta
de dados pocle ser usada para esrimar vieses na amostra.
Po r exemplo, se as medias das notas informadas por ~tlunos
reduzirem-se constantemente durante a coleta de dados, com
05
que responderem rapidamentc mostrando medias mais
altas do que os que responderem mais tarde, voce pocle concluir
que quem nao respondeu teve notas mais baixas ainda.
Apesar de nao ser aconselhavel fazer esrimarivas estatisticas de
vieses desta maneira, voce pode aproveitar estas estimarivas
aproximadas.
Se os respondentes tiverem sido identificaclos para COITes-
ponde ncias de acompanhamento, as preparac;oes para elas
devem ser feitas a medida que os questionarios rerornam. 0
estudo de caso que apresentamos mais tarde neste capitulo
discutira este processo com ma is detalhes.
Correspondencias de hcompanhamento
A literatura metodol6gica sabre correspondencias de
acompanhamento mosrra que elas sao um metoda efetivo
para au mentar as taxas de retorno nos surveys pelo correio.
Em geral, q uanta mais tempo os emrevistaclos em potencial
gastarem para resp onder, menor e a p robabilidacle de eles
responderem. Portanto, as correspondencias de acompanha-
mento e nviadas na hora certa sao um estimulo adicional para
o envio da resposta .
. Os efeitos das correspondencias de acompanhamento sao
VIStas nas curvas de taxas de resposras registradas durante a
coleta de dados. As correspondencias iniciais sao acompanhadas
por uma subida e subseqi.ieme queda dos retornos, e as corres-
p ond ~ · de acompanhamento trazem novas subidas de
enctas
~etornos. Na pratica, trcs correspondencias (a original e duas
e acompanhamemo) parecem ser o mais eficiente.
d~ . "E·lmportame o momenta de envio destas correspon-
~nc, as. A literatura metodo16gica oferece guias menos pre-
Clsos. ' mas minha expenencm·~ . d'1z que duas a rres semanas e
um tntervalo razoave - 1 entre as correspondencias. (Esre perfoclo
~~de. ser acrescido de alguns elias se o tempo de correspon-
ncla - para e de - for mais do que dois ou tres elias.)
 Fazer varios surveys em seqUencia numa mesma populac;ao
ajucla a clesenvolver cliretrizes mais especfficas em rela\ao as
correspondencias de acompanhamento. Uma vez, o Escrit6rio
de Pesquisas de Survey cia Universiclacle do Havaf fez varios
surveys com estuclantes, e puclemos aprimorar consicleravelmen-
te nosso proceclimento de envio e reenvio de correspondencia.
Na verdacle, encontramos um padrao consistente de retornos
que nos pareceu transcencler a cliferen\a de conteudo dos
surveys, cia qualidade do instmmento etc. Duas semanas depois
cia primeira postagem, aproximadamente 4CY>/o do~ questionarios
re tornaram; duas semanas depois do primeiro acompanha-
mento, mais 20% chegaram; e duas semanas ap6s o (Iitimo
acompanhamento, chegaram mais 10%. Nao podemos supor
um padrao similar em surveys de populac;oes diferentes, mas
este exemplo mostra o valor de se rabela r cuidadosamente
as taxas de retorno para cada survey feito.
As correspondencias d e acompa nhamento podem ser
administradas de varias maneiras. A mais simples e enviar
aos que nao responderam uma carta de encorajamento a
participar. Um metodo ainda melhor c mandar nova c6pia do
questionario junto com a carta de acompanhamento. Se os
respondentes em potencial nao tiverem retornado os questio-
narios ap6s duas ou tres semanas, ha uma g rande probabili-
dade de OS questionarios nao terem chegado OU terem sido
perdiclos. Receber uma carta de acompanhamento pode
encorajar os respondentes a procurarem o questionario original,
mas se ele nao for encontrado facilmente, a carta pode ir para o
lixo. (As taxas d e respos ta relatadas an tes fora m obtid as
quando se enviou questionarios adicionais.)
Se os indivfcluos na amostra do s111vey nao forem identifi-
cados no questio nario, sera d iffcil reenvia-lo apenas para
quem nao respondeu. Neste caso, voce deve enviar a corres-
pondencia de acompanhamento a todos os membros iniciais
cia amostra, agradecendo os que ja participaram e encorajan-
do os outros a faze-lo. (0 caso de pesquisa nan·ado mais tarde
oeste capitulo descreve outro metodo que pode ser usado nwn
su rvey anonimo pelo corre io.)
Demos muita aten\ao as maneiras de aumentar as raxas
de respostas nos surveys pelo correio. Numa pesquisa recente,
por exemplo, Richard]. Fox e colegas 1 fizeram uma revisao_de
oitenta e dois surveys cujos desenhos inclufam testes de dtfe-
rentes tecnicas para aumentar a taxa de resposta, e fizeram al-
gumas descobertas consistentes. Por exemplo, patroCIOI~ , · de,
universidade parece aumentar taxas de resposta. Tambem e
importante o numero de contatos com os responclentes. Ajucla
ram b e-111 enviar uma carta prev1a avisando o envio de um
· ario e um cartao de acompanhamento. Usar postagem
quest~on •. ra classe nos envelopes de envio pode produzir taxas
de prune1 ' .
mais altas de respostas do que as malas d1retas que
um pouc0 . ·d~ .
a maquina de postagem do corre1o, mas as ev1 enc1as
Passam n, . c b ~
· nao
a respelto ' sao consistentes. Os autores miormaram tam em
'que a cor do questionario pode afetar as taxas de resposta
(verde e melhor que branco).
Taxes Aceitavei s de Resposta
uma pe rgunta que novos pesquisadores de survey fa-
zem freqOentemente se refere a porcentagem cia tax~ de re-
torno qu e d eve ser alcanc;acla num survey pelo corre1o. ~~le
a pena repe tir que a estatfstica inferencial usada na analise
do survey presume que todos os membros cia amostra inicial
irao completar e retorna r seus questionarios: Como isto quase
nunca acontece, o vies d e resposta se torna uma preocu-
pa~ao; voce deve testar (e torcer para) a possibiJidade, ~e OS
respondentes serem essencialmente uma amostra aleatona da
amostra inicial e, portanto, uma amostra aleat6ria um pouco
menor cia popula~ao total. 2
Mesmo assim, a taxa geral de resposta e um guia cia repre-
sentatividade dos respondentes na amostra. Alcanc;ar uma alta
taxa de respostas resulta em chance menor de vies de resposta
significative do que uma bai.xa taxa de respostas. Mas o que c
uma alta taxa de resposta?
Uma rapida revisao da lite rarura de survey mostra uma
ampla varia~ao de taxas de resposta. Cada taxa pode vir acom-
panhada de uma afirma~ao como "Esta e consideracla uma
taxa de resposta relativamente alta para um survey deste tipo".
(Um senador americana fez esta declarac;ao sobre uma pesquisa
de constituintes cuja taxa de retorno foi de 4%.) Apesar da
grande variedade nas taxas de retorno e das rea~oes a elas,
podemos te r algumas regras basicas.
Uma taxa de resposta de pelo menos 50% e geralmente
considerada adequada para analise e relat6rio. Uma taxa de
resposta d e pelo menos 60% e considerada boa, e uma taxa
de 7CY>/o ou mais e muito boa. Mas estas sao regras mdimentares,
sem base estatfstica, e uma falta de vies de resposta demons-
trada e muito mais importante do que uma alta taxa de resposta.
Os artigos nos volumes de 1988 da American Sociological
Reviewe da Public Opinion Quarterrycomun1caram vinte e seis
taxas de respostas de surveys com uma media de 69%. 3

Ao computar taxas de resposm, a pn1tica aceita e omitir
os question:irios que nao pucleram ser entregues. No relat6rio
metoclol6gico, voce cleve inform:u o tamanho cia amostra
inicial e subtrair 0 numero clos que nao puclcram ser entregues
cleviclo a encleret;os errados, mortes e coisas assim. 0 numero
de questionarios completes e entao clividido pelo tamanho
lfquido da amostra para calcular a taxa de resposta. 0 resultado
e que a taxa de resposta sera realmeme uma medida do seu
sucesso em persuadir os membros cia amostra a participarem;
voce nao deve contar contra si mesmo os membros cia amostra
que nao conseguiu contatar.
Embora este procedimento seja a prauca aceita, voce
deve conhecer a suposi~ao 16gica sobre a qual ele se baseia
- os questionarios nao entregues representam uma amostra
aleat6ria da amostra inicial. Claro, este pode nao ser o caso. As
pessoas cujos questionarios nao puderem ser entregues sao, pelo
menos, provavelmente mais m6veis do que as outras, e mobili-
dade pode estar relacionada a muitas outras variaveis. Os me-
lhores guias a inda sao os testes de vies para a falta de respostas.
Urn Coso de Pesquisa
Os muitos passos a dar na administra~ao de um
survey pelo correio podem ser mais bem-compreendidos atra-
ves de um estudo de caso. Portanto, conclufmos o capitulo
com a descri~ao detalhada de um survey feito com estuclan-
tes cia Universidade do Havaf. Como voce vera, a pesquisa nao
representou o ideal te6rico de tais pesquisas, mas ela serve
muito bern para nosso prop6sito agora.
Sele~ao do hmosha
0 clesenho e a sele~ao cia amostra para esta pesquisa
foram apresentados como um estuclo de caso no Capitulo 6.
Lembre que cerca de 1.100 estuclantes foram selecionados a
parti r do caclastro cia universidade, atraves de um procedi-
mento de amostragem estratificado e sistematico. Para cada
estuclante selecionaclo, o computador imprimiu seis etique-
tas adesivas para correspondencia.
Quando a equipe cia pesquisa esmva pronta para dis~ri­
buir o question:irio, percebeu que o orpmento cia pesqUtsa
era insuficiente para as correspondencias para tocla a amos-
tra de 1.100 estudantes, porque os custos de impressao dos
srionarios foram mais altos do que o esperado. Por isso,
que · - · d as euquetas
foi feita uma amostra ststemattca · d e d ots
· ter~os
da amostra, produzinclo uma sub-amostra com 770 estudantes.
Cartoes postais
Decidimos que o survey seria an6nimo, esperando enco-
raja r respostas mais francas a algumas perguntas mais sensf-
veis. (Surveys subsequences sobre os mesmos temas com a
mesma popu la~ao mostraram que o anonimato era desne-
cessa rio.) Portanto, OS questionarios nao teriam a iclentifi-
cat;ao dos estuclantes. Ao mesmo tempo, esperavamos que
os custos clas correspondencias de acompanhamento pocliam
ser reduzidos, insistindo apenas com os que nao respondessem.
Desenvolvemos um metodo especial de cartao postal
para alcan~a r ambos os objetivos. Cada estudante recebeu urn
questionario sem identifica~ao e um cartao postal endere~ado
ao escrit6rio da pesquisa, com uma das etiquetas de postagem
do esruclante fixaclas no verso. A carta de aprcsenta~ao pedia
aos estudantes que completassem e remetessem o questio-
nario - assegurando o anonimato - e, simultaneamente,
remetessem o cartao. 0 recebimento clos cartoes indicaria que
eles haviam retornado os questionarios, sem identificar qual
questiomhio era de quem. Este proceclimento facilitaria entao
o envio clas correspondencias de acompanhamento.
Questionari o
0 questionario de trinta e duas paginas foi impresso
no formato de livreto (jato-offset e grampeado). Uma capa de
trcs dobras, descrita antes, permitia o retorno do questionario
sem necessiclade de envelope adicional.
Carta de hpresen ta ~ ao
Uma carta apresentando a pesquisa e seu prop6sito
foi imp ressa na capa do livreto. Ela explicava por que a
pesqu isa estava senclo feita (saber como os estuclantes se
semiam com rela~ao a varios assumos), como eles tinham sido
~lecionados, a importancia de cada um responder e a medi-
ntca de retorno do questionario.
Assegurou-se aos estuclantes de que o estudo seria
an6nimo, e foi explicacla a l6gica do metodo do cartao postal.
Seguia uma declara~ao com rela~ao ao patrocfnio cia pesquisa e
 um numero .de telefone para quem quisesse mais informaro,
(cerca d e cmco esrudanres ligaram.)
~ es.
Imprimindo a carta de apresenta~ao no questiona ·
· d no
a equtpe a pesquisa eliminou a necessidade de anexar um~
cana separada no envelope, simplificando a tarefa de montar
as correspondencias.
Montagem das Correspondencias
A. montagem do material para a postagem inicial seguiu
os segumtes pass~s: (1) uma etiqucta de endere~amento para
ca?a estudante fo1 colada no cartao postal; (2) outra etiqucta
f01 colada num envelope comercial para a remessa; (3) em
ca~a. envelope foram colocados um cartao postal e urn questi-
onano, checando se o nome no cartao postal era o mesmo do
envelope.
A montagem foi feita atraves de um procedimento de
linha de ~ontagem, envolvendo os varios membros cia equipe
cia pesqutsa. Apesar de o procedimento tcr sido organizado
com antecedencia, foi necessaria uma certa prarica antes de
encontrar a melhor aloca~ao de pessoas nas tarefas. Vale
notar que houve um atraso para trocar os envelopes por
outros maiores, o que teria sido evitado se o processo de manta-
gem tivesse sido feito antes.
Postagem
A distribui~ao dos questionarios foi preparada para
ser feita por mala direta. Depois de par os questionarios nos
envelopes, eles foram agrupados por CEP, separados em
pacotes e entregues nos correios.
Recep,ao dos Question6rios Retornados
Logo ap6s a postagem inicial, questionarios c canoes
come~aram a chegar ao escrit6rio cia pesquisa. Os questio-
narios foram abertos, lidos cuidadosamente e receberam
numeros de identifica~ao como descrito anteriormente.
Mas o processamento dos canoes posrais mostrou um
deslize no desenho cia amostra. Voce deve Jembrar, cia dis-
cussao anterior sabre o desenho cia amostra (Capitulo 6),
que a distribui~ao final clos cstudantes na moldura cia amos-
tragem foi feita atraves do numero do Segura Social, assim
fornecendo uma quase estratifica~ao, por rcgiao de origem.
por ·sso
1 ,
as etiquetas de postagcm foram impressas ncsta
dem (por estrato de classe). Mas os numeros do Segura
or . . . _
Social nao foram 1mpre sso~ nas ettquetas, porque tsso nao
, relevante para a pesqutsa.
er••
Tendo um carrao postal com um nome e um endere~o,
foi muito diffcil localizar as etiquetas correspondentes entre
as resranres nas varias folhas impressas pelo computador.
~ssim, foi precise retirar todas as etiquetas das fo lhas
impressas e po-las em ordem alfabetica. Deste t~odo, loca -
li zar a etiqueta de um cerro estudante podw ser fe1to com um
minima de esfor~o. (Nota: As etiquetas podiam ter sido
impressas em ordem alfabetica desde o inicio, se este proble-
ma rivesse sido antecipado.) Para cada cartao recebido, procu-
ravam-se as etiquetas daquele estudante e elas eram destrufdas.
Correspondencias de ~companhamento
Ap6s duas ou tres semanas, as etiquetas de postagem
restantes foram usadas para organizar as correspondencias de
acompanhamento. Foram repetidos os procedimentos de
montagem descritos, com uma exce~ao. Foi incluida na corres-
pondencia uma carta de apelo preparada especialmente. A
nova carra dizia que muitos estudantes ja tinham retornado
seus questionarios e que era muito importante que todos o
fizessem. A carta tambem dizia que os cadastros do escrit6rio de
pesquisa podiam estar errados e, se os estudantes ja tivessem
retornado os questionarios, deviam ignorar aquela corrcs-
pondencia e aceitar os agradecimentos pela ajuda. Sc nao
tivcssem ainda participado, eram encorajaclos a faze-lo.
Essa correspondencia de acompanhamento estimulou
os retornos, como esperaclo, e os mesmos procedimentos
de regisrro foram segu idos. Os cartoes foram usados para
destruir as etiquetas adicionais de postagem. Infelizmente, as
pressoes financeiras e de tempo tornaram impassive! a remessa
de uma terceira correspondencia, como tinha sido planejado
originalmente, mas as duas correspondencias enviadas resulta-
ram numa taxa de resposta de 62%.
Resume
_ Este capitulo abordou as bases da coleta de daclos atra-
ves de questionarios auto-aclminisrrados. Precisamos fazer
duas observa~oes.
 Primeira, acredito que tais quest6cs corriqueiras sao vitais
para a pesquisa cientffica de alta qualidade. 0 pesquisador
que acreclita que a qualidade de urn projeto de pesquisa e
Capitulo 10
fun~ao unicamente de capacidacles analfticas e te6ricas csta
muito enganado. Um desenho de pesquisa brilhante executado
impropriamente resultara em fracasso. Nenhum detalhe e
pequeno ou corriqueiro demais para ser ignorado.
Segunda, a cronica deralhada de um survey pelo cor-
reio, com todos os seus problemas, deve trazer a tona a impor-
tancia dos pre-testes e estudos-piloto relacionados a todos os
aspectos do desenho cia pesquisa. Somente testes avan~ados
podem revelar problemas que poclem evenrualmente afundar toda
uma pesquisa. Surveys Par £nt revistas
Notes
1
FOX, Richard)., CRASK, Melvin R., KIM, ]onghoon. Mail S111vey Respon~c
Rates. Public Opiniou Quaterly, v.52, p.467-491, inverno 1988.

2
Para um exame mais dctalhado de vie~es de nao-resposta, ver 0 Capitulo 9 focalizou os questionarios auto-aclministrados;
DONALD, Marjorie N. Implications of Nonrcsponse for the Interpretation este capitulo apresenta metodos alternatives para a coleta dos
of Mail Questionnaire Data. Public Opinioll Quaterly, v.24, n.l, p.99-l14, dados. Nos surveys por entrevistas, em vez de pedir aos res pan-
1960, e BROWNLEE, K. A. A Note on the Effects of Nonresponse on
dentes para lerem o questionario e escreverem as respostas, os
Surveys. joumal oftbe Americall Statistical Associalioll, v.52, n.277, p.29-
32, 1957.
entrevistadores perguntam oralmente e anotam as respostas. A
entrevista e feita em encontros cara a cara ou por telefone. Este
3 Alguns artigos informam mais de uma amostra (c taxa de respo~ta), e capitulo discute OS dois metodos de entrevistas.
um par deles se rdere a tecnicas de teste visando melhorar taxas de
resposta.

Leituras Adicionais
DILLMAN, Don A. Mail and Telephone Surveys: The Total Design
Method. New York: John Wiley & Sons, 1978.
FOX, Richard]., CRASK, Melvin R., KIM, Jonghoon. Mail Survey
Response Rates. Public Opillion Quarter~y, v.52, p.467-491,
inverno 1988.
lmpodancia do Enhevistador
Ha varias vantagens em ter um questionario aplicado por
entrevista clores, em Iugar de responclido pelos pr6prios
respo ndentes. Surveys por entrevistas tem em geral taxas mais
altas de resposras do que os pelo correio. 1 Um survey por entre-
vista adequadamente desenhado e executado cleve conseguir
uma taxa de respostas de pelo menos 80 a 85%. Parece que os
respondenres relutam mais em despachar um entrevistador na
porta de suas casas, ou mesmo ao telefone, do que em jogar
fora um questionario que veio pelo correio.
. A presen~a de um entrevistador geralmente reduz a quan-
ttdade de "nao sei" e "sem resposra". Sea minimiza~ao de tais
respost
. as e- 1mportante
· para a pesquisa, o entrevistador pode
ser tnstrulclo a buscar respostas. ("Se tivesse que escolher uma
das respostas, qual voce acha que se aproximaria mais clos
seus sentimemos?")
 Os enrrevistadores tambem podem evitar confusoes com
os itens do quesrionario. Se o enrrevistado nao entender a
inten\=ao da pergunta ou indicar que nao a entende, o enrrevis-
tador pode clarear o assunto e assim obter resposras relevanres.
(Entretanto, tais explica~oes devem ser estritamente controladas
atraves etas especifica~oes formais que discutiremos depois
nesre capitulo.)
Finalmente, o entrevistador pode obse!Var enquanro faz
as pergunras. Por exemplo, um entrevisrador cara a cara pode
anotar a ra~a do entrevistado se esta pergunra for considerada
muiro delicada. Observa~oes similares podem ser feiras em
rela~ao a qualidade da residencia do respondente, a posse de
certos bens e outras informa~oes. Mesmo por relefone, os entre-
vistadores podem perceber o domfnio da lfngua pelo
respondente, rea~oes gerais a pesquisa etc.
Num survey por entrevista de estudantes, eles receberam
um pequeno questionario auto-administrado, relative a atitudes
e compo1tamemos sexuais, para completar durante a entrevista.
Enquanto o estuclante completava o questionario, o enrrevistador
fazia anota~oes deralhadas com rela~ao aos cuidados pessoais
e roupas do entrevisrado.
Popel Neutro do fntrevistador
A pesquisa de survey e, por necessidade, baseada numa
reoria irrealisra de cogni~ao e comporramenro de estfmu/o-
resposta. Deve-se presumir que cada pergunta e cada resposta
significam exatamente a mesma coisa para rodos os respon-
dences . Apesar de o objetivo ser impossfvel, as pergunras sao
preparadas para se aproximarem 0 maximo desse ideal.
0 entrevistador tambem precisa se ajusrar a essa sirua~ao
ideal. Sua presen~a nao deve aferar a percep~ao que o respon-
dente tem da questao, ou da resposta. Po1tanro, o entrevistador
devera serum meio neutro, arraves do qual perguntas e respostas
sao transmiridas.
Se isso for feito, diferentes entrevisradores obrerao
exaramente as mesmas resposras do mesmo entrevisrado. A
neutralidade do entrevisrador rem imporrancia especial nos
survryscara a cara, no domicflio do entrevistado. Para econo-
mizar tempo e dinheiro, um enrrevisrador e designado para
todas as entrevisras numa dererminada area geografica - um
quarteirao ou um bairro. Se ele fizer qualquer coisa para aferar
sras obridas, o vies decorrenre podera scr interpretaclo
as reSpo
ma caracterfstica da area esrudada.
como U
suponha que um survey cara a cara csteja sendo feiro
dir atitudes com rela~ao a moradias de baixo cusro,
para lne
•11·udar a escolher o local de um novo programa habita-
para ' c • •
donal do govcrno. Um entrev1stador des1gnado para um cerro
bairro pode, por gestos ou palavras, comunicar seu desgosto
com financiamentos a moradias de baixo custo. Os enrrevis-
tados podem, entao, render a dar resposras concordando com
a posi\ao do enrrevistador. Os resultados do survey indicariam
que os residences desta vizinhan~a resistem forremente a cons-
rru\ao das moradias em sua area.
Em alguns surveys, a compatibilidade racial - rentar
compatibilizar a ra\=a/ ernia de enrrevisrados c entrevistadores
_ pode ser recomendavel. Numa analise secundaria dos
Estudos sobre as Elei~oes Nacionais de 1964 a 1984, Anderson,
Silver e Abramson2 descobriram que os entrevisrados negros
tinham maior p robabilidade de expressar sentimentos de calor
e proximidade em rela~ao a brancos, quando eram enrrevistados
por brancos, do que quando eram entrevisrados por negros.
Os aurores ate sugeriram que uma aparente mudan~a na hosri-
lidade de negros contra brancos, entre 1976 e 1984, podia ser
atribufda a u m aumenro no numero de entrevistadores negros.
Reese e colegas3 relataram que a ernia rem um impacro similar
no caso de entrevisradores e entrevistaclos hispanicos.
Estes exemplos real~am a imporrancia cia neutralidadc
do entrevistador no processo de coleta de dados e a dificuldadc
de alca n~a-I a compleramente.
Regras Gerais para f nhevistar
A maneira de conduzir as enrrevisras depencle, de cerro
modo, eta popula~ao e do conteudo do survey. Mesmo assim, c
possfvel sugerir diretrizes gerais que se aplicam a maioria das,
se nao a toclas, situa~oes de entrevisras.
Aparen cia e Comportamento
Como rcgra geral, os emrevisraclores devem se vestir
c~mo as pessoas que vao entrcvistar. Um enrrevistador vestido
ncamenre provavelmcnre ten:i dificuldade em obrer cooperas;ao
e boas respostas de entrevistados nmis pobres, e um mal vestido
tcra dificuldades semelhantes com emrevistados mais rices.
IIavendo diferen~a entre o trato e as roupas do emrevis-
tador e do emrevistado, ela deve ser na direr;ao da limpeza ,
simplicidade e modcstia. Mesmo nao sendo aceitas par rodas
as camadas sociais, a limpeza e a simplicidade da classe media
cominuam sendo as normas basicas com maier probabilidade
de sercm aceitas pela maioria dos entrcvistados.
Roupas e trato sao sinais tfpicos das atitudes e orientac:ees
de uma pessoa. Uma jovem usanclo jaqueta de couro preta,
betas de engenheiro c tatuagem de caveira na testa certa-
mente comunicara - correra ou incorretamente - que e
antiauroritaria politicamente, sexualmeme permissiva, fisicamentc
agressiva, a favor clas clrogas, e assim par diante. Possivelmenre,
nao obrera respostas francas em rela~ao aos !Iell's Angels ou a
roqueiros punk.
Apesar de rema cia aparencia ser o mais 6bvio no case
clas entrevistas cara a cara, lembre rambem que comunicamos
identiclade arraves da fa la. Os entrevistadores por telefone nao
esrao isentos dessas preocupa~oes . Consiclere esras introdw;oes
(nao recomendadas) a cntrevisras relefonicas:
Oi, escuta s6 essas perguntas e responda. Deu pn1 entender?...
Ei, to falando com voce.
Olha af, tenho que te fazer algumas pergunws, ta legal, c eu
preciso de, olha af, mais ou menos, pegar suas rcspostas, tii
legal? bto nao e demais, cara?
Bom, estou fazendo uma pesquisa de survey, e isto af. E
preciso de suas respostas pra ganhar uma grana.
Quanta a comportamento, entrevistadores clevem ser pelo
menos agradaveis. ]a que vao xeretar a vida pessoal e as arirudes
dos emrevistados, clevem comunicar um interesse genufno em
conhece-las sem parecerem espioes. Enrrevistaclores devem ser
relaxaclos e amigaveis sem serem casuais demais ou impo1tunos.
Uma clas capacidacles narurais mais importantes para enrrevis-
tadores e a de encontrar logo 0 tipo de pessoa com quem 0
emrevistado se sentira mais a vontade; em outras palavras, o
tipo de pessoa com quem o entrevisraclo gostara mais de
conversar. Ha dais aspectos com relar;ao a importancia de um
comportamemo agradavel. A entrevisra rera mais sucesso se 0
entrevistador conseguir ser o tipo de pessoa com quem o
·srado se senre mais a vontade. Ao mesmo tempo, como
entrevl
se pede aos entrevistados para gastar seu tempo dando infor-
-es pessoais sabre si mesmos, eles merecem a cxperiencia
mar;0 . .
. . "gradavel que o autor cia pesqu1sa c o entrevtstador
n1::t iS •' •
pude rem lhes proporcionar.
fam iliaridade como Questionari o
Se os entrevistadores nao estiverem familiarizados com
0
questionario, a pesquisa sofrera e sera posto um peso injusto
sa bre 0 entrevistado. A entrevista provavelmente tamara mais
tempo do que 0 necessaria e, em geral, sera incomocla. 0
entrevistado r nao conseguira familiaridade passanclo os olhos
no questionario duas ou tres vezes. Ele cleve ser estuclado
cuidadosamente, pergunta por pergunta, e o entrevistador
precisa praticar sua leitura em voz alta. (0 treinamento do
entrevistad or sera discutido com ma is detalhes mais tarde
neste capitulo.)
0 entrevistado r deve poder ler os itens do questionario
sem e rrar nem gaguejar nas frases e palavras. Um bom guia
para entrevistadores e o estilo de um ator lenclo as falas num
filme. Elas clevem ser liclas naturalmente, como se fizesscm
parte de uma conversa natural, mas a conversa tem que acom-
panhar exatamente o fraseado do questionario. 0 entrevistador
nao deve tenta r memorizar o questionario.
Do mesmo modo, o entrevistador deve estar familiarizado
com as instru ~oes que acompanham o questionario. Inevitavel-
menre, alguns itens nao se ajustarao exatamente a situa~ao
de algu m entrevistado, surgindo a duvida de como rais
pergunras devem ser interpretadas numa determinada situa~ao.
As instru~oes fornecidas ao entrevistador devem orienta-to
adequadamente em casas como este, mas o entrevistador deve
estar suficientemente fam iliarizado com a organiza~ao e o
comeudo clas instru~oes para usa-las eficientemenre. E melhor
deixar uma pergunra sem resposta do que gastar cinco minutes
~rocura ndo esclarecimentos e/ ou tentando interpretar as
mstrw;oes relevantes.
Seguindo fxatamente a Reda~ao do Questao
de . ° Capftulo 7, que discute a conceitua~ao e a construr;ao
mstrumenros, mostrou o efeito cia reclac;ao da pergunra
b
sorea resposta o b tida. Portanto, uma pequena muclan~a de
reda~ao pocle levar o entrevistado a responder sim ao inves de
nao. Voce pode redigir as pergunras cuidadosamente, visando
obter a informa~ao que precisa, assegurando-se de que os emre-
vistados imerpretarao os itens de forma apropriada, e clepois
ver seu trabalho jogado fora se os entrevistaclores fizerem as
pergunras com suas pr6prias palavras. 1
Reg ishando as Respostas de Maneira fxata
Sempre que os questionarios tiverem perguntas aber-
tas, ou seja, perguntas pedindo a propria resposta do entre-
visrado, e muito importanre que o enrrevistador anote as
respostas exatamente como foram faladas. Nao se deve tenrar
resumir, parafrasear ou corrigir erros de gramatica. A res-
pasta deve ser escrita exaramente como foi dada.
Registra r as resposras de maneira exata e especialmente
importante porque o entrevistador nao sabe como as respostas
serao codificadas antes de serem processadas; voce pode nao
perceber isro ate ter a oportunidade de ler cem ou mais respos-
tas. Por exemplo, o questionario pocle perguntar como os
entrevistaclos se sentem com relar;ao a siruar;ao do rrfmsito em
suas comunidades. Um entrevistado pode responder que ha
muiros carros nas ruas e que deveria se fazer algo para limitar
cssa quantidacle. Outro pode cl izer que ha necessidacle de mais
ruas. Se o entrevistador resumi-las como "trafego congestionaclo",
voce nao pocleria aproveitar as importantes cliferenr;as entre as
respostas originais.
Algumas vezes um entrevistaclo e tao desarticulado que
a resposta fica ambfgua clemais para pennitir interpretar;ao, mas
o entrevistaclor e capaz de entencler a inrenr;ao cia resposra atra-
ves dos gestos ou tom de voz do responclente. Neste caso, a
resposta exata cleve ser anotacla, e o entrevistador cleve acres-
cenrar comentarios a margem, clanclo sua interpreta~ao e as ra-
zoes para cia.
De modo geral, e Lltil ter comentarios marginais expli-
cando os aspectos cia resposta nao transmiticlos verbalmente,
como a aparente incerteza, raiva, embara~o etc. do entrevisrado
ao dar a resposta. Em cada caso, a resposta verbal exata deve
ser registrada.
Sondando Respostas
Algumas vezes, os entrevistados respondem uma per-
gunta inapropriaclamente. Por exemplo, a pergunta pode
a presentar uma declarar;ao e peclir que o entrevistado
··concorde fortemente, concorcle mais ou menos, discorde
mais ou me nos, ou cliscorcle fortemente", e o entrevistado
pode responder "acho que e verda de". Neste caso, voce cleve
completar esta resposta perguntando "Voce cliria que
co ncorda jortemente ou concorda mais ou menos?" Se
necessaria, pode explicar que foi instrufclo a marcar uma cles-
sas categorias. Se o entrevistaclo se recusar peremptoriamenre a
escolher, voce cleve aceitar sua decisao polidamenre e escrever a
resposta exatamente como dada por ele.
Soncla r respostas e, mais comumente, necessaria para
obter respostas a pergu ntas aberras. Por exemplo, face a
pergunta previa sobre concli~oes de trafego, o entrevistado pocle
dizer "muito ru im". 0 entrevistador pode conseguir uma
resposta nmis e laborada de varios modos. Algumas vezes, o
melhor e o si!encio; se o entrevistaclor se senta calmamente
com o lapis em posir;ao, o entrevistado provavelmente acres-
centara alguns comentarios. (Esta tecnica e muito usada por
rep6rteres de jornais.) Boas sondagens verbais poclem ser "Como
assim?" ou "De que maneira?" Talvez a mais usada seja "Mais
alguma coisa?"
Fre qi..i entemente, o entrevistador precisa tornar as
res p ostas ma is informarivas, para prop6sitos analfticos.
Entretanto, em toclos os casas, e imperative que as sondagens
sejam comp letamente neutras. Nao se deve, de manei ra
alguma, afetar a resposta dada. Se voce antecipar que uma
pergunta pode necessitar sondagem para obter a resposta apro-
priada, deve fazer uma ou mais sugestoes, pr6ximas a pergunta
no questionario. Esta pratica rem duas vantagens. Primeiro, voce
tera- mats
· tempo para refletir e escolher a sondagem melhor e
mais neutra. Segundo, todos os entrevistadores farao a mesma
coisa, quando necessaria. Portanto, mesmo se a sondagem nao
for inteiramente neutra, todos os entrevistados estarao, pelo
menos, sujeitos ao mesmo estfmulo. Esta diretriz !6gica e a
tnesma discutida com relar;ao a reclar;ao das perguntas. Apesar
de Lima pergunta nao clever ser carregada ou tendenciosa,
todos os enrrev1stados
. devem pelo menos ser submetidos a
tnesma pergunra, mesmo uma tenclenciosa. .

Treinamento do £nhevistado r
A maioria dos surveys por entrevisras rcqucr va rios
enrrevistadores, e algum dia voce tera que treinar e super-
visionar uma equipe de entre\'istadores. Porramo, vamos discutir
o que esta envolvido neste trabalho.
Mesmo tendo uma equipe de emrevistadores inteligemes
e experiences, e essencial um curso de trcinamento dos emre-
vistadores.s Todos os surveys e questionarios diferem uns dos
outros, e os entrevistadores devem ser retreinados para cada
novo survey. 0 tempo gasto nisso dependc do escopo e cia
natureza do swvey e da experiencia relativa dos entrevistadores.
Uma pesquisa domiciliar grande usando uma combina\=50 de
entrevistadores experiences e inexperientes pode normalmente
exigir duas semanas de treinamento: uma semana de instru~ao
em aulas e ourra de pratica no campo. Para uma pesquisa curta
por relefone, os entrevistadores podem algumas vezes ser
treinados em uma ou duas sessoes longas a noitc.
lnstru~oes Gerais
0 treinamento deve comc\=ar com comentarios gerais
sabre a natureza do survey e seu prop6sito. Voce nunca deve
considerar os entrevistadores como automates que nao pensam
ou como tecnicos que podem ser instrufdos para executar tarefas
mecanicamente. Em geral, se os entrevistadores compreenderem
par que o survey esta sendo fcito e que cle c um empreendi-
mento importance, ser.1o mais cuidadosos e diligences no trabalho.
A descri\=ao geral deve inclui r o parrocinador do survey,
seu prop6sito basico e como a amostra de entrevistados foi
selecionada. Os entrevistadores tambem devem receber uma
descri~ao geral dos outros passes do survey, inclusive como o
questionario foi desenhado, como os dados serao processados
e analisados. Se eles entenderem onde se encaixam nesse pro-
cesso, provavelmente se sentirao mais integrados a equipe da
pesquisa e responderao de acorclo com esse sentimento.
Os detalhes administrativos devem ser explicados logo
no infcio. Quanta tempo durara a fase de entrevisras? Quanras
horas por semana deverao trabalhar os entrevisraclores? Quando
serao pagos? 0 entrevistador preocupado com estes detalbes
nao conseguir{t se concentrar nas minucias do questiom1rio.
~.
,v1 est110 se rodos os entrevistadores forem experiences, as
.- de rreinamento devem cobrir as diretrizes e regras
sessoes , , . . d
. d e entrevistar. E uul preparar um conJUnto e normas
enus e s . . .
g . ara distribuir e dtscuttr com os entrevtstac ores. 0 s mats
I .
gerats. P s frequentemente po d em cspect·f·tear a1gumas d as
expen ente .~ .
[ a ves de exemplos de expenencws passadas, c os
regras a r
·ao assim uma ideia melhor do que os espera numa
00 vatos tel
verclade ira entrevista.
fstudando o Questionario e as fspec i fica~oes
o s entrevistadores, o supervisor e/ou o d iretor do proje-
clevem percorrer todo o questionario passe a passo. Deve
to explicado o prop6sit_? de cada item e d"tscutt"d as. tod as as
ser
possiveis ambiguidades. E crucial que est~ parte do ~rema1~1cnto
seja conduzida de maneira informal, mats como dtscussao do
que co mo aula. Os entrevistadores que ~ao compr~e~der~m
urn determinado ponte devem ser encoraJados a pedtr tmedta-
tamente explica\=6es mais detalhaclas. Sua resposta nunca cleve
demonsrrar insatisfa\=ao, senao os entrevistaclores poderao
sentar-se em silencio, sem entencler bem o que se espera cleles.
0 exame do quesrionario deve incluir o estudo das espe-
cifica\=OeS. Voce cleve ler a pergunta e as categorias de repostas,
explicar a inten~ao cia perguma, descrever algumas situa\=oes
simples e a a~ao con·eta do entrevistador e, a seguir, descrever
algumas questoes mais complicadas, passar para a se~ao
correspondente das especifica~oes e mostrar como elas resol-
veriam cada situa\=ao.
A maior parte da discussao durante esta fase tamara a
forma de "0 que eu fa\=O se o entrevistado disser... ?" Onde for
apropriado, voce deve usar as especifica\=oes para mostrar como
a situa~ao pode ser resolvida. Enfim, deve-se descrever a fom1a
mais desejavel de lidar com a situa~ao. Os entrevistadores
devem saber exatamente como voce lidaria com a situa\=aO.
Mas esse assunto tem outro !ado. Frequentemente, surge
uma situa\=ao que voce nao pode resolver facilmente, cuja
ocorre ncia pode nao ter passado por sua cabe~a. e as especifi-
ca~oes nao falarao sabre ela. Nestes casas, nao tome decisoes
r.ipidas; em vez disso, prometa que a questao sera resolvicla
na proxima reuniao. Trabalhe, entao, para achar uma solu~ao
apropriada, dererminar como cia se encaixa na 16gica cla inten~ao
da perguma, e prepare-se para explicar sua 16gica. A solu~ao
deve ser explicada aos emrevistadores na reuniao seguinte, e
as especifica~oes atualizadas para leva-la em conta. 0 pior a
fazer e dar respostas arbitrarias, nftidas, sem o cuidado de
integra-las a 16gica geral cia pergunta e das cspecifica~oes. Tais
respostas vao se somando are os cnrrevistadores terem muitas
instru~oes espedficas para aprcnder, nao mais tendo uma
compreensao 16gica geral para guia-los nas pr6prias intcrpreta~6es.
fnsaie as fnfrevistas em Sola de hula
Depois de esrudar o questionario e as especifica~oes,
deve-se treinar a pratica de entrevistas. Para come~ar, deve-se
fazer cluas ou tres entrevistas na frente cia turma. 0 melhor
come~o c voce entrevistar um supervisor ou vice-versa. Como
estas entrevistas setvirao como modelos para os enrrevistadorcs,
clevem scr feitas precisamente de acordo com as instru~ocs ge-
rais e especfficas daclas antes. Se estivcr sendo entrevistado,
informe suas pr6prias condi~ocs e atitucles, ou assuma uma
identidacle fictfcia, mas consistente. Quando estiver entrevis-
tanclo, deve agir exatamente como em uma entrevista vercladeira.
Durante o ensaio cia enrrevista, as vezes algum fato cspe-
cffico precisara de explica~ao para a turma, mas isto nao deve
quebrar o clima de estar fazenclo uma entrevista verclacleira. Ao
fim de cacla entrevista, a turma clcvc ser encorajada a discuti-la,
fazer perguntas, c assim por cliante.
Depois das entrevistas de exercfcio em frentc a turma, os
entrevistadores devem ser emparelhaclos para ensaiar, cntre-
vistando um ao outro. Estas entrevistas nao p recisam ser fcitas
na frentc cia tu rma, devcndo ocorrer simultaneameme. Ande
pela sala, parando e escutando as entrevistas, mas na maioria
das vezes e melhor tomar nota c depois discutir as quesroes
com a tu rma ao fim cia sessao de exercfcio. Os entrevistadores
clevem ser reemparelhados e fazer mais exercfcios. Esta parte
do treinamento deve alternar a p ratica e a discussao.
fxercitando as fnfrevidas de Campo
Depois das instru~oes em sala de aula, os entre\'isradores
devem ensaiar entrevistas no campo, indo as casas das pessoas
ou telefonando para elas, dependendo do desenho cia pesquisa.
Esta parte do rreinamento deve ser exatamente como a sirua~ao
real. A designa~ao dos entrevistados e/ou enderc<;os deve ser
fcita como no survey real. Normalmente, o responsavel pela
sele<;ao da amostra fornece uma lista dos respondences niio
sclecionados para a amostra principal.
Os entrevistaclores clevem receber exatamente o mesmo
rnarena1 do survey real. Farao
. . contato
_ com os entrevisrados_e
enrrevisrarJo. (Os entrevtstados nao devem saber que estao
os d uma enrrevista de treino, isso impecliria todo o realismo
fazen o '
do exe rdcio.) Neste momento, os entrevistadores clevem
·rar roclos os proceclimentos administrative: preencher as
exerCI ·
rabelas de borarios, os registros etc. 0 ensaio ~a entrevist~ de
campo fomece um estudo-piloto de toda a opera\aO de entrev!Stas.
Normalmente, basta os entrevistadores ensaiarem cerca
de cinco entrevistas de campo, apesar de este numero pocler
variar de acordo com a natureza do survey. Um aspecto cia ope-
ra~ao de entrevistar pode ser moclificado no ensaio. No survey
real, os enrrevistaclores podem ter que fazer um numero mfnimo
especificado de visitas ao entrevistado, antes de clecidir que
ele nao esta "clisponfvel". Para facilitar OS ensaios, voce pode
omitir este aspecto. Para compensar, cada entrevistador deve
receber numero suficiente de endere~os para assegu rar que serao
fe itas entrevistas suficientes.
A meclicla que os e ntrevisradores terminam as entrevistas
de exerdcio, devem rever seu trabalho com o supervisor de
entrevisras. 0 supervisor deve percorrer todo o questionario
com cada emrevistador para localizar e cliscutir quaisquer pro-
blemas e responder novas pergumas q ue possam surgir. No
caso dos surveys por entrevista cara a cara, pode ser uma boa
ideia fazer os entrevistadores volrarem para relatar as cluas ou
tres primeiras e ntrevistas e depois retornarem ao campo para
completar o resto.
Apesar de normalmenre ser uma boa ideia estabelecer
um numero especffico de entrevistas de exercfcio para cada
enrrcvistador, a regra geral e que toclos os entrevistaclores
devem fazer tantas entrevistas de exercfcio quantas necessarias
para de monstrar que compreenderam completamente a tarefa
ou que p rovavelmente nao serao capazes de compreende-la.
Assim, a lguns entrevistadores poderao ter que fazer mais
e ntrevisras de exercfcio do que outros. Esta situa~ao c bem
~ceitavel , mesmo se as entrevistas de exercfcio subsequenres
t!verem que se superpor ao infcio das entrevistas verdadeiras.
E melhor alguns enrrevistaclores come~arem mais tarde do
que co me rerem erros durante as entrevistas cia amostra
final. Erros podem implicar rer que retirar os responclentes
entrevistados erroneamente, reentrevista-los, ou ajustar o
desenho cia amostra.

~ Ope ra~oo de Enhevistar
A opera\ao de enrrevistar deve ser organizada e contro-
lada tao cuidadosamente como a sessao de treinamento. Apesar
de os detalhes cia opera~ao variarem de survey para surl'ey,
podemos comentar alguns pontos gerais.
fquipe
0 numero de entrevistadores requeridos e determinado
com base no (1) numero de entrevistas a screm feitas, (2) tempo
media necessaria para cada entrevista, (3) tempo programado
para tocla a opera~ao de entrevistas e (4) numero de entrevista-
dores qualificados disponfveis.
Uma boa regra basica e determinar o numero requerido
com base nos pontos 1, 2 e 3 e entao recrutar e treinar duas
vezes este numero de pessoas. Durante o treinamento, muitos
candidatos desistirao voluntariamente; outros serao convidados
a desistirem. Geralmente, e melhor comepr a entrevistar com
poucos bons entrevistadorcs do que com muitos ruins; estes
custam mais dinheiro, usam mais tempo do supervisor c
prod uzem dados de pior qua lidade. Ap6s retirar os entrevis-
tadores ruins, voce deve iniciar as entrevistas verdadeiras
com mais entrevistadores do que tinha antecipado que
precisaria. Entrevistadores continuarao a desistir durante a
pesquisa, e outros serao convidados a deixar a equipe. Quase
semp re, a equ ipe de entrevistadores chega abalada ao final
cia opera~ao; se pede aos melhores para ficarem um pouco
mais, para o encerramento.
Alguns surveys precisam de mais de um supervisor.
Apesar de uma pessoa clever ser responsavel pela supervisao
de toda a opera~ao, ela pode receber assistencia de uma equipe
de supervisores. Como regra basica geral, basta um supervisor
para cada dez entrevistadores. Num grande survey por entrevistas
com varios supervisores, 0 responsavel por tudo nao de\·e
supervisionar os entrevistaclores. Ele tem trabalho bastante
aclministrando a logfstica cia opera~ao, coordenanclo com o
diretor do projeto, possivelmente recrutanclo e treinando mais
entrevistadores e, e cJaro, supervisionando OS supervisores.
~ fnhevi sta Verdade ira
Num survey domiciliar cara a cara, os entrevisradores
recebem os questiom1rios e uma lista dos endere\OS onde devcm
ntrevistas. Eles sao responsaveis por encontrar o
fazer as e .
bater na porta e se apresentarem. Se a entrevtsta for
endere~o. . ·ctA .
ode ser melhor conduzt-la na porta cia rest encta,
bem curta, P .. . .
. ualquer entrevista que eXtJa mats do que alguns mmutos
mas
, aisq bem-feita no domtct · ·t·to d o entrevtsta
· do. AI'em d e tornar
e m . . t ais faceis para o entrev1sta . d or, entrevtstar
. .
na rest-
as cotsas 11 '
· do respondente tambem proporciona mais privacidade.
dencta
Entrcvistas por telefone sao bem diferentes e variam
de acordo com os sistemas disponfveis para cada survey. Uma
entrevista por telefone pode ser bem semelhante a uma
entrevista domiciliar, com a diferen~a que o entrevistador
telefona para o entrevistado em vez de ira sua casa. Esta era
mais ou menos a situa~ao em 1973, quando este livro foi
escrito pela primeira vez.
Na atualidade, as entrevistas por tclefone evolufram muito,
principalmente devido as possibilidades oferecidas pelos
computado res. Conseqi.ientemente, o que era vista como
conveniente, mas ruim em termos de qualidade, se tornou uma
tecnica muito usada e bem aceita. Portanto, falemos um pouco
sabre o sistema ETAC - Entrevista por Telefone Assistida por
Computador.
lmagine-se usando um fane de ouvido de telefonista,
sentado em frente a um terminal de computador. Um computador
central seleciona aleatoriamente um numero de telefone e o
disca automaticamente. (Sele~ao aleat6ria evita o problema de
ligar para numeros que nao constam no catalogo.) A. medicla
que o numero esta sendo discado, sua apresenta~ao aparece
na tela do video a sua frente ("Aio, meu nome e... "). Quando o
respondente atende, voce diz alo, apresenta a pesquisa, e faz a
prime ira pergunta que aparece na tela: "Voce pode me dizer
quantas pessoas moram neste endere~o?"
Sempre que o entrevistado responde, voce digita a
res posta no teclado do termina l, seja a resposta literal a uma
pergunta aberta ou a categoria de c6digo correspondente a uma
resposta a uma pergunta fechada. A resposta e imediatamente
armazenada no computador central. A pergunta seguime
aparece na tela, voce a faz e a resposta entra no computador e
a entrevista continua.
Esta tecnologia nao e fic~ao cientffica e esta sendo cada
vez mais usada por pesquisadores de survey, academicos,
gdovernamentais ou comerciais. Boa parte do desenvolvimento
esra tecmca
- · para surveys ocorreu no Departamento de Pesquisas
de Swveycla Universidade cia California, em Berkeley, algumas
vezes em colabora\=ao com o Departamento de Agricultura dos
EUA e outros 6rgaos governamentais.
]. Merrill Shanks e Robe rt Tortora (1985, p.4) descre-
veram algumas das maneiras como eles integra ram os compu-
tadores ao processo de survey. Alcm do seu uso no ccnario
descrito acima, o computador e uma ferramenta valiosa nos
diferentes estagios do desenvolvimenro de qucstionarios:
esbo\=O, teste, revisao c formata~ao. Alem disso, a logfstica
do proccsso de cntrevistas (por exemplo, treinamenro, crono-
grama e sup ervisao dos entrevistadores) tambem pocle ser
gerenciacla por computador.
Shanks e Tortora vao alem do ETAC para falar ma is
geralmente sobrc metoclos de survey assistidos por computador.
Muitas das tecnicas discutidas com re lac;ao as entrevistas
telefonicas podem ser aplicadas as entrevistas clomiciliares
cara a cara. 0 desenvolvimento dos computadores portateis
pe rmi te aos entrevistaclores montarem um cscrit6rio na resi-
dencia do entrevistado, lendo perguntas cia tela e digitando
as respostas como clesc ri to acima. Alem disso, algumas
vezes e adeq uado usar computador para questionarios auto-
administrados. Em a lgumas situac;oes, pode-se peclir aos
entrevistados q ue sc assentem em frente a um terminal e
d igitem suas respostas as perguntas que aparecem na tela.
Supervisoo e Revisao
Deve-se estabelecer procedimentos para o relat6rio
reg ular dos entrevistadores ao diretor cia pesquisa ou aos
supervisores, no caso de um estuclo muito grande. Num survey
por entrevista ca ra a cara, talvez o melhor seja fazer uma
rcuniao regular, semanal, com cada entrevistaclor. No horario
marcado, o entrevistaclor apresenta toclas as entrevistas com-
pletas, repassa-as a voce, e recebe outros enclerec;os. 0 relat6rio
e muito mais simples no caso de entrevistas por telefonc, com
todas as entrevistas fe itas de um local central, mas se os entre-
vistadores usarem os telefones de suas casas, deve-se usar os
procedimentos mais elaboraclos que acabamos de descrever.
Voce pode iniciar perguntanclo e cliscutinclo problemas
ocorriclos nas entrevistas. Repasse cada qucstionario complero,
procurando ·respostas omiticlas, erros aparentes, rcsposras ile-
gfvcis e qualquer coisa mais que tome o questionario diffcil de
usar e interpretar. Procure tambem qualquer coisa que sugira
cnrrevisrador nao compreendeu a tarefa ou parte deJa.
0
c-1 a err0 deve ser mostrado e discutido. 0 entrevistador deve
qude
· . d euniao sabendo precisamente como a situac;ao devia
sa1r a r _
· ·c1 ·esolvida para o mesmo e rro nao ocorrcr novamente.
rer s1 o '
E bem razoavel que o supervisor altere as designa~oes e
. - s pa 1·a certos entrevistaclores, baseaclo em seus desem-
rensoe •
.1·n ·c ·ais
I
pen 1os 1 1 · Um entrevistador que
. estiver fazenclo um bom
A _
rrabalho pode receber mais entrev1stas para fazer e voce nao
rem que ser tao cuidadoso no controle do questionario com-
lew, na p resen\=a dele. Ao mesmo tempo, nao permita o
p
desenvo lvimento cl e um "[ • e
e elto e l1a
l !o" em re1 - aos
a\=ao
entrevistadores. Mesmo se um entrevistador fizer um trabalho
perfeito no infcio, continue a monitorar o trabalho dele.
Todos os questionarios completos clevem ser inteiramentc
revistos. Em alguns casos, csta tarefa pocle ser atribukla a edi-
tores especia is, mas nom1almente os supervisores devem fazer
a maior parte cia revisao, se nao tocla .
Redidribuindo fnhevi das
Os entrevistaclores clevem ser treinaclos quanta a impor-
tancia de completar as entrevistas clesignadas, clevendo estar
preparaclos, em alguns casos, para persuaclir entrevistados in-
clecisos a participarem . Contuclo, clevem ser avisaclos para nao
exagerarem nesta tentativa.
Freq Oentemente , um entrevistador telefona ou chega em
momenta inoportuno e e recusado pelo entrevistaclo, ou algo
com relac;ao a aparencia ou postura do entrevistaclor pode
levar a uma recusa in icial. 0 entrevistaclor nao deve for\=ar o
emrevistado a uma rejei\=ao perempt6ria; pode ser que um
telefo nema do sup ervisor para o entrevistaclo, para discutir
a pesquisa, ganhe sua coopera\=ao.
Alg uns entrevistadores sao mais bem-sucecliclos em
obter coopera\=ao do que outros. Sao capazes de estabelecer
me lho r e mais rapiclamente a rela\=ao com os entrevistados.
Ta!s pessoas sao identificaveis no transcorrer cia pesquisa
~ e aconselhavel clesigna-las para as entrevistas cliffceis. Se
ISto fo r fei to, sua eficiencia nao cleve ser julgada cia mesma
~a-ne i ra que a clos ou tros entrevistaclores, ja que entrevistas
tficeis levam mais tempo. Tambem pode ser con·eto pagar-
1
hes mais, baseado na dificuldacle cia tarefa e sua importancia
espec,a · 1 p a ra o survey.
Verifica(oo de £nhevistas sempre que alguem nao estiver dando cerro como
.·stador Jembre-se de que entrevistar exige habilidacles
Todas ou parte das entrevistas devem ser verificaclas pelo entre' 1, • ' .. . . _ . ..
eo;peCI" 1·,.
·,., 5 A falta clestas habil1dades mterpessoa1s nao Slgnlf!Ca
supervisor. Esta verifica~ao pode assumir varias formas. Como · a pessoa seJ·a clesqualificada para outras tarefas. Pode ser
que ,
checagcm minima, voce deve telefonar para 0 respondeme que uma pessoa seja u~ desastre total com~ enrrevistado~ e
idcnrificar-se e verificar se a entrevisra foi realmente feita. Un~ excdente em outra funs;ao no survey.? e.nrrev1stador eo pro]eto
procedimento mais rigoroso de ,·erifica<;ao c refazer algumas (}(.iem lucrar mais com uma transferencw de setor do que com
perguntas-chave e comparar as respostas com as relatadas no p d
:I :;imples em1ssao.
0 -

questiom1rio. Mas essa reenrrevista nao deve ser muito extensa

porque gasta seu tempo, o do entrevistado (ele ja deu tempo~
informa~ao voluntariamenre), e pode cleixar este preocupaclo
com o sigilo do survey.
Resume
Ha cluas razoes para verificar entrevistas. Alguns enrre- Este capitulo tocou de !eve em alguns dos imponantes
vistaclores poclem cometer erros honestos ao contatar os elementos cia ope ra~ao de entrevistas eficiente. A inten~ao dos
respondentes designaclos, especialmente com um desenho comcnt{irios nao foi treina-lo como supe1visor de entrevistas,
complcxo de amostra domiciliar; tambcm e possfvel discar 0 foi informa-lo sabre o que esta envolvido. Uma boa operas;ao
numcro errado. Outros entrevistadores simplesmente trapa- de entrevistas requer supervisores e entrevistadores cujos
ceiam. Voce nao deve presumir que toclos os entrevistaclores treinamento e experiencia elaborem muito nmis os pontos cobe1tos
irao religiosamente tentar conratar e entrevistar as pessoas desig- rao resumidameme aqu i.
naclas. Na verclacle, e raro o survey sem trapa~a. Alguns enrrevis- Ao mesmo tempo, o diretor do projeto deve ter uma fun-
tadores fazem apenas entrevistas rapidas e preenchem 0 ques- s;ao ativa no processo de entrevistas. Voce precisa saber o que
tionario baseado nelas. Outros s6 entrevistam os respondences esta envolvido para ajustar suas demanclas as realidades etas
mais convenientes. Outros completam questionarios tomando entrevistas no campo e estar numa posis;ao melhor para avaliar
uma cervejinha em casa. 6 o significado dos dados q u e receber. Como foi clito, sua
Semprc que descobrir trapap, voce deve acabar com ela, presens;a durante o processo de enrrevistas pode ter um
mas, ao mesmo tempo, deve tentar descobrir por que ela importance efe ito sobre a moral e a qua lidacle do trabalho
a ser execurado.
ocorreu. Voce poclera concluir, se voce for honesto consigo
mesmo, que a trapa~a se deveu em parte ao seu proprio manejo
cia opera~ao de entrevistar. Voce pocle ter exigido demais dos
Notes
1
Num·1 ·r
~ ana tse de taxas de resposta em 517 surveys, John Goyder
cnrrevistaclores, dado i nstru~oes ambfguas ou, simplesmente, conclutU que a d'f
• . t eren~a nas taxas de resposta entre os surveys por
dado a impressao de considerar o trabalho de campo abaixo cntrev1stas e 0 • f · .
c • . s euos pe 1o correto decresceram em 1empos n:centes
do seu status. Tais descobertas podem nao salvar o survey ja que as t hferen"'as a t . . .
ac " n enores eram pnmanamente fun\aO de um
ompanhament ·
em andamenro, mas podem ajuda-lo em outros surveys. . GOYDER o mats extenso no caso dos surve••
"vela J
s nor
,.
entre\'istas •
n . •. . • John. Face-to-Face Interviews and .Mailed Question-
atrcs: 1 he Net D 1'ff .
v.4 9 _ erence m Response Rate. Public Opinion Quarterly,
2
· P· 34-2:>2, verao 1985.
Demiti rfnhevistadores z A!'-;Di'RSON B
Na pr:itica, e muito diffcil demitir entrevisradores. Effect~ f I ' arbara A., SILVER, Brian D., ABRAMSON Paul R. The
,, o I 1e R f h . ,
Black R,. ace o t e l ntervtewer on Race-Related Attitudes of
Ninguem quer faze-lo, especialmente ap6s trabalhar tao perto Quarter/
espond ems . SRC/ C
m
. . .
PS Nallonal Elecuon Stuches. Public Opinion
dcles durante o treinamento e ver que eles parccem estar ren- y, v.S 2, p.289-324, outono 1988.
tando fazer o melhor posslvel. Mesmo assim, alguns entrevisra- 'REESE St h
dorcs acabam se mostrando incapazes de descmpenhar a rarefa. ) ., CIIANG . ~fsa~~ D., DANIELSO~, wayne .A., SHOEMA~EH, Pamela
Arnong l\J . kuo, HSU, lluet-lmg. Ethntcuy-of-lntcrvtewcr Effects
Mante-los no trabalho compromete as finan~as, o cronograma v.so, p. sG;_xtcan~Americans and Anglos. Public Opinion Quarterly,
e a qualidade cia pesquisa. 572, tnverno 1986.
~ Anos au·as, me pediram para falar de um survey sobre qualidade de oKSENBERG, Lois, COLEMAN, Lerira, CANNELL, Charles F.
vida que eu desenhci para os idosos do !laval. Perguntado como Interviewers Voices and Refusal Rates in Telephone Sur-
lidariamos com o problema dos entrevisrados que nao falavam inglcs,
l'eys. Public Opi11ion Quarterly, v.50, p.97-111, primavera
dei a ··resposta de manual", explicando que teriamos uma pessoa
para traduzir o questionario para a segunda lingua e ai pedir a outra 1986.
pessoa que o traduzisse de volta para o ing!Cs. Assim, poderiamos RICHARDSON, Stephen A. et al. Interviewing: Its Forms and
comparar as duas versoes em Ingles, fazer as corre<;oes necessarias Functions. New York: Basic Books, 1965.
na tradw:;ao c te-lo administrado por um entrevistador que falasse a
segunda lingua. sHANKS,]. Merrill, TORTORA, Robert D. Beyond CATI: Gene-
Estava no audit6rio uma mulher que tinha feito muitas clas entre- ralized and Distributed Systems for Computer-Assisted
vistas iniciais para n6s, que ofereceu outra solu<;ao. "Sc eu achar que swveys, preparado para o Bureau of the Census, First
o entrevistado nao entende o ingles muito bem, eu apenas rcfa<;o a Annual Research Conference, Reston, VA, mar. 20-23,
pergunta de maneira que ele possa entender." Enquanto eu afundava
cada vez mais na cadeira, ela ilustrou: '"Como esta questao que di:t
1985.
'Em geral como voce caracte rizaria seu estado atual de sa(tde: \'<:!£EKS, Michael F., KULKA, Richard A., PIERSON, Stephanie A.
Excelente, bom, mcdio ou ruim?' eu apenas digo, 'Ei, vocf: doeme?'". Optimal Call Schedulling for a Telephone Survey. Public
Opinion Quarterly, v.51, p.540-549, inverno 1987.
s 0 impacto do treinamcnto do entrevistador na qualidade dos dados
coletados foi demonstrado por BILLlET, jacques, LOOSVELDT, Geert.
Improvement of the Quality of Responses to Factual Survey Questions
by Interviewers. Public OpiniOil Quarterly, v.S2, p.190-211, verao 1988.
6 Meu colega Gary Marx provavclmente estabeleceu o recorde nesta
categoria. Num survey nacional sobre atitudes dos negros durante a
decada de 1960, ele rcparou numa serie de aproximadamente vinte
q uestio narios - todos do mesmo cntrevistador - que relatou as
atitudes antibrancos mais violentamentc hostis de toda a cquipe de
entrevistadores. Antes de Gary investigar a questao, ficamos sabendo
que o cnt revistador e a lgu ns amigos Linham sido presos numa
conspira~ao para cxplodir o Monumento a George Washington e a
Estatua cia Liberdade.

Leituras Adicionais
BRADBURN, Norman M., SUDMAN, Seymou r e Associados.
Improvillg Interview Method and Questio111zaire Design.
San Francisco: Jossey-Bass, 1979.
GORDEN, Raymond L b zte1viewing: Strategy, Techniques, and
Tactics. Homewood, IL: Dorsey Press, 1969.
GROVES, Robert M., MATHIOWETZ, Nancy A. Computer Assis-
ted Telephone Interviewing: Effects on Intetviewers and
Respondents. Public Opinion Quarterly, v.48, p.356-369,
primavera 1984.
KAHN, Robert L , CANNELL, Charles F. Tbe Dynamics ofInter-
viewing. New York: john Wiley & Sons, 1967.
LAVRAKAS, Paul J Telephone Survey Methods. Sampling, Selection,
and Supervision. Beverly Hills, CA: Sage, 1987.
 Capitulo 11

Processamento dos Dados

o que o microsc6pio foi para a biologia e o telesc6pio

para a astronomia, o computador tern sido para a moderna
ciencia social. Ainda hoje esta se descobrindo a contribui~ao
dos computadores para a pesquisa de survey. Estc capitulo o
introduz a esta contribui~ao.
0 prop6sito e descrever metodos de conversao de dados
de pesquisa de survey numa forma legfvel-pela-maquina, uma
forma que possa ser lida e manipulada por computadores e
maquinas semelhantes usadas na ana lise de dados quantita-
tivos. Se voce estiver conduzindo um p rojcto de pcsquisa
paralelame nte a leitura deste livro, seus dados, ate agora,
estao na fo rma de questionarios completos, folhas de
transfere ncia codificadas, ou coisas assim. Ao completar o
estagio descrito neste capitulo, os dados cstarao gravados
em disqueres, cassetes, cartoes perfurados ou outros dispositivos
legive is e a nalisaveis por uma maquina.
Dada a velocidade do desenvolvimento e dissemina~ao
dos computadores, e impossfvel prever 0 tipo de equipamento
disponlvel para seu uso. Este capitulo dara uma visao geral
dos varios cstagios na evolu~ao dos computadores na pesquisa
de survey, para dizer algo sobre o equipamento com que voce
trabalha, qualquer que ele seja. Alem disso, os primeiros equi-
ra~emos e lecnicas algumas vezes revebm mais claramcntc a
6
8tca da analise de dados do que OS equipamenlOS C tccnicas
advan\ ados de hoje, da mesma forma que voce podc apren-
er · f .
mats actlmenre os fundamentos do funcionamento de um
autom6vel a partir de um Fusca do que do modelo mais recenre
e sofisticado de um Maserati.
Computadores no Pesqu isa de Survey
A hist6ria cia computac;ao na pesquisa social come<;ou
em 1801, quase na mesma epoca em que germinavam as
semenres cia moderna pesquisa social. Nesse ano, o frances
Joseph-Marie Jacquard fez uma revoluc;ao na industria texril que
teve um efeito nos mais improvaveis recantos da vida.
Para facilitar o tran<;ado de padroes imrincados, Jacquard
invemou um tear automatico que recebia instru<;oes de cartoes
perfuraclos. A medida que uma serie de canoes passava pelo
"leitor" do tear, toquinhos de madeira passavam pelos buracos
clos canoes e o tear tracluzia aquela informa<;ao em padroes de
tran<;aclo. Para criar novos paclroes, Jacquard s6 precisava furar
oriffcios apropriaclos em novos canoes e o tear respondia de
acorclo.
0 ponto a observar C que injonna(:ciO (neste caso, um
padrao desejaclo de tran<;aclo) podia ser codificada e armaze-
nada sob a forma de buracos num cartao e subsequentememe
recuperada por uma maquina que lia os buracos e agia baseada
no significado atribufclo a eles. Esta e a l6gica fundamental que
veremos ser repetida de d iferentes formas na cliscussao abaixo.
0 evento seguinte cia nossa hist61ia seletiva do computaclor
ocorre u nos Estados Unidos, durante o censo de 1890. A
Constitui<;ao americana exige um censo complete da populac;ao
cia na<;ao a cada 10 anos, come<;ando com a contagem de 1790
de quase 4 milhoes de americanos. A medida que a popula(ao
cresceu, tambem cresceu a tarefa de conta-la. 0 censo de 1880
contou mais de 62 milhoes de pessoas, mas o Bureau do Censo
levou nove anos para terminar as tabula<;oes. Era p reciso uma
ruptura tecnol6gica antes do censo de 1890. 0 Bureau procurou
sugestoes.
Um ex-funcionario do Bureau, Herman Hollerith, que
tinha trabalhaclo no censo de 1880, teve uma ideia. Como
jovem professor de engenharia no M.I.T., propos adaptar os
cartoes de Jacquard a tarefa de conrar a popula<;ao. A meclida
que as conragens locais eram feitas, eram transformadas em
oriffcios em canoes. Enrao, uma maqu ina de rabula\ao, criada
por I Iollerith, lia os canoes e fazia a contagem cia popula<;ao
do pals.
o sistema de Hollerith foi testado num concurso com outras
roposras e verificou-se que era o mais rapido. Assim, o
~ureau do Censo alugou por US$750.000,00 o equipamento cia
nova companhia de Maquinas de Tabula<;ao de Hollerith e 0
total cia popula<;ao de 1890 foi conhecido em seis semanas, em
contraste com os nove anos gastos para informar o censo de
!880. A Companhia de Hollerith conrinuou a desenvolver novos
equipame nros, fundiu com outras empresas pioneiras e, eventu-
almente, mudou o nome para International Business Machines
Corpo ration- IBM.
hrmazenando Dados em Cadoes
Durante a decada de 1950, os cartoes perfurados -
chamados comumeme de canoes IBM - foram aclaptados a
armazenagem e recupera<;ao de daclos de pesqu isas de survey;
ainda sao usados algumas vezes para isso. Mesmo se voce nunca
river traba lhado com dados a rmazenados em cartoes perfura-
dos, a 16gica desse metoda pode ajuda-lo a compreender como
os tipos de dados d iscuticlos neste livro sao geralmente armaze-
nados e recuperados nos dias de hoje.
Um ca rtao perfurado, como o que se vena Figura 11-1, e
dividido e m oitema colunas verticais, geralmente numeradas cia
esquerda para a clireita. Cada coluna vertical e dividida em dez
espa<;os, numerad os 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 de cima para baixo.
Voce armazena dados nos canoes fazendo buracos nas colunas.
Mais tarde, os computadores e outros equ ipamentos de proces-
samenro de dados recuperaram os dados, localizando e lendo
colunas especificadas no canao.
Uma maquina de perfura<;ao faz buracos nos espa~os das
colunas dos carroes. Usando um teclado semelhante ao de uma
rna quma
· de escrever, o operador cia perfuradora faz os buracos
· ec teac1 os (0, 1, 2) nas colunas especificadas do cartao.
esp if.
Os dados sao postos em formato legfvel-pela-maquina
pela atrib Lll~ao
· - c1e uma ou mais colunas especfficas de um
~anao de dados (um campo) a uma variavel, e pela atribui<;ao de
P uracos dentro daquela coluna as varias categorias cia variavel.
odr exemplo, o sexo de uma pessoa pode ser posto na coluna
S o can - s c
h ao. e 'or mulher, perfura-se o 1 desta coluna· sc for
0
~:m, perfura-se o 2. Repare que colunas correspo~dem a
Varzaveis e c1·c
' os 11erentes oriffcios numa coluna correspondem
aos atribz1t ·
os que constHuem a varia vel. A ida de de uma pessoa
P0 de ser de ·
s1gnad a nas colunas 6 e 7 (um c6digo de duas colunas);
 se ela tive_r trinta e cinco anos de idade, seriam perfurados 3 e rado r-classificador, deve comprecnder sua 16gica de
um con·
5, respecuvamente, nestas colunas. As idades podem tambem . amento pois isto esclarcce o que fazem as maquinas
fune~o n. ,
ser registradas em categorias e armazenadas numa linica . mplexas. 0 contador-classificador e preparado para ler
ma1s co ·' ._ .
coluna, por exemplo, o oriffcio 1 para os menores de 20 ~t'"'rminada col una. Quando os canoes passam po1 ele,
u111~1 d e '- • .
anos, o 2 para os entre 20 e 29 etc. _ . ados em caixas correspondentes aos cod1gos perfurados
sao J0 8• d d . d' • d _
coluna especifica a; um conta or m lCa o numero e cartoes
Portanto, um cartao representa os dados relevantes a uma
na cia ,..,;va se o sexo for registrado na coluna 5 e o classificador
unidade de analise. Se as unidades de analise forem editoriais emCl ~·
de jornais, numa analise de conteudo, cada cartao represemaria . .,·do prepa rado para aquela coluna, mulheres e homens
uver s
um ed itorial. As colunas de cada cartao seriam clesignadas a seriio classificados nas caixas 1 e 2, respectivamente, e o contador
variaveis espedficas clescrevendo aquele editorial. Por exemplo registran1 o total gcral de cartoes em cada caixa.
duas colunas podem ser designaclas para armazenar os cloi~ o contador-classificador pode ser usado tambem para
ultimos dfgitos do ano no qual o editorial foi publicado. examinar as rela~oes entre variaveis. Suponhamos que voce
Na pesquisa de survey, um cartao de daclos pocle repre- queira determinar se a probabilidade dos homens fumarem
sentar um questionario, com as colunas representando os maconha e maior do que a das mulheres. Tendo separado os
varios itens do questionario. A coluna 34 pode ser usada para respondentes por sexo, voce prepararia o contador-classificaclor
armazenar respostas a pergunta "Voce ja fumou maconha alguma para ler a coluna que rem as respostas sobre fumar maconha -
vez?" 0 buraco 1 pocle representar "sim" eo 2 o "nao". As prin- por exemplo, coluna 34. Todos os cartoes "homens" passariam
cipais ideias a reter sao: cacla cartao representa uma unica novamente pelo contador-classificador para cleterminar se os
unidade de analise cia pesquisa, e cada coluna (ou conjunto de respondentes ja fumaram maconha, como indicado na coluna
colunas) e usada para a mesma variave l em cada cartao. 34. 0 mesmo procedimento seria repetido para as mulheres, e
Portanto, todas as respostas dos entrevistaclos a pergunta cia as distribui~oes das respostas seriam comparadas.
maconha seriam armazenadas na coluna 34. Durante anos, o contador-classificador foi a principal
maquina usada para a analise clos dados de survey, mas ele
fiGURh 11-1 tinha tres li mita~oes basicas. Primeiro, era limitado a apenas
Cadaa perfurada padroa para regi strar dodos contar e cla ssificar os cartoes. Embora se pudesse usar os
resultados para analises extremamente sofisticadas, a propria
maquina nao fazia man i pula~oes sofisticadas dos dados.
Segundo, o contador-classificador era muito Iento, quando
oooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooo
1 2) 4 S I 1 I 11011111l141S1117111t20lU22UUSli172121»J1Jill)ll5.J31 • • 4142&UU5411t74141505\Sl$3SI5651515151.1112G .. M·G'··JIM nn1HU11l111t. comparado as maquinas inventadas depois. Terceiro, estava
11111111111111111111111111111111111111111111111111111111111111111111111111111111
22222222222222222222222222222222222222222222222222222222222222222222222222222222 limitado a examinar urn cartao por unidade de analise, ao
33333333333333333333333333333333333333333333333333333333333333333333333333333333 observar as re l a~oes entre vari<\veis. Na verdade estava
4444444 44444444444444 4444 4444444444444444444444444444444444444444444444444444444 limitado a oiten ta colunas de dados por unidade de 'analise.
55555555555555555555555555555555555555555555555555555555555555555555555555555555
66666666666666666666666666666666666666666666666666666666666666666666666666666666
77777777777777777777777777777777777777777777777777777777777777777777777777777777 Afn hada dos (omputadores
88888888888888888888888888888888888888888888888888888888888888888888888888888888
A maio ria das analises de dados hoje e feita em
?~i?~l?~~ft~~~~~~~3~~~~~2~i~ii~~~~2~~~~~~~~&2&~~~~~~~~~~~~~~~P.~~~~~~~~~~~~?.~~~~~~
GlOIE H0 I ITAHOAAO FOIItW S(ltt
..computado
. res, ·tn d o desde grandes computadores
' ' centrais
mamJra
sa· . me• a pequenos computadores pessoais. E• desneces-
m no. clizer
. q ue os computaclores estao revolucionando a
aiona das a d
Recuperando os dodos a padir dos co does algu
mas
reas a vida social moderna. Ao mesmo tempo,
pessoas
estarem " · se preocupam como faro de os computadorcs
Varios equipamentos poclem ler os cartoes perfurados. A
debce tomanclo conta". Espero que a discussao a seguir
maquina mais simples entre estes e 0 contador-classificador c 1aro q ue os computadores sao apenas fen-amentas,
[counter-sof1er]. Embora seja improvavel que voce venha a usar
 assim como maquinas de escrever e calculadoras de balsa
- mas ferramentas muito poderosas.
Atraves de programas de manipula~ao, o compurador evira
as limita\=6es do conrador-classificador. Primeiro, ele vai alem
da simples contagem e classifica\=aO, para execurar complicadas
computa\=OeS e fomecer apresenta\=OeS sofisticadas de resultados.
0 computador pode ser programado para exarninar vfuias variaveis
simultaneamenre e computar uma grande variedade de estatfs-
ticas. Segundo, dados am1azenados em discos ou fitas magneticas
podem ser lidos muito mais rapidamente do que era possfvel
corn os cart6es eo contador-classificador. Cornputadores tambem
podem calcular estatfsticas complexas muito mais rapida e
exatamente do que seres humanos. E finalmente, o computador
nao esta limitado as oite nta colunas de um cartao perfurado.
Hoje, a maioria das analises dos clados sociais cientfficos
quantita tivos usam programas que instruem o computador a
sim ular o processo de conragem-classifica\=aO descrito acima-
e muito mais. Ha varios programas para a analise de dados cia
ciencia social. Alguns destes programas: ABtab, AIDA, A.STAT,
BMDP, CRISP, DAISY, DATA-X, Dynacomp, INTERSTAT, MASS,
MicroCase, Microquest, Microstat, MicroSURVEY, Minitab,
POINT FIVE, P-STAT, SAM, SAS, SNAP, SPSSX, Statgraf, Statpac,
StatPro, STATS PLUS, Statview, Survey Mate, SYSTAT, STAT80,
STATA, SURVTAB, TECPACS. Em qualquer programa, a 16gica
basica do armazenamento e analise de dados sera a mesma.
Ate o fim dos anos 70, todas as analises computacionais
eram feitas em computaclores grandes e caros - as vezes cha-
mados compuradores mainframe- manridos por depanamentos
centralizados de computadores; a maioria das analises ainda o
e. Para usar tais instala\=Oes, voce precisa fornecer OS daclos c
as instrU\=Oes para a analise clesejacla. Voce leva OS dados ao
centro de computadores na forma de cartoes ou em fira magne-
tica, ou usa o banco de clados da biblioteca do centro.
No centro de computadores, voce submere seus dados e
inStfU\=Oes a analise do operaclor da maquina, que entra com a
tarefa no computaclor (alguns centres sao montados para o
proprio p esqu isador fazer o trabalho). Sua tarefa seguinte e
esperar. Algum tempo depois - minutos (raramenre), horas
ou elias, depenclenclo cia carga de trabalho do centro- o ope-
radar lhe entrega o traba lho fina lizado, em geral na forma de
um impressa dos resultados cia analise.
Recentemente dois desenvolvimentos melhoraram esre
processo. Sistemas' poem leitorcs de cartao e impressoras
84
, . os aos pesquisadores, que podem, entao, submeter seus
roxtm c
P b. • e receber os resultados em locais distantes do centro
trJ a 1110~ .
urarao Seu departamento pode ter este eqUJpamento,
de com P • ..- ·
emlite que pedidos e resultados possam ser enviados de
que p ~ , d b ..
e para 0 centro de c01nputa\=ao atraves e ca os coaxtats.
Q comparti/hamell!O de tempo C OUtro progresso no LISO
de compuradores para analises. Com?~tadores, s~mpre opera-
rJm comparcilhando tempo, com vanos usuanos usando o
mesmo computador. Mas, no infcio, as instala\=6es de computa~o
cram partiU1adas de maneira seriada; o computador executava o
seu trabalho, depois o meu, depois o de outra pessoa. Hoje, os
computadores poclem execurar varias tarefas simultancamente.
Podem Ier meu pedido, analisar o seu e irnprimir o de outra
pessoa ao mesmo tempo. Sua e norme velocidade permite
ensanduichar pequenas o pe ra~oes (que podern d ernorar
apenas milesimos de segundo) no meio de rrabalhos maiores.
Esta capacidade permitiu aos computadores lidar com pedidos
de centenas de usuaries simulta neame nte, as vezes dando a
impressao que cada usuario rem toda a aten\=iiO deles. Tais
intera\=oes geralmente ocorrem nos terminais de computador
- dispositivos tipo maquinas de escrever que imprirnem em
papel ou mostram as opera~oes e m monitores de vfdeo TRC
(tubas de raios cat6dicos).
0 uso de terminais d e computador em regime de
compartilliamento de tempo pem1ite v~hias opera\=OeS. Programas
de edi\=ao de rexro permite m aos usuaries escrever, editar e
imprimir relat6rios. Se o seu centro de computa~ao rem um
sistema de compartilhamento de tempo , voce encontrara,
provavelmente, va ries video games gravados em algum Iu -
gar do sistema.
Discutirernos aqui somente o companilhamento de tempo
na analise de dados da ciencia social. Vejamos um padrao
frequente. Seus dados sao mantidos pelo centro de computa~ao,
em disco ou em fita. Em vez de perfurar ca1t6es para a analise,
voc~ digita instru\=Oes num tenninal. Depois de preparar o conjunto
de mstru\=6es, voce digita uma instru\=iiO final (que varia de
c~mputador para computador), pedindo a execu~ao do rrabalho.
AI, 0 computador corne~a a executar, produzindo depois
resultados para serem apanhados no centro ou impresses
em seu te rminal.
. 0 compartilhamento de tempo d e computador em pes-
qutsas de survey f . d
de . . Icou am a mais pratico como desenvolvimento
ma ten:nmaiS POitateis de computador, nao maiores que pequenas
qumas de escrever. Estes terminais se comunicam com o

computador por linhas telef6nicas convencionais. Pottanto, voce
pode levar um terminal portatil para casa ou numa viagem. Para
usa-lo, disca um numero especial no seu telefone comum. o
computador atende, geralmente com um rufdo eletr6nico. Voce
encaixa o fone em dois bocais de borracha, chamados acopla-
dores aczislicos, localizados no terminal. (Cada vez mais termi-
nals portateis rem equipamentos de comunica~ao - cha-
mados modems- embutidos, de maneira que o terminal pode
ser diretamente conectado a uma tomada de telefone padrao.)
Uma vez conecrado, o que voce digirar no terminal e transmi-
tido por linha telefOnica ao computador, que faz o que voce
pede e envia a resposra ao seu terminal.
Os sistemas de compartilhamento de tempo tambem
podem conecta-lo a redes nacionais de compuradores. Os pos-
slveis usos de tais redes sao inimaginaveis, e os servi~os
disponfveis atualmente somenre arranham a superffcie do
seu potencial. Por exemplo, voce pode discar um numero
especial e conectar-se a um comput.o'1dor que !he perrnite procurar
rapidamente, em ecli~oes passadas de urn jornal, anigos sobre
algum topico de seu interesse. Se quiser, voce pode ter OS
artigos impresses em seu terminal, ou pode deixar mensagens
na rede para ser interceptadas por outros usuaries.
Mais relevance a nossa discussao e que as redes de com-
putadores permitem a um pesquisador sentado em sua casa
conseguir uma copia de um conjunto de dados num computador
em outra cidade e analisar estes clados usando um programa
de um computador em uma terceira cidade. Os resultados desta
analise podem ser enviados a voce e tambem ser armazenados
para exame por um colega numa outra cidade. Esse procedi-
mento ainda nao e comum, mas e provavel que venha a se-lo
em sua carreira de pesquisador; antes do fim deJa, voce se
Jembrara disso como sendo primitive.
Mi crocomputadores
0 progresso mais uti! e empolgante ate hoje e 0 micro-
computador. Provavelmente voce esra familiarizado com micr_:>-
computadores e pode estar usando um. Essas maqumas , · sao
' putadores explodiu, programas de analise de dados foram
computadores completes, pequenos, nao muito maiores do q~e
uma maquina de escrever (ou ate menores). As opera~oes sao
exibidas num tubo de raios catodicos (TRC), que parece um
aparelho de televisao, ou algum outro tipo de tela de v~deo.
(Em alguns sistemas, voce pode usar uma televisao convencton~tl
para servir como tela de vfdeo.) Os primeiros sistemas de
36
ador usavam fitas cassete convencionais para
. ocomput. fl , . "
nucr 1 dos· elas foram substitufdas por "discos eXJvets
azenar ut ' cia lA .
arm• das ou "microcassetes" de 3,5 polega s - arrunas
, ?5 po1ega ' • , .
d e).- de fica magnetica envoltas em papelao ou p 1astteo. 0 s
redondas . , ranraclos usam "discos rigidos" que armazenam
.. , as mats :.1\
51 ~£~,; 111•
:. c1
·noes de bytes (megabytes). 0 microcomputa or
d·tdos em mt 1 . , 'd b 'd
• · d' 'tei este rexto tem um dtsco ngt o em uu o que
no qua 1 tgt
·trn1.• "zena
. ,·inte megabytes.
0
' Os microcomputadores ja se provaram eftcazes no
de varias rarefas. 0 mesmo microcomputador usaclo
desempe nl10 - . ciA . .
er este livre e usado para coda a conespon encta,
para escrev .
, 1. 01 -ganiza minha agenda e imprime meus compromtssos
alem c tsso, , .
. d cot'sas a fazer controla minha conra bancana, annazena
e ltstas e · '
meu diretorio telef6nico c desempenha tarefas numer.osas
demais para listar. Quando esrou viaja~do, posso me regtstrar
·rar 0 telefone da tomada, ltgar meu computador e
num I1Otel , tl - 1
me comu ru'-•U com pessoas e computadores em todo o pats. Quane o
·,.,..,.
quero descansar, posse jogar xadrez com ele ou salvar o mundo
de alienfgenas invasores.
Em 1986, escrevi: "Os microcompuradores estao apenas
come~ando a florescer na arena cia pesquisa em ciencias
sociais. A maier limita~ao e sua pequena memoria, mas os micros
modernos estao supcrando este problema de forma impressio-
nante." Este problema ja esta solucionado, como mostra o
seguinte exemplo.
Quando eu era aluno de gradua~ao, ha vinte e cinco anos,
o Centro de Pesquisas de Survey de Berkeley tinha um com-
putador IBM 1620, que ocupava aproximadamente o mesmo
espa~o de scis ou sere refrigeradores. Sua capacidade de me-
moria era de 24 kilobytes (24K bytes), ou aproximadamente
24.000 caracteres de informa~ao . Recentemente, comprei um
computador/calculadora a bareria mais ou menos do tamanho
de uma carta de baralho. Sua memoria e de 32K bytes! 0 com-
putador de mesa que usei para escrever este livre rem mais de 5
milhoes de bytes (cinco megabytes) de memoria (mais de 200
vezes a memoria do velho IBM 1620), e seu disco rfgido interne
am1azena 80 megabytes.
A medida que a capacidade de memoria clos microcom-
desenvolvidos para analisar os clades da ciencia social de acordo
c?m a capacidade dos micros. A evolu~ao tecnologica esta
amcta Ionge de um fim. Apresentanclo uma edi~ao especial cia
Sociological Methods & Research sobre "Microcomputadores e a
Pesquisa Social", David R. Heise diz:
 Microcomputadorcs sao baratos, confiavcis, port<itcis
computacionalmcntc podcrosos c faccis de usar. Este perfi;
os torna significativamentc difcrentcs dos computadorcs
mainframe e garantc sua ampla difusao. Ate 0 fim da
decada, os microcomputadorcs mudarao a maneira
dos cientistas sociats fazerem pesquisa, a maneira pela qual
lecionam c a maneira como fazem trJbalho aplicado. 0:;
microcomputadores tambcm criarao novos t6picos para
analise social ;1 mcdida que a rcvolu\iiO dos micro-
computadores alcan\ar diversos serorcs da socicdade.•
0 resto deste capitulo discute as etapas (e op~oes)
envolvidas na conversao clos daclos em formas aptas para
analise por computador. Discutiremos o processo de codifica-
~ao e enumeraremos os varies metodos para transformar 05
clades para forma legfvel-pela-maquina.
Cod ifica~ao
Para os computadores fazerem seus milagres, precisam
peeler ler os clades coletados na pesquisa. Alem disso, eles
sao melhores com numeros. Se os respondentes de um survey
!he disserem que pensam que o maier problema eta sua re-
giao, hoje, e "a amea~a da guerra termonuclear", 0 compu-
tador nao compreendera esta resposta. Voce deve traduzir
a resposta at raves de um processo chamado codifica~ao.
A discussao sabre analise de comeudo do Capitulo 2 lidou com
o processo de cod ifica~ao de modo relevante a esta questao.
Lembre que o analista de contetklo precisa desenvolver
metodos para classificar paragrafos, editoriais, livros, can~oes,
portanto, classifica~ao ou atributos especfficos. Na am1lise de
conteudo, a codifica~ao e inerente a coleta de dados ou a
observa~ao. Quando se usa OlltrOS metodos de pesquisa,
freqi.ientemente e precise um processo de codificai!;ii.O ap6s OS
dados terem sido coletados. Por exemplo, os itens abertos do
questionario resultam em respostas nao-numericas que
precisam ser codificadas ames da analise.
Como na analise de conteudo, a tarefa aqui e reduzir
uma grande variedade de itens idiossincraticos de informal!;ao
a um conjunto mais limitaclo de atributos compondo uma
variavel. Por exemplo, suponha que voce pergunrou aos
cntrevistados "Qual e sua ocupa~ao?" As respostas variarao
considcravelmente. Apesar de ser possfvel atribuir um c6digo
ume ri co separado para cada ocupa~iio respondida, tal
0
roced imento niio facilitaria a analise, que tipicamente
~epende de varios sujeitos terem o mesmo atributo.
A variavel ocupa~ao rem varios esquemas de c6digo
rcesrabelecidos (nenhum muito born, porem). Urn clestes
~squemas distingue entre ocupa~oes profissionais e gerenciais,
ocupa<;oes de escrit6rio, ocupa~oes semi-especializadas etc.
Outre distingue diferentes setorcs cia economia: manufatura,
saude, educa~ao, comercio, e assim por diante. Outros combi-
nam os dois esquemas.
0 esquema de c6digo ocupacional escolhido deve ser
adequado aos conceitos te6ricos que estao sendo estuclados
na pcsquisa. Para algumas pesqu isas, pode ser suficiente
codifica r todas as ocupa~oes como de colarinho branco ou
colarinho azul. Para outros, basta aut6nomo ou empregaclo.
Um pesquisador da paz pode querer saber apenas se a ocu-
pa~ao depende do establishment militar.
Apesar do esquema de codifica~ao clever ser ajustado para
satisfazer requisites particulares da analise, deve-se prestar aten-
\ aO a uma regra geral. Se os dados forem codificados com alto
grau de detalhamemo, as categorias do c6digo podem ser combi-
nadas em qualquer analise que nao necessitar deste grau de
detalhe. Mas, se eles forem codificados em poucas categorias mais
abrangentes, nao Sera possfveJ recriar OS detaJhes originais
durante a analise. Assim, e aconselhavel codificar OS dados de
modo mais detalhado do que voce planeja usar na analise.
Desenvolvendo Categories de C6digos
. Ha duas abordagens basicas do processo de codifica~ao.
. , voce~ pod e come~ar com urn esquema de codifica~ao
Pnmeiro
relanvamente bem-desenvolvido, baseado no seu objetivo de
pesquisa. Portamo, o pesquisador da paz pode codificar as ocu-
pa~oes
· em termos d e suas re Ia~oes
- como establishment militar.
0
u, suponha que voce esta fazendo observa~ao participante de
uma nova rel·g·-
1 tao emergente e tenha anota~oes cuidadosas
. b
so re as razaes da fir - d
1 ta~ao os novos membros. Talvez !he pare~a
que os novos me 111b
sui . ros parecem considerar a religiao como um
)Sttturo da fa T E - ~
cu ·d d mt ta. mao, voce pode rever as anota~oes
met ab osameme • co d·r· 1 tcan d o os comentarios de cada novo
m ro quamo a . .d
fie tsto ter St o, ou nao, mencionado. Ou codi-
ar esses co - .
ou n- mentanos de acordo com o fa to de eles terem
ao, uma familia. '
 Se voce river ajuda durante a codificat;ao, sua tarefa
seria refinar suas definit;oes de categorias de codigo e treinar
as codificadores para estarem aptos a atribuir as categorias
apropriadas as respostas dadas. Voce deve explicar o significado
das categorias de codigo que desenvolveu e dar varios exemplos
de cada uma . Para assegurar que os coclificadores compre-
endem completamente 0 que voce pensa, codifique varios
casas. Depois, pep aos coclificadores para codificar as
mesmos casas, sem dizer-lhes como voce os coclificou, compa-
ranclo o trabalho deles ao seu. As cliscrepancias indicarao
comunicat;ao imperfeita do seu esquema de codificat;ao aos
coclificadores. Mesmo se esse exercfcio mostrar perfeito acordo
entre voce e eles, cheque os c6digos de pela menos uma parte
dos casas durante a codificat;ao.
Se nao tiver ajuda na codificat;ao, consiga alguma verifica~ao
de sua propria confiabilidade como codificaclor. Ninguem e
perfeito, especialmente urn pesquisador quente na pista de uma
descoberta. Na pesquisa sabre a nova religiao emergente,
suponha que voce tenha a impressao que as pessoas sem
famflia convencional tem maior probabilidacle de consiclerar a
nova religiao como um substituto cia famflia. 0 perigo e que,
sempre que clescobrir uma pessoa que cliz nao ter familia, voce
pode tentar, inconscientemente, encontrar eviclencia, nos comen-
tarios clela, de a religiao funcionar como substituto cia famflia.
Entao, se passive!, rente achar alguem para codificar alguns
clos seus casas, para verse esta pessoa faria as mesmas atribui-
t;oes que voce. (Veja como esta situa~ao se relaciona com a
caracter!stica cia intersubjetiuidade na ciencia.)
A segunda abordagem a codifica~ao cleve ser usada sempre
que nao tiver certeza de como seus dados clevem ser coclificados,
porque VOCe nao sabe quais variaveis OS dados representam
entre os sujeiros cia pesquisa. Par exemplo, suponha a pergunta
"0 que voce acha cia icleia de uma moratoria nuclear?" Apesar de
haver antecipado a codifica~ao das resposras como positiva,
negariva ou neutra, e improvavel que voce possa antecipar toda
a gama de varia~oes de respostas. Nesses casas, prepare uma
lista de 50 ou 100 respostas reais para a pergunta aberra e,
de pais, fa~a uma revisao na lista, notanda as diferentes dimensoes
refleticlas pelas respostas. Ta lvez voce descubra que varias
das respostas positivas contem referencias ao custo cia corricl~
armamentista au que varias respostas negativas se refiram a
amea~a do comunismo em escala mundial.
Depois de clesenvolver urn esquema de codifica~ao
baseado na lista das 50 au 100 respostas, voce deve certificar-se
290
ada resposta listada se encaixa numa das categorias de
de, que
. cAssim voce estara' pronto para come~ar - a cod'f'
1 Jcar as
codJgo. ' · · d d'f' - aqut· se
. respostas . Se tJver aJU a para a co 1 1ca~ao,
dem:us , . . - .
. as comentanos antenores com rela~ao a tremamento
aphcam . . , .
m· se nao ttver, ap!Jcam-se os comentanos sabre
e c hec,age '
. a alguem para checar seu trabalho.
ped 1r '
Tal como o conjunto de atributos que compoem uma
vana\ e 'as caregorias de respostas a uma pergunta fechada
. , ·el
num questiomirio, as categorias de codigo devem ser exaustivas
e muruamente excludentes. Cada peda~o de informa~ao
codificado deve se encaixar numa e somente numa categoria.
os problemas surgem quando uma resposta parece se encaixar
igualmente em mais de uma categoria de codigo e quando
nao se encaixa em nenhuma.
Conshu~ao do Livre de C6digos
0 procluto final do processo de coclifica~ao e a conversao
dos itens de clados em codigos numericos. Estes codigos
representam os atributos que compoem uma variavel, os
quais, por sua vez, sao localiza~oes de cartoes e colunas
designadas num arquivo de daclos. Um liuro de c6digos e um
clocumento que descreve as localiza~oes das variaveis e lista
os vfnculos entre os cocligos e as atributos que compoem as
variaveis. Um livro de codigos serve para cluas fun~oes
essenciais. Primeira , ser o guia principal no processo de
codifica~ao. Segunda, ser o seu guia para localizar variaveis
e interpretar os codigos no arquivo de clados, durante a
analise. Se voce deciclir correlacionar duas variaveis na
analise dos dados, o livro de codigos lhe mostrara onde
encomrar as variaveis e o que os cocligos representam.
A Figura 11-2 ilustra partes do livro de codigos criaclo
em 1987 para urn survey clos professores e do pessoal
administrativo d e uma universiclade. 0 formato do livro de
cod·lgos reflete um programa, o MicroCase, usaclo para
processar e analisar as clados do survey. Outros programas
usam formatos similares.
Estes formatos se aproximam clas colunas de cartoes
perfurados descu··ros antes e sao- usad os para Ioca ]'1zar as ttens
.
d e dados p cl
· o e mos, por exemplo determinar o sexo do
respondent c · - '
n e re1enndo a VAR. 5. 0 MicroCase, como outros progra-
las similares, permite tambem dar urn nome abreviado a cacla
 item de dado; assim, podemos usar POS ACAD, em vez de VAR. 2 Todo Jivro de c6cligos deve canter a reda~ao completa
ao acessar os dados das posi~oes academicas dos respondenres: tas feiras· como notamos, a recla~ao das pergun-
das pergu n , , .
Esta possibilidade e particularmente uti! por permitir dar nomes forte impacto nas respostas daclas. Fmalmente, o
que voce lembrara mais tarde, ao analisar os claclos. ras rem urn . . .,
· d o'cligos deve inchcar os atnbutos de cada vanavel.
rvro
1 e c
FIGURA 11-2 .
03
VAR. 7, vemos que foi pedicle aos professores que
ASSiill, sem fortementc " , "C oncord assem " , "D tscor-
"
Exemplo parcial de urn livro de c6digos "Concor(las
~ ··Discorclassem fortemente" ou clissessem que nao
dassem , . . . .
sa b .tam. ,,~tuitos programas, mclustve o MtcroCase, permttem
VhR. 1: fun Mu VAR. 4: Grau ue voce de nomes abreviados aos atributos (por exemplo,
Qual e sua funyao atual na Qual o mais alto grau academico que q
CF ara '"Concordo f ortemente " , C para "Concord o " e t c. ) , que
Universidade Chapman? voce possui? serfo usados para mostrar os resultados da analise, tornando
1. Administrayao mais facil a leitura das tabelas, entre outras vantagens.
1. Bacharel
2. Professor permanente
2. Mestre
3. Professor contratado, em vias
3. Doutor
de tornar-se permanente
4. Outro
Opt6es de Codificatoo e lnsertoo de Dodos
4. Professor contratado
temporariamente Ha n1io muito tempo, quase toda entrada de dados era
VAR. 5: Sexo feita por perfura~ao manual, com carroes perfurados analisados
5. Diretoria
Qual o seu sexo? por equipamentos de unidade de grava~ao ou transmiticlos para
6. Funyao mista
1. Feminine computadores para amllises mais complexas. Nos anos recentes,
7. Outra
houve grancles avan~os na entrada de dados. Usando tenninais
2. Masculine
VAR. 2: Pos head de computaclo res ou microcomputadores, os daclos sao, em
VAR. 6: Nao/Rumo geral, digitados diretamente nos arquivos de dados armaze-
Qual a sua posi9ao academica?
nados nos discos dos computadores. Mas, como antes, esta
1. Professor Assistente A universidade nao tem rumo. entrada de daclos esta intimamente relacionada a codifica~ao
2. Professor Associado 1. Concordo fortemente e varios metodos podem ser usados para efetivar esta liga~ao.
3. Professor 2. Concordo Vejamos algumas delas.
4. Professor Adjunto 3. Discordo
4. Discordo fortemente
5. Outro
5. Nao sei
folhas de Transferencia
6. Nao aplicavel
0 metoda tradicional de processamento de daclos envolve
VAR. 3: Camp Acad VAR. 7: Para/Pesq a codifica~ao dos dados e a transferencia dos c6digos atribufclos
Qual e o seu campo academico? A universidade esta se afastando do para folhas de transjerencia ou folhas de c6digo. Tais folhas sao
1. Neg6cios en sino e se movendo na direyao da ~radicionalmente dividiclas em oitenta colunas, correspondentes
as colunas dos carroes de dados, mas podem ser adaptadas a
2. Educayao pesquisa.
o~utras configura~oes. A Figura 11-3 ilustra a folha de transfe-
3. Humanidades 1. Concordo forte mente renCta.
· 0 s codificadores escrevem os nCtmeros corresponclentes
4. Ciencias do Movimento e Exercicios 2. Concordo as categorias de c6digo desejadas nas colunas apropriadas
5. Ciencias Naturais 3. Discordo das folhas. Estas sao, entao, usadas para entrar os clados nos
6. Ciencias Sociais 4. Discordo fortemente arquivos do computador. Esta tecnica ainda e uti! quando se
7. Misto ou outros 5. Nao sei esra processa ndo questionarios particularmente complexes
8. Nao aplicavel ou outros documentos-fonte de dados.
 revisor deve ler inteiramente cada documento para
FIGURA 11-3 001
Uma falha parcial de hansferencia de c6digos confirmar que todas as pcrguntas foram responclidas (digitc 99
ou ourro c6digo padrao para os dados faltantes) c esclarccer
A

01 02 03 04 05 06 07 08 09 10 71 72 73 74 75 76 77 78 79 80
respostas obscuras.
se a maior parte do documento permitir entrada direta
0 0 1 3 7 8 9 3 1 1 4 5 2 1 1 7 8 7 1 2
(par exemplo, pergun~a s fec.h.adas apre~entadas de forma
A

0 0 2 4 2 4 2 4 1 2 4 2 5 1 1 2 8 2 2 2
v clara), VO Ce pocle tambem COdLficar algunS LtenS abertOS e ainda
0 0 3 6 6 1 2 3 1 1 1 3 6 6 1 3 9 2 2 3 assim cntrar com os dados diretamente. Neste caso, marque o
v
0 0 4 5 3 4 4 2 2 1 A
1 4 1 0 3 6 0 4 2 1 c6digo de uma determinacla pergunta num local espedfico,
pr6ximO a pergunta, para facilitar a tarefa de entrada dos claclos.
0 formate do documento e muito importance para uma
Codificotoo nos Morgens efetiva entrada direta de dados. Se a maioria das perguntas c
categorias de respostas forem apresentadas no !ado direito cia
A codifica~ao nas margens elimina a necessidade de folhas pagina, mas um conjunto apresentaclo no !ado esquerclo, quem
de c6digo. A margem externa de cada pagina do questionario estiver entranclo os clados ira, frequentemente, pular o conjunto
OLI OUtfO documento-fonte de dados e deixada em branco OU e desviante. (Nota: muitos respondentes cometerJ.o o mesmo erro,
marcada com espa~os correspondences a names ou numeros portanto, um questionario cuidadosamente dcsenhaclo para a
de variaveis. Em vez de os c6digos serem transferidos para uma entrada de dados sera tambem mais eficaz na coleta de clados.)
folha separada, eles sao escritos nos espa~os apropriados nas
Para a analise de comet:iclo e situa~oes semelhantes em
margens. Entao, os documentos-fonte codificados nas margens
que a codifica~ao ocorre durante a coleta de clados, faz senticlo
sao usados para a entrada dos daclos.
registrar os dados de forma compatfvel com a entrada direta.
Uma forma pre-codificacla pode ser melhor, ou, em alguns
lnsercoo Di reto de Dodos casas, os dados podem ser registraclos d iretamente em folhas
de transferencia.
Se os questiom'irios tiverem siclo clesenhados adequada-
mente, voce pode entrar com os dados cliretamente no compu-
tador sem usar folhas de c6cligo separadas ou codifica~ao nas fiGURA 11-4
margens. 0 questionario pre-coclificaclo indica as colunas e os l ludro~oo do inm~oo de dodos computodorizodo
valores clas perguntas e respostas, e a entrada de daclos pode
ser direta. Este procedimento foi muito aprimoraclo par alguns Coso 1
dos novas programas de computador, como ilustrado na Figura
11-4. Este cxemplo foi tirado do programa MicroCase, mas Quale sua fun~ao atual no Chapman? Quale sua posicoo academica?
outros programas seguem procedimento similar. (Os numeros 1. Admin 1. Prof. Assist.
em negrito sao aqueles que voce teria que digitar; 0 resto e 2. Permanente 2. Prof. Assoc.
feito pelo computador.) 3. Contr via Perm 3. Professor
Repare que, na Figura 11-4, o compurador pede a entrada 4. Tempor 4. Prof. Adj.
de dados repetindo a pergunta completa, lembrando-o de todos
5. Diretoria 5. Outro
OS possfveis numeros de c6digo digit:iveis COI110 respostaS aqucla
6. Mista 6. NaoApl.
pergunta. Na pratica, voce pode entrar um conjunto de dados
mais rapidamente sc referindo a informa~ao na tela, de vez em 7. Outros
quando, para assegurar-se de que nao se perdcu no processo Var. 1. Fun Atu 2 Var. 2. Pos Acad 3
de entrada de dados. Quando sc usa 0 metoda de entrada direta
de clados, os documentos prccisam ser 1'euistos antes cia entrada.
Entrada de Dodos pelos fnhevi stadores
A mane ira mais facil de entrar clades de survey- entre-
vista por telefone assistida por computador, ou ETAC - foi
discutida no Capitulo 10: entrevisraclores com fanes de ouvido
sentam em frenre a terminais de computador, que mostram as
perguntas a fazer, e entram as respostas assim que sao dadas.
Assim, os daclos entram diretamente nos arquivos assim que
sao gerados. Os daclos de perguntas fechaclas cstao prontos
para analise imediata. Pode-se entrar tambem OS dados de
questoes abenas, depois de uma etapa extra.
Suponha que o questionario pergunte "Qual e o maier
problema do pals hoje?" 0 computador pede ao entrevistador
para fazer a pergunta. Em vez de esperar a inser~ao de um c6digo
numerico, o computador permite ao entrevistador digirar 0
que o entrevistado disser, por exemplo "crime nas ruas, espe-
cialmente os crimes cometiclos por... " Depois, os codificaclores
recu peram as resposras abertas uma a uma, atribuindo-lhes
c6cligos numericos como cliscurimos antes.
Codifica~ao para folhas de Scanner Opti co
Algumas vezes, a entrada de clados pocle ser feita eficaz-
mente usanclo um scanner6prico, uma maquina que le marcas
de lapis preto numa folha de c6digos especial e cria arquivos
de daclos corresponclentes a estas marcas. Os coclificadores
poclem transferir daclos coclificaclos para cssas folhas especiais
preenchendo os espa~os apropriados. As folhas sao clepois
pastas num scanner 6ptico e os arquivos de claclos sao criados
automaticamente.
Apesar de o scanner 6ptico proporcionar grande exatidao
e velocidacle a entrada manual de daclos, tem tambem desvan-
tagens. Primeiro, a lguns codificadores acham clificil transferir
daclos para as folhas especiais. Pode ser diffcillocalizar a coluna
certa e, depois de encontrada, o coclificador precisa procurar o
espa~o cerro para preencher.
Segundo, o scanner6ptico rem rolerancias relarivamente
rlgidas. A menos que as marcas preras sejam suficientemenrc
pretas, ele pocle cometer erros. (Voce nao rera como saber sc
isso aconreceu antes de iniciar a analise.) Alem clisso, se as
folhas 6ptico-sensfveis forem dobradas ou estragaclas, o scanner
pocle recusar-se a le-las.
Usa Direto das fo lhas de Scanner Optico
A.s vczes, e posslvel usar folhas de scanner 6ptico de
f ma um pouco cliferente, evitando talvez as dificuldades que
. or esenram para os codificaclores. Pode-se instruir os respon-
~~~res a complera_:cm seus question~rios. diretamen.re nes:as
folhas. Folhas padrao podem ser fomectclas JUnto com msuu~oes
sa bre seu uso, ou folhas especiais ser preparaclas para uma
esquisa . As perguntas poclem ser apresenradas com as categorias
~e resposras e os entrevistados orienrados para colorir de prero
os espa ~os ao lado das resposras escolhidas. Se as folhas fa-
rem apresentadas aclequadamente, o scanner6ptico podera ler
e cntrar as respostas d iretamente. Este metoda pode ser ainda
mais viavel no registro das observa~oes experimentais ou na
compila~ao de dados numa analise de conteuclo.
Pre-Codifica~ao para a lnse r~ao de Dodos
Ao p reparar o Formato de um questionario, e essencial
prestar mui ra aren~ao ao metoda usaclo para processar os
daclos, principalmente se voce planejar entrar OS clades clire-
tamente a partir do quesrionario. As seguintes sugestoes torna-
rao esta tarefa mais facil.
0 questionario cleve ser pre-coclificado para facilitar a
entrada dos daclos (ou codificaclo para esta fun~ao) . Os itcns
devem ser atribuldos a campos de dados, nomeados ou nume-
rados previamente, e anota~oes no questionario devem inclicar
essas atribui~oes.
Alem das anota~oes sabre os campos de daclos, voce pocle
querer indicar as atribui~oes numericas para as varias respostas
num campo cleterminaclo, por exemplo, 1 = Concorclo forte-
'~ente, 2 = Concorclo, e assim por cliante. Sempre que urn campo
ttv~r. trcs o u menos categorias de resposras, pode-se em geral
~mntr a pre-coclifica~ao. Quando houver mais de tres categorias,
e n~rmalmenre mais seguro exibir as marcas de c6cligo. A Figura
ll-) apresenra exemplos de pre-coclifica~ao apropriados a
marca\ao clireta.
. Ha varias coisas a comentar na Figura 11-5. Primeiro as
arnbu·
~
- d
I~o~s _e campo estao entre pan!nteses; Var14 a Var17
'
eoram atnbuldas a aprova~ao/desaprova~ao de figuras polfticas,
a Var18, a identifica~ao do partido politico. As atribuiroes de
resp 1r
d ostas para a qucsrao 9 esrao apresenraclas acima clas colunas
e caregorias de respostas. Na qucstao 10, que tem um s6
conjunto de respostas, as atribui~oes estao apresentadas nos Mesmo se o questionario nao for marcado diretamente,
espa~os ao lado para marcar as respostas. formato deve levar em considerar;ao os metodos de processa-
Finalmente, veja que todas as respostas as duas perguntas 01enro que se usara. A maioria das sugestoes feitas aqui facili-
estao do mesmo !ado cia pagina. Isto e importante para facilitar a n - . codificar;ao manual. Se o questionario for lido por uma
rara ·1
entrada dos dados. Voce pode entrar os dados das duas pergumas maquina de leirura 6ptica, verifique se o fom1ato estii compativel
sem precisar mover os olhos para frente e para tcis na pagina. com a maquina.
Quando se muda a posi~o das respostas na pagina, voce trabalha
mais lentameme e ha mais probabilidade de perder itens.
Sempre que usar pre-codificar;ao em questionarios auto- limpeza dos Dodos
administrados, e bom menciona-la em nota introdut6ria ao
Independentemente do metodo de processamento de dados
questionario. ("Os numeros entre paremeses ao !ado das cate-
usado, agora voce tem um conjunto de dados legfveis-pela-
gorias de respostas devem scr ignorados; e les foram postos
apenas para ajudar no processamcnto das suas respostas.") Em maquina que pretende represemar a informar;ao coletada na
qualquer caso, a pre-codificar;ao devc ser discreta, para pesquisa. 0 paSSO seguinte e eliminar OS erros - "limpar" OS
nao confundir o re spondente. Se o qucstionario for tipogra- dados. Nao importa como, ou quao cuicladosameme, os dados
fado, a pre-codificar;ao deve ser feita em letras pequenas. foram entrados, en·os sao inevitaveis. Depenclendo do metoclo
de processamento dos dados, os erros poclem resultar de
FIGURA 11-5 codificac:;ao incorreta, leitura incorreta de c6digos escritos,
llusho~ao do pre-codifico~ao de um quedionorio leirura incorreta das marcas pelo scanner e tc. Devem ser
feitos dois tipos de limpeza: limpeza de possiveis-c6digos e
9. Ao lado de cada figura polftica listada abaixo, indique sevoce limpeza de contingencias.
Aprova Fortemente (AF), Aprova (A), Desaprova (D), Desaprova For-
temente (DF) a filosofia politica da pessoa em questao, ou marque
(NS) se voce Nao Sauber.
Limpeza de Possiveis-C6digos
Qualquer variavel tem um conjunto especificado de atri-
(Var14·Var17) t>F A D DF NS butos legftimos, traduzidos num conjunto de c6digos possfveis.
2 3 4 5 Na variavel sexo, pode haver tres c6digos: 1 para homem, 2 para
a. George Bush [l [l [l [l [l mulher e 0 para sem resposta. Se um caso fo i codificado como 7
b. Michael Dukakis [l [l [l [l [l na coluna de sexo, com certeza houve um erro.
c. Jesse Jackson [l [l [l [l [l A limpeza de p ossfveis-c6digos pode ser feita de duas
d. George Wallace [l [l [1 [l [l maneiras. Primeiro, como vimos, os programas de computador
pa~a entrada de dados podem procurar erros a medida que
10. Quale seu partido politico, se voce tiver? esrao sendo entrados. Por exemplo, se voce digitar um 7 para
sexo no MicroCase, o computad or soa um btp , .
. e recusa o codtgo
(Var18}
~rrado. Outros programas de computador testam c6digos ilegf-
Partido Democrata 1[ l llmos nos a rqlllvos
. d e d ados que nao foram checados durante
Partido Republicano 2[ l a entrada.
Partido da Paz e Liberdade 3[ l Segundo
. , se nao
- ttver
· .
esses tlpos de p rogramas, voce A

4[ l po d e ltmpar p - . od·
Partido Verde r osstvets-c tgos examinando a distribuir;ao das
espostas a cad ·
Partido lndependente Americana 5[ 1 co . a Item no conjunto de dados. Assim, se seu
n)unro de dad · 3
Outro 6[ 1 (mulh ) os tlVer 50 pessoas codificadas 1 para sexo
7[ 1
su ~res '400 codificadas 2 (homens) c uma codificada 7 voce
Nenhum speJtara que o 7 e um erro. '
 Sempre que descobrir erros, localize o questionario
pertinence, determine o c6digo cerro e fa~a a corre~ao.
Limpeza de Contingencies
A limpeza de contingencias e ma is complicada. A estru-
tura 16gica dos dados pode determinar restri~oes especiais as
respostas de certos respondentes. Por exemplo, urn questio-
nario pode perguntar 0 numero de filhos que uma mulher deu
a luz. Todas as respondences mulheres devem ter uma resposra
codificada (ou um c6digo especia l se nao responderem), e
nenhum e nrrevistado homem deve ter resposta registrada para
esta pergunta (ou um c6digo especial indicando que a pergunta
nao sea p lica). Se um respondence homem for codificado como
tendo dado a luz tres crian~as, ou se cometeu um erro que
deve ser corrigido, ou sua pesquisa fican1 muito mais famosa
do que voce jamais sonhou.
Geralmente, a limpeza de contingencias e feita atraves de
programas de computador que requerem um conjunto bastante
complicaclo de declara~oes se-entao. Em alguns casos, os pro-
gramas que permitem e ntrada direta de dados podem ser
instn1ldos a checar automaticamente as contingencias necessarias,
tal como checam c6digos leglrimos.
Apesar da limpeza dos dados ser um passo essencial
no p rocessamento dos dados, ela pode ser evitada em certos
casos. Voce pode achar plauslve l excluir sem perigo os
pouqu!ssimos erros que ocorrem em algum item sea exclusao
destes casos nao afetar significativamente os resultados, ou
alguma s respostas contingences inadequadas podem ser
ignoradas. Se alguns homens recebcrem o status da materni-
dade, voce pode limitar sua analise desta variavel as mulheres.
Mas nao use esses comentarios como racionaliza~oes para uma
pesquisa malfeita. Dados "sujos" quase sempre procluzem
resultados enganosos na pesquisa.
processados. 0 metodo de processamento dos dados deve ser
escolhido antes de desenhar o questionario.
os pesquisadores costumam suspirar de alfvio quando
os questionarios sao completados e guardados em seguranp
no escrit6rio da pesquisa. 0 perigo de nao conseguir os dados
foi evirado; agora tudo 0 que e preciso e po-los em orclem para
a an:ilise. Esta sensa~ao de bem-estar pode ser infunclacla. Mesmo
que os dados tenham sido coletados no formato correto, pode
ser impossfvel po-los numa o rdem que fa~a semido. Voce s6
pode ficar aliviado se pensou o processamento dos dados com
cuidado e antecipa~ao e se desenhou uma tecnica de coleta de
dados adequada.
Nota
' HEISE, David (Ed.). Microcomputers and Social Research. Beverly Hills,
CA: Sage, 1981. v.9, n.4, p.395.
Leituras ~dicionais
COZBY, Paul C. Using Computers in the Bebavioral Sciences.
Palo Alto, CA: Mayfield, 1984.
EDWARDS , Pe rry, BROADWELL, Bruce. Data Processing. 2.ed.
Belmont, CA: Wadsworth, 1982.
HEISE, David (Ed.). Microcomputers in Social Research. Beverly
Hills, CA: Sage, 1981.

Resumo
A cliscussao sobre as op~oes e requisitos do processa-
mento dos dados enfatizou a necessidade absoluta de um plane-
jamento adequado da pesquisa. Voce nao pode primei~O
coletar os daclos c depois come~ar a pensar como eles serao
 Capitulo 12

Pre-Testes e fstudos-Pi Iota

..:[
1:..
ll
Todo manual de pesquisa aconselha fazer algum tipo de
teste do desenho da pesquisa antes da pesquisa maior. Os argu-
i:I

"
mentos a favor do pre-teste sao convincentes. Ninguem quer r
investir grandes quantias de dinheiro e muito trabalho num grande .i
projeto e nao alcan~ar os objetivos da pesquisa devido a algum ..
.I
erro imprevisto. )t
l
Neste capitulo, distinguiremos dois tipos de teste: pre-
testes e estudos-piloto. Pre-testes se referem ao teste inicial de .Il
urn ou mais aspectos do desenho do estudo, como o questio-
nario, o desenho da amostra, um programa de computador para
a analise etc. l!studos-piloto se refe rem a exames em miniatura
de todo o desenho cia pesquisa.

fazendo as Pre-Testes
Os pre-testes sao os testes iniciais de um ou mais aspectos
do desenho cia pesquisa. Geralmente, isso significa a adminis-
tra\ao do esbo~o do questionario a um grupo de sujeitos, mas
0
conceito do pre-teste c mais amplamente aplicavel.

fazendo o Pre- Teste do Desenho do hmostra

FreqUentemente, um desenho de amostra parece razoavel
no papel, mas revela-se clesastroso na pratica. Se o clesenho pede
ac · ~
na\ao de uma molclura de amostragem, pode-se criar uma
Parte desta moldura no pre-teste. Por exemplo, num desenho
de amostra por conglomerado de areas, voce pode tentar
arualizar as estimativas dos tamanhos dos quarteir6es baseado
em um ou mais resultados de censo ames de enviar sua equipe
para an1alizar todos os tamanhos dos quartcir6es. Se o clesenho
pedir a lisragem das residencias, voce podc em•iar enume-
radores ao campo para selecionar quarteir6es e revelar dificul-
dades inesperadas.
Se for selecionar sua amostra a p~utir de uma lista, estude-a
cuidadosamente, procurando problemas. Se a inren~ao for
estratificar, voce deve tcstar 0 procedimento de estratificar;ao.
A estratificar;ao pode ser feita manualmente? Tcnte faze-la .
P recisaremos de um programa de compurador? Teste.
Os mesmos passos devem scr segu idos na seler;ao cia
amostra. Se for usar um programa de computador, ele cleve ser
testado com claclos parciais ou mesmo dados hipoteticos. Se for
fazer seler;ao manual, um pre-teste com claclos parciais ou
mesmo hipoteticos apontara os problemas e talvez sugira que
a tarefa e imposslvel ou extremamenrc diffcil; a seler;ao por
computador pocle ser mais viavel.
Portanro, o pre-teste do clescnho de uma amostra pocle
indicar se este desenho e posslvel, permitir avaliar as dificul-
dades e estimar o tempo c custo neccssarios. Os pre-testes tem
outra funr;ao. Voce nunca sabera anrccipadamente todas as
decis6es que precisara tomar durante o survey. Apesa r de ter
s ido expllcito na definir;ao da popular;ao do survey, a arte da
amostragem desvenclara problemas esconcliclos de clefinir;ao.
Por exemplo, numa amostra de area, voce entrevista ra os
transeuntes (por exemplo, turistas) assim como os resiclentes?
Filhos aclotivos serao consiclerados membros cia famflia? Ao fazer
uma pesquisa numa universiclade, voce descobre logo que
"estudantes" e/ou "professores" sao criaturas muito diffceis de
clefinir. Um p re-teste certamenre apontara tais problemas (pe!o
menos alguns deles), e voce poclera tomar decis6es com rela~ao
a clefini~ao logo no comer;o. Com um pre-teste, suas decisoes
poclem ser consideradas mais cuicladosamentc, e voce po_de
assegurar-se de que elas serao seguidas consistentemente ate 0
final do estudo.
Pre-Testando o lnshumento do Pesquisa
A finaliclade de pre-testar o instrumento cia pesquisa e
, .
6bvia, mas as opr;oes metocIo Iog1cas poeIem nao
- ser t1o
' claras.
Os seguinres ponros explicam mclhor.
1. Todo o instrumento ou s6 uma parte dele pode ser pre-
testado. Talvez a preocupa<;ao basica seja a aplicabiliclade
de um conjunto de perguntas. Se for assim, voce pode
concentrar a aten~fto em drios pre-testes desta parte do
questiom1rio e em modificac:;oes clel:l. Embora isto seja
legftimo, lembre que o contexte no qual :1!:1 perguntas
aparecem afeta sua recepc:;ao. Portanto, se vale a pena
fazer testes iniciais de partes do questionario, e melhor
acrescentar um ou mais pre-testes de toclo o instrumento.
2. Prcferencialmentc, o instrumento deve ser pre-testado
ta l como sera usaclo na pesquisa; questiomlrios auto-
administraclos e cronogmmas de entrevistas devem ser pre-
testados apropriaclamente. Nao obstante, isto nao profbe o
teste inicial do instrumento por um metodo cliferente.
Recomenda-se pre-testar um rascunho inicial de um
questionario auto-administrado atraves de entrevistas. !:;to
permite identificar problemas, se, durante a entrevisw, um
entrevistador detectar confusao e sondar a natureza desta.
Entretanto, o instrumento deve ser pre-testado, em ultima
instancia, tal como sera usado.
3. Urn formato de perguntas abertas pode ser usado de
forma p roveitosa durant<.! o pre-teste, para determinar
categorias de respostas apropriadas para o que mais tarde
se to rnara uma pergunta fechada. Pcde-se aos respondentes
darem suas pr6prias respostas a uma pergunta, que, em
seguicla, serao aclicionadas pelo pesquisador para criar
categorias de respostas. Mas e importante testar as respostas
fechadas tambem. Portanto, deve-se fazer um novo pre-
teste para descobrir possfvcis problemas nas categorias
paclronizadas.
4. A sele~ao de sujeitos para os pre-testes dos instrumentos
pode ser feita de modo llexfvel e variado. Amostragem
controlada nao e necessaria neste ponto. (Estudos rapidos
sao uma questao completamente diferente.) Digo isso
porque os pesquisadores, freqOentemente, omitem os pre-
testes devido as dificuldades na amostragem. A unica
diretriz que recomendo para sele~ao dos sujeitos e que
estes clevem ser pessoas razoavelmente aclequadas para
 as pergunta.s consiclcrada.s. lde:dmente, cada item indi-
vidual cleve ser pre-te.staclo no.s membros eta equipe de
pe.squi.saclores, embora tal teste nao .scja .suficicnte Se a
pesquisa liver como alvo uma popula<;ao em particular
quaisquer membros desta popula<;ao ou ru•sso·1.s ~A 111 ·II . '
•·-· ' "'" e l.lnte.s
a ela podem .serYir como sujeitos para o pn!-teste. Em pre-
testes mais rigorosos clo instrumento de pesqui~-
..u1,
(I•
~ve-se
dar pouca aten<;ao a representatividade estrit·t·.. , '-10 cont rano
deve-se tentar alcano;-ar a mais ampla varia<;:io no.s
de respondentes- induindo os que podcm representar
uma pequena minoria da popula<;ao. Numa pesquisa
cle atitudes politicas, cleve-se pre-testar 0 instrumemo
em sujeitos tirados de todo o cspectro da popul:t<:iio.
I sto significa que os extremo.s - direira e esquerda _
.seriio sobre-representados no teste, para assegurar que
o in.strumento fara sentido e sera util na compreen.sao
de todos os tipos de respondente.s na popula<::io.
claro que o in.strumento tambem devera ser tc.:.stado
entre os ··moderado.s".) 0 objetivo do pre-teste
melhorar o instrumcnto da pesquisa c.: niio fornecer
descric;ocs da popula<:iio.
5. Pre-testar pcrmite comparar dift:rentes metodos para
obter os dados dcsejados. Difercnte.s rascunhos do
questionario podem ser testados simuhancamente, c
revisoes c rctcstes suce.ssivos dcvem ter o mesmo efeito.
6. Pode ser bom usar os mesmos sujc.:itos mai.s de uma
vez no pre-teste do instrumcnto. A raz:io disto e que o
perfil geral clo sujeito assim clerivado fornecc uma ba.se
geral par..1 avaliar as re.spostas a itens especificos. Por outro
!ado, o rascunho final cle\·e .ser pre-testado em novos
sujeitos para levar em conta o incvitavd proccsso de
aprendizagem que ocorre entre os sujeitos :mtcriores.
Estas sao algumas clas OP\Oes e diretrizcs relcvanrcs a
rcaliza~ao de pre-testes. Enfatizo que o pre-teste deve serum
processo cumul::ttivo em multiplos est5gios; voce nao deve
pensa r em termos do pre-teste. Mais a frcnte, consideraremos
a avalia~ao dos pre-testes do qucstionario.
Pre-Teste do Co leta de Dodos
Muito j5 foi escrito sabre as tecnicas de coleta de dados,
esquisadores experientes provavelmente j5 estabeleceram
e p pr6prios mero
seus ' d os b'as1cos.
. Mesmo assm1,
. ca da pcsqutsa.
• suas particularidades com rcla~ao a coleta de dados.
ten1 '
se for usar questiom'irio enviado pelo correio, teste,
- · essoalmente, os procedimentos de montagem e remessa dos
tipo~ ~uestionarios. Somente assim podem ser devidamente organi-
7_.1cbs as varias erapas do processo. Carimbar selos, colar etiquetas,
dobrar carr.as, par nos envelopes pocle ser mais diffcil na pratica do
que na teoria.
Um pesqu isador experience provavelmente pode orga-
nizar o trabalho, preparar a area de trabalho e designar tarefas
acquipe num ensaio mental. Mesmo assim, s6 um teste ffsico
pode demonstrar que efetivamente questionarios nao cabem
(E em envelopes, ou que envelopes de retorno nao cabem nos
envelopes de remessa etc. Se o numero de idenrifica~ao do
c questionario deve emparelhar com o numero na etiqueta de
endere~amento, s6 um ensaio ffsico aponrara os riscos (e,
espera-se, a preven~ao) de misturar estes numeros.
Continuar esta lista de exemplos nao faz sentido, porque a
natureza dos problemas a serem clescobertos varia muito com a
natureza do descnho da pesqu isa. Basta dizer que o pesqui-
sador que nao p rc-testar a remessa dos questionarios corre um
risco consideravel.
A necessidacle de pn~-testar os metodos de coleta de dados
~ ~inda ma ior num survey por entrevistas. Como isso pertence
a _area de treinamento, teste e supervisao do entrevistador, a
(hscussao deste pre-teste ja foi apresentada no Capftulo 10.
Pre-Testando o Processamento de Dodos
d Os pesquisadores tendem a ficar muito tensos na fase
e coleta de dados do survey (os daclos chegarao?) e rcbti,·a-
mente ' re Iaxa d os nos estagtos
. m·lis , . poslenores.
. Senrem que,
assun que ~ . , . _
probJ tern os questtonanos em maos, a pressao acaba e os
v d emas poclem ser resolvidos mais tranq\.iilamentc. Isso e
er ade e .
dt" f . m muttos casas, mas essa atitude pode ser seriamente
s uncto 1 . .
p na se unpedtr o pre-teste dos proccdimentos de
rocessamento de daclos.
 E claro q ue a nawrcza do p re-teste do processamento
de dados dependc cia natureza do proprio processamento dos
dado. Voce deve pre-tesrar as operas;oes de codifica~iio e entrada
de dados. Os resultados destc pre-teste tem importantes impli-
ca~oes no fom1ato do instrumento cia pesquisa. FrcqLientemenre
umas poLJCas pcquenas modificas;oes no layout clo questionari~
melhoram muito a cficiencia cia codifica~iio e cia entrada clos
dados. Pre-testar mostra as necessidades especfficas da
pre-codificas;ao, exigindo mais, ou indicando que menos
pode basta r. A (mica maneira de saber e fazer os codificadores
praricarem a codifica~ao, com clados hipoteticos ou com questio-
narios completes pre-testacies. Mas toclo o proccsso do treino cia
codifica~ao sera em v:lo se cste treinamenro for atrasado are a
hora que os questionarios finais estiverem chegando.
Estes comentarios sc aplicam se os questionarios forem
desenhados para entrada di reta de dados. Alem disso, um
pre-teste apontad as necessidades relacionadas ~t revisao dos
questionarios antes cia entrada clos cbclos. Se a enrrada for
feita a pa rtir de fo lhas de transfercncia coclificaclas, o teste
mostrara requisites especiais de coclifica«;ao.
E preciso enfatizar a necessidade de pre-teste se os daclos
forcm entraclos por escaneamento 6ptico. Um pre-teste mostraru
as tolerancias cia maquina com rela~ao a folhas danificadas e
espa~os mal marcaclos. Um grande survey transferiu os dados
do questionario para folhas 6ptico-sensfvcis scm perceber, ate
o fim cia cod ifica~ao, q ue os coclificadores usaram lapis como
grau en·ado de sombreamento. A equipe do projeto percleu duas
semanas, em tempo integral, escu recenclo as marcas iniciais.
Se houver quesr6es abertas, deve-se dar aten\-':'i.O antecipada
a organizas;ao da codifica\iiO. Um pre-teste sugerira a ordem mais
eficaz para a coclifica~o das questoes abertas e fechadas.
Tambem deve-se pre-restar o processamcnro p6s entrada
de daclos, tais como limpeza e rransferencia de daclos para fita.
Embora possa haver programas de compurador de uso geral
para csras rarefas, somcntc um teste verdadeiro assegurara que
os dados cstao organizaclos aclcquaclamcnte para o uso destes
programas. Se a pesquisa exigir a constru~iio de arquivos de
claclos em multiplos nfveis (por exemplo, arquivos do domidlio,
arquivos cia famflia e arqu ivos pessoais), pocle ser necessaria
uma ma nipula~ao mais complexa dos daclos; esra manipu!a~iio
precisa ser pn~-testacla.
Finalmente, pre-testes do(s~ estagio(s) do pr~cessamen_ro
. devem mostrar o camrnho para uma mter-rela~ao
de da d os
. e clos elementos separaclos. A caraIogat;ao - d
e quesuo-.
efic•ent · · · 1, co c1·r·
· - rn1cra
etos rev1sao -
1 1cat;ao, enrra d a de
Pl
0 ariaS com '
. peza e quaisquer outros elementos cnvolvrdos no
.
dados, 1rm . . .
cia pesqu1sa precrsam ser coorclenaclos. Isso
rocessame nto < , • •
P_ ·r· ue os produtos de um estag1o devem ser 1nsumos
51gm 1ca q -
·. clos do proximo e que deve haver coordenat;ao c1e
apropn<l , . , .
. - do tipo quem levara os questronanos de uma sala
decrsoe 5
onde os questionarios serao guardaclos num cerro
para ou (ra ,
momenta etc.
Pre-Teste da hnalise
voce pode achar esquisito falar de pre-teste cia analise,
especialmente consideranclo minha insistencia na analise como
atividade aberta e frequentemente heurfstica. Mas sugiro esta
etapa seriamente. Embora inevitavelmentc voce fa~a coisas com
OS dados que inicialmente nao pretendia fazer, precisa assegurar-se
de que sera capaz de fazer as coisas que pretendia fazer.
Apesar de dar mais espa~o a analise relacionacla aos
estudos-piloto, devo mencionar dois tipos de pre-testes analf-
ticos. Primeiro, voce cleve dar toclos OS passos, clescle OS claclos
brutos are o produto final, de constru~ao de tabelas, de fnclices,
de escalas, regressoes, analise fatorial etc., que tenha em mente;
verificar cacla etapa, dos registros dos clados a apresenta\;aO
escrita. A razao clessa verifica\;ao exaustiva e assegurar que voce
podechegar Ia a partir daqui. Frequentemente, a forma cia coleta
da informa\;ao nao se presta a analise pretenclida. Vejam
alguns exemplos.
Um survey de popula\;ao coleta clados sobre cada membra
da residencia. Os dados sao padronizados, com um registro
separaclo para cada membro. Entretanto, neste formate, pocle
ser impossfvel determinar facilmenre o ntlmero de pessoas em
cada residencia. Mesmo sendo possfvel contar o numero de
registros de pessoas para cada uma, pocle ser impassive! usar
esta informas;ao como variavel analftica. (Solu(:ciO: pe~a aos
CodT1 ICad ores que contem as pessoas e coclifiquem a conragem
de pessoas num arq uivo de residencia separado.) Igualmente,
~e ser diffcil relacionar os clados cia residencia (par exemplo, a
ldade do chefe cia familia) aos arquivos clas pcssoas individuais, a
menos que se tomem meclidas antecipaclas para permiti-lo.

~ Em outro exemplo, suponha que no pre-teste da analise
voce descubra que quer apresentar idadc como uma medi
.. a,
para permtt.ll' comp~ra~oes com outros dados; se voce
pergunrou a 1dade em mtervalos, em vez de a idade exata, pode
ter problemas.
0 segundo tipo de pre-teste analftico rem a ver com
uso de bardware e sojiware de manipula~ao de dados _testa~
o compurador e os programas que voce pretende usar na analise
Voce pode descobrir que o Formato do quesrionario precisa se;
modificado para se adequar a seus prop6sitos analfticos·
descobrir isso durante 0 pre-teste e melhor do que depois d~
ter coletado todos os dados.
fazendo fstudo s-Pi Iota
Como tentei mostrar, e importante pre-restar os vanos
aspectos do desenho e cia analise da pesquisa. Idealmenre,
devemos fazer extensos pre-testes de cacla aspecto. Alem clisso,
estarmos sempre atentos para as implica~oes do pre-teste de
um aspecto para com OLltros aspectos e procurar inter-relacio-
nar todos eles. 0 melhor meio para assegurar inter-rela~oes
validas e fazer um estuclo-piloto- um exame miniaturizaclo de
toda a pesquisa, da amostragem ao relat6rio, que deve diferir
do survey final apenas quanro ao tamanho, estuclanclo menos
casos (e usando menos tempo).
fstudo-Pi Iota da Amos hag em
Diferentemente do pre-teste, o estuclo-piloto deve fazer
uma amostra representativa cia popula~ao alvo. Portanto, a
amostra do estuclo-piloto deve ser selecionada exatamente
cia mesma mane ira programada para o survey final. Mas com
uma cxce~ao.
Como se pocle quercr evitar estuclar os mesmos respon-
clentes no esrudo-piloto e no survey fina l, pode-se evirar isto
selecionanclo as cluas amostras ao mesmo tempo, o que pode
ser feito de duas maneiras. Primeira, selecionando a amosrra
final- ou, pelo menos, as uniclacles primarias de amostragem
(por excmplo, quarteiroes de censo) - e, clepois, do restante
cia popu l a~ao, se lecionando a amostra do estuclo-piloto.
Segunda, selecionando uma amostra in icial com elementos
suficientes para ambas as amostras e subamostranclo desra
lista pa ra o estudo-piloto.
Se a sobreposi~ao nao for considerada um problema,
·tra do estudo-piloro deve ser selecionada cia mesma
a amo!'i • ,
. plane1·aoo para o swvey final. Em qualquer dos casos, tera
rnaneu:1 ,
sido resrado o desenho cia amostra (ou extr~uda a amostra final).
fstudo-Pi Iota do lnshumento de Pesquisa
0 esrudo-piloto deve envolver a administra~ao de um
instrumento de pesquisa o mais identico possfvel ao planejaclo
ara 0 survey final. Mas, se for usado um procedimento de
~osragem muit~ elaborado, pode na? ser viavel ~roduzir o
numero necessaria para o estudo-plioto e dep01s um lore
revisado para o survey final.
o questiomirio do estudo-piloto deve cooter todas as
questoes planejadas, com a reda~ao, o formato e a sequencia
que 0 pre-teste indicou serem os melhores. 0 estudo-piloto
nao deve ser um vefculo para testar novos itens ainda nao
pre-restad os.
Dito isso, vejamos uma exce~ao. E razoavel que o
instrume nto do estuclo-piloto contenha mais questoes do que
o planejado para o survey final. Freqi..ientemente, pre-testes nao
controlaclos sao insuficientes para cleterminar qual, de varios
metodos pa ra obter OS claclos, sera mais uti!. Portanto, em
alguns casos, pocle-se incluir mais de um metoda no mesmo
questionario (se eles nao se mostrarem uma repeti~ao grosseira),
com a inten~ao de avalia-los atraves do estuclo-piloto.
Uma maneira melhor, apesar de mais complexa, para
lidar com esta situa~ao e usar cliferentes versoes do questionario
em suhamostras do estudo-piloto. Assim, os responclentes do
estudo-piloto estarao reaginclo ao que pode se tornar o instru-
menro do survey final, fornecenclo um teste melhor.
Se um unico instrumento do swvey-piloto for usaclo para
avaliar metodos alternatives de obten~ao dos daclos, e preciso
tomar cuidado para nao criar um instrumcnto grande demais.
As lit;oes aprendidas com a aclministra~ao de um instrumento
de. csruclo-piloto Iongo e repetitive podem ser inadequadas para
0
mstru mento final mais curto.
Coleta e Process omenta de Dodos do fstudo-PiIota
Como em ourras fases do estudo-piloto, a coleta e o proces-
samenro dos dados devem ser um exame miniaturizado do
clesenho do survey final. Se os instrumentos de pesquisa forem
comparaveis, devem ser aclministrados exatamente como voce
planeja fazer no survey final. Oncle eles diferirem, e preciso
estar especialmente conscience das implicac;oes destas diferen0~s,
tentanclo aprender a partir cia inferencia em vez da experiencia.
Os questiomirios completes devem ser coclificados, e os dados
entrados, transferidos, limpos e analisados exatamente como
planejado para a pesquisa final.
Anal isedo fstudo -Piloto
Pode parecer estranho, mas a pesquisa orgcmizada deve
comec;ar com um rascunho do relat6rio escrito. Elc deve canter
os argumentos 16gicos da pesquisa, tabelas em branco ou
hipoteticas e a amarrac;ao verbal que une tudo isso. 0 pesqui-
sador organizado assegura assim familiaridade com qual infor-
mac;ao e necessaria, de quem eta e necessaria, e a forma na
qual e necessaria. A analise do estudo-piloto, assim como a
analise final, devc consistir em preencher os espac;os vazios
empfricos, anotar os acontecimentos incsperados e elaborar
estes desenvolvimentos. A analise do estudo-piloro deve ser
feita com rodo o vigor e a imaginac;ao que serao usados na
analise final. Como a amostra do estudo-piloto e exrrafda com
a intenc;ao de representar a populac;ao alvo, os resultados cia
analise do estudo-piloto devem ser essencialmenLe os mesmos
do survey final. Este deve ser uma replicac;ao mais substancial
do primeiro.
Entretanto, OS desenhos de pesquisas nunca sao petfeitos,
nem o raciodnio 16gico que os embasa. Portanro, a analise do
esrudo-piloto nunca realmente resulta exatamente no que e
esperado. Mais frcqlientemenre, aponta erros no raciodnio e/
ou no desenho. Os metodos para determinar estes erros sao
discutidos a seguir. Agora, quero enfatizar a importancia de levar
o survey piloto o mais Ionge possfvel, para revelar o maior
numero possfvel de erros, antes de comprometer os principais
recursos no survey final.
Se faltarem dados necessaries ao estudo-piloto, devem-se
fazer as aproximac;oes possfveis para petmitir a maior elaborac;ao
possfvel na analise pretendida. Se, por exemplo, a analise sugerir
que se deve levar em conta nfveis de renda, e voce nao tiver cole-
tado dados sobrc renda, voce deve usar cscolatidade ou ocupa,·ao
para fazer estimativas aproximadas. Se nao river dados aproximados,
construa tabclas hipoteticas, apresentando todos os possfvcis
ulrados verdadeiros para renda. Determine como cada resul-
resdo possfvcl sena· exp 1·tea d o e quats
· outros cIa d os cIevenam
·
ta considerados na explicac;ao. Se esta abordagem sugerir
ser .
..• n: 1· es fara-as com os dados do estudo-ptloto; sc ne-
mats •1 ·1 15 • ~
cessario, fac;a aproximac;oes ou erie novas tabelas hipoteticas e
rente explica-las.
E muito facil perceber um problema e suas irnplicac;oes
imediatas e deixar para corrigir o problema no survey final. Este
procedimento e perigos?. Para tir~r pr?vei~o de um estudo-
piloro, voce devc constderar as tmpltcac;oes de segunda,
terceira e quarta ordem do problema e suas possfveis soluc;oes.
Avaliando Pre-Testes e fstudos-Pi loto
Esta ses;:ao oferece algumas diretrizes e criterios para
avaliar pre-testes e estudos-piloto. Apesar de nao oferecer leis
para resolver este assunto, tentarei ligar os objetivos da pes-
quisa aos criterios de avalias;:ao. Limitarei a discussao aos usos
da analise na avaliac;ao do instrumento cia pesquisa.
0 cerne de um survey sao a coleta, manipulas;:ao e com-
preensao dos dados. Acima de tudo, pre-testes c estudos-piloto
visam assegurar a criac;ao de dados uteis. Consideremos
maneiras de reconhecer dados uteis.
Clarezado Pergunta
Para serem uteis, as pergunras devem fazer sentido para
os respondentes, mesmo se as implica~oes mais evidentes das
questoes nao forcm tao evidentes para eles. Igualmente, as
categorias de respostas (se fornecidas) devem fazer sentido,
tanto e m st· mesmas quanta na rela~ao com a pergunra, e umas
com as outras. A seguir, mostramos alguns sinais de perigo que
Podem surgir no pre-teste ou no estuclo-piloto.
Omissao de Resposta. Geralmente, todo respondente pula
algumas p erguntas, e toda pergunta e pulada por alguem·
contudo q d '
' uan o uma pergunta produz muitos "sem resposta",
temos' uma d"tea d e problemas no desenho do survey.
d Mzl!tiplas Respostas. Mesmo quando se pede aos respon-
entes para s I . ,
nar e ectonar so uma resposta de uma lista de alter-
lvas, alguns persistirao em selecionar mais de uma. Se uma
pergunra produ . . . respostas multtplas,
- . voce- deve suspel(ar
.
u
q e ou suas zu muttas ·
caregonas de respostas nao sao muruamcnte
excludentes, ou a pergunta esta sendo mal compreendida. A
solu~ao deste problema varia com o tipo de m(i!tiplas respostas.
Se as mesmas duas categorias forem escolhidas juntas
frequentemente, talvez e las possam ser melhor distinguidas
ou, alternativamente, combinadas. Se varias combina~oes
de respostas estiverem sendo selecionadas, deve haver algum
erro mais basico, e toda a pergunta deve ser reexaminada.
Respostas" Outras'. Frequentemente, e correto oferecer ao
respondente a idternativa de dar sua propria resposta em
perguntas fechadas. Seja oferecida ou nao esta op~ao, ter urn grande
numero de respostas escritas (ou oferecidas pelo entrevistado)
indica que as categorias fomecidas nao sao suficientemente exaus-
tivas. Se as respostas "outras" se ajusram conceitualmente a uma
ou mais categorias 16gicas, sem sobreporem-se as existentes,
talvez devam ser acrescentadas a lista de alternativas.
E claro que nao se deve acrescentar respostas a lista, se
isto criar conflitos com os objetivos do estudo ou clesra pergunta.
Por exemplo, os pesquisaclores em comunica~ao nos Estados
Uniclos algumas vezes pedem aos respondentes para inclicar sua
fonte primaria de informa~ao polftica, oferecenclo op~oes de uma
lista que inclui jornais, amigos, radio, revistas e peri6dicos poli-
ticos. A televisao e propositadamente omitida da lista, supondo
que a maioria a escolheria caso fosse inclufda . Mesmo se respon-
clentes voluntariamente responderem televisao, voce pode nao
querer incluf-la na lista. Entretanto, se muitos responderem tele-
visao, voce pode decidir excluf-la especificamente na pergunta
basica (por exemplo, "Fora a televisao, qua I cos .
I segumtes....?") ·
Respostas Qualificadas. Frequentemente, os respondentes
qualificam suas resposras, tanto ao escolher uma caregoria
fornecida quanta ao responder uma pergunta aberta. Solicitados
a informar sua "renda anual", eles pod em assinalar que estao
informando a renda do ano passado ou a esrimativa desre
ano. Solicitados a informar a iclade do pai, podem observar
que estao relatando a idade do padrasto ou a idade do pai
quando faleceu. Perguntados sobre suas filiac;oes a particles
polfticos, podem assina lar que eles marcaram o partido ao
qual sao filiaclos, mas que, em geral, votam inclepenclen-
temente clesta filia~ao· por outro !ado, podem assinalar
, . ' que nao
exatamente o contrano: - estao
- f·1·
1 Jad o s a urn partido
mas geralmente voram no partido inclicado.
Resposras qualificadas como estas apontam uma falta
reza nas pergunras e/ou nas respostas fornecidas. Uma
de cIa mo essa po d e ser su f·tc1ente
. . . uma revtsao
para ex1g1r . -
resposta Co
unta se a falta de clareza puder resultar em compre-
da perg • , .
-
ensao erronea cla pergunta. Vanas respostas como essas
c:dgem uma revisao.
Comentarios Diretos. Frequenremente, os respondentes
nram cliretamente problemas de reda~ao ou formato cia
apo or exemp Io, "E sta e, uma pess1ma, . pergunta ") .
pergu nta' (p . , .
Embora voce possa descons1derar alguns desses comentanos,
deve clesconfiar das perguntas que os produzam em quanticlacle
superior a normal.
formato do Question6rio
Todos os sinais de perigo discutidos anteriormente poclem
apontar erros no formato assim como erros na reda~ao. Por
exemplo, respostas faltantes podem indicar que o "fluxo" do
questionario e inaclequaclo. Isto e especialmente verdade para
perguntas contingentes, que frequentemente sao (e deuem ser)
pastas no !ado da pagina do questionario. Melhores instru~oes,
caixas, setas e dispositivos similares devem resolver estes
problemas.
Algumas vezes, os respondentes respondem uma serie
de perguntas sim/nao simplesmente marcanclo alguns sins.
Podemos perguntar a que tipos de organizac;oes pertencem os
respondentes e providenciar uma lista de diferentes tipos com
'·sim/nao" ao !ado de cada uma. Se os respondentes marcarem
somente sim em alguns casos, o problema consiste em nao
sabermos se as organizac;oes ao !ado das quais eles nao mar-
caram nacla sao aquelas as quais eles nao pertencem, ou se
simplesmenre eles as pularam inaclvertidamente ao percorrer a
lista. Instru~ao mais explicita (por exemplo, "par favor, responcla
a cada umd') pode aliviar este problema. Se voce estiver parti-
cularmente preocupado com a precisao das respostas numa situ-
a~ao clessas, pergunte sabre a filia~ao a cada organizac;ao em
perguntas separadas, em vez de numa lista; entretanto, isto
aumentara o tamanho do questionario.
Variancia nos Respostas
. Uma preocupa~ao primaria na avalia~ao dos testes de um
IOStrumento de pesquisa cleve ser a clistribui~ao das respostas
provocadas por cacla pergunta. As respostas estao clistribufdas
mais ou menos igualmente entre as varias categorias de respostas
forneciclas ou a maioria selecionou as mesmas respostas? A consi-
clera~ao cleste aspecto dos resultados dos pre-testes e estudos-
piloto, apesar de essencial, depende dos objetivos do estudo e
das questoes espedficas.
Se a pergunta for feita para medir a informa~ao fatual
que permita uma avalia~ao independente (por exemplo, pedir
a estudanres que informem suas medias escolares, quando voce
conhece a distribui~ao cia popula~ao), entao as respostas aos
testes-piloto ciao uma dica cia clareza cia pergunta e/ou da hones-
tidade dos responclenres (e clara, supondo que os dados do
teste sejam tiraclos de uma amostra representativa).
Se uma pergunta for, tal como recligida, intrinsecamente
interessante, voce pocle ficar satisfeito com qualquer clistri-
bui~ao de respostas que obtivcr. Pode ser interessante e valioso
saber, por exemplo, que todos na popula~ao aprovam uma lei
proposta, e voce pocle querer replicar esta descoberta no
survey final.
Enrreranto, em pesquisa social, estamos mais interessados
nas re/a~oes entre as uariiiueis. Queremos saber por que
algumas pessoas sao favoraveis a um procluto e outras nao.
Qucremos saber por que algumas pessoas sao conseiv.adoras e
outras nao. Se nao houver varia~ao nas respostas daclas a uma
pergunra, nao seremos capazes de explicar as resposras. Nao
podemos explicar as diferen~as que nao aparecem na coleta de
claclos .
Procuranclo rela~oes entre variaveis, a parte mais interes-
sante cia pesqu isa social, c preciso obter variancia nas respostas.
Lembre-se clas cliscussoes anteriores deste livro, onde decla-
ramo~ que os clados sociais sao criados, em vez de colerados
neutramente, assim como as discussocs onde declaramos que
conceitos sociais e variaveis nao existem num senticlo absoluto.
E neste senticlo que voce precisa criar variancia nas respostas
fornecidas pelo instrumento de pesquisa. Se suas questoes
abordando religiosidade sugerem que todo mundo e religioso, e
preciso ser mais rigoroso no criteria de religiosidacle, reescre-
vendo as perguntas de maneira a empurrar mais respondenres a
apostasia. Dizemos isto sem sutilezas, porque e um ponto algumas
vezes dificilmente aceito. Infelizmente, a literatura tradicional
sabre o metoda cientffico criou a cren~a infundada que os
pesquisadores devem conceituar as variaveis e as posi~oes
nessas variaveis que reflitam mais de pelto a rea!iclade. Poitanto,
. s novas pesquisadores gastam muito tempo tentando
Olll 1.toir p recisamente conceitos· como "re 1·Igiostc
. . I a d e " , para
de f 111· definirem o que constJtUI . . " 1· · ".
a pessoa re Igtosa
de p O lS
A base epistemo16gica deste livro e a convic~ao de que
'tos como "religiosidade" e "religioso" nao podem ser
conce1
finidos de maneira final. 0 melhor que podemos esperar no
d;csente e criar varias conceiwa~oes uteis de re~igiosidacle,
~ennitindo fa1ar aproximadamente de pessoas ma1s ou me/los
. 1·osas
re11g , ·
(0 mesmo e verdacle sabre conccitos como status
_ . . _
·,..I liberalismo aliena~ao, conhecimento etc.) Concettua~oes
SOCl·• , '
sao "ure is" na medida em que nos ajudam a enrender os dados
empfricos e faciliram a constru~ao de teorias coerentes.
Para exp licar por que algumas pessoas sao mais religiosas
que outras, e preciso definir e medir religiosicla~e de. 1:1odo a
pem1itir classificar alguns respondentes como ma1s reitgiosos e
outros como menos re1igiosos, mesmo se este metoda de
cJassifica~ao nao coincidir completamente com sua cren~a
pessoal sabre 0 que e, definitivamente, uma "pessoa religiosa".
Se voce quiser explicar a variancia, deve tentar maximiza-la
entre o s respondentes. Numa pergunta com respostas dico-
tomicas, re nte obter uma distribui~ao meio a meio das
respostas. Numa pergunta com mais alternativas de respostas,
procure uma distribui~ao igual. Isso 1he clara maior potencial
para a analise posterior. Entao, ao avaliar os resultados do
pre-teste ou do estudo-piloto, voce pode querer manipular a
variancia produzida por certas perguntas. Vejamos algumas
sugestoes para obter a variftncia desejada.
1. A variancia pode ser manipulada mudando a enfase da
pergunta. Por exemplo, suponha que qucrcmos cxaminar
a dedica~ao dos ;tlunos ao aspccto de treino vocacional
de uma educa~ao superior nas artes liberais. Podemos
pedir-lhes que concordcm ou discordem da seguint<.:
declara~ao: "Aprender uma habilidadc vocacional e uma
parte importantc da minha educa~ao superior." Se quase
toclos os alunos num estudo-piloto concordarcm, nao seria
possivel analisarmos as respostas, clevido a falta de
variflncia. A variftncia podc scr manipulada "cndurecendo"
a declara~ao: "Aprcndcr uma habilidade vocacional ea
pane mais importantc da minha cduca~ao superior."
Devemos espera r que ml!nos l!studantcs concordem com
a segunda declara~;ao do qui.! com a primeira.

Igualmcntc, ~e a declara~ao modificada for perguntada
num estudo-piloto e pouquis~imos e~tudantes concor-
darem com cia, podcmos con~idcrar muda-la para a forma
ma is facil.
2. Altcrar a i!nfasc das categorias de rcspostas podc ter 0
mcsmo efeito. Suponha que sc perguntc, num swveysobrc
saude publica, ··com qual freqi.icncia voce lava a~ maos
antes de comer?" c sc desscm as seguintes rcspostas:
"Scmpre, de vcz em quando, n unca." Se poucos ou
nenhum respondentc num estudo-piloto disscr "scmpre",
esta resposta pode scr trocada por "quase scmprc".
3. Expandir a lista de categorias de respostas quase semprc
aumenta a variancia nas rcspostas. Aumentar as
possibilidades de rcsposta de "concordo/ discordo" para
"concordo fortemcnte, concordo, di~cordo, discordo
foncmentc" quasc sempre espalha as respo~tas. (No
cntanto, podemos acabar tendo que explicar a difcren~a
entre "concordo fortcmente" c "concordo", por um lado,
e "discordo fortemente", por outro.)
De maneira similar, os rcspondentes algumas vezcs relutam
em cscolhcr uma resposta extrema, espccialmentc em itens
atitudinais ou de orienta~ao. Solicitados a caracterizar suas
orienta~oes politicas como "muito liberal", "mocleraclamente
liberal " , "moderadament e conservador" ou "muito
conscrvaclor", rclativamente poucos escolhem um dos
extremes. Se os termos "esquerda radical" c "dircita radical"
forem acrescentados aos extremes da lista, esperamos que
..... mais pessoas selecionara o "muiro liberal" e "muito
conservador"; pclo mcnos, mais respondentes selccionarao
"esquerda radical" ou "muito liberal" do que escolheriam
"muito liberal" na primeira lista.
Os exemplos mostraclos envolvem a expansao clas cate-
gorias de resposta em direc;;:ao aos extremos cia variavel. Algun:as
vezes, e uti! empurrar as respostas para apenas uma clirepo,
ou seja, expanclir apenas um extrema da variavel. Assim, no
exemplo, os pesquisadores cia universiclacle pocleriam acres-
centar apenas "Nova Esquercl a" ou "soc1a · 1·tsta " a- 1·IS ta "t ni·cial etas
categorias de respostas.
A van.. 1' nas respostas e um criteria muito importante
·;; 0 c ·a
I" 0 valor etas perguntas. Entrewnto, o modo de
ava tar d - . d . d
P•·lJ.l.
·. . riancia clepende o proposno a pesqUisa ou a
•allar a ' a
~n' · _ S 0 prop6sito for descrever, pode ser interessante e
esrao. e
qu · , pouca variancia quando a forma da pergunta for
·
1111 0 rrante " ' '
p L te adequada ou voce pode tomar a falta de variancia
chramen ' ' -
· ·ncticac;;:ao de que a pergunta esta mal trabalhacla e
como uma I - . f
ue a descric;;:ao produzida e enganosa. Mas, se o propostto or
q . e' preciso ter variancia. Seus respondentes devem pa-
exp1tear, A • • • •
recer cl w ·cerentes• se voce ttver que expltcar suas dtfetenc;;:as.
Valida~oo lnterna de ltens
Ate agora, discutimos apenas a avaliac;;:ao indepenclente
de itens individuais. Os itens tambem podem ser avaliaclos
examinado suas relac;;:oes com outros itens. Suponha que voce
incluiu no estudo-piloto do questionario varios itens que
acredita que mec;;:am "alienac;;:ao". Uma func;;:ao cia avaliac;;:ao do
estudo-piloto e determinar se cada item serve a esse prop6sito.
Se todos os itens de fato medirem a mesma disposic;;:ao nos
respondentes, as respostas a um item devem se correlacionar
com as respostas a outros.
Tipicamente, toclos ou a maioria clos itens concebidos
para meclir uma variavel se relacionam empiricamente uns aos
outros, mas a forc;;:a clas relac;;:oes varia entre os pares de itens.
Se um item for muito fracamente relacionado aos outros, voce
pode concluir que e le nao mecle de fato a variavel e tira-lo do
questionario. (A possibiliclade de ele ser o unico item que mecle
a variavel e um clos problemas com os quais os pesquisadores
precisam aprencler a viver.) No entanto, voce nao deve aban-
donar automaticamente todos os itens clesse tipo. E possfvel
clecidir substantivamente que o item em questao representa uma
dimensao urn pouco cliferente eta variavel, nao relacionaclo
empiricamente mas conceitualmente importante, ou decidir que
a falta de rela~o e clescritivamente interessante e desejar replicar
as dcscobertas no survey final.
. No extrema oposto, uma correlac;;:ao muito alta entre clois
l[ens . pocle sugerir que e desnecessario incluir OS do is no
questionario f"tna I. El"unmar
· um ou mats· 1tens
· recl unclantes eco-
nomiza es
. pac;;:o que pocle ser usado para itens que nao foram
considerad
os no estudo-piloto do questionario.
 ~valia~ao da ~nalise e do Relat6rio
A avalias;ao do estudo-piloto se baseia, em ultima instancia,
nos mesmos criterios de avalia\;ao de um projeto de pesquisa
encerrado - sua capacidade de contar uma hist6ria uti! e
interessante. Embora os comenrarios anteriores apontem alguns
criterios avaliativos especlficos, o criteria destes e o sucesso
no estudo-piloto da analise e do relat6rio. Como dissemos, voce
deve analisar e escrever os dados do seu estudo-piloto como
se eles representassem o survey final. Basicamente, as se\;oes
do desenho do estudo-piloto que permitem construir uma
hist6ria interessante e uti! devem ser mantidas; as que in1pedem
tal constru\;ao devem ser modificadas.
Os problemas de recla~ao de perguntas, formato, vari-
ancia, valiclade e relac;ao entre itens sao, em ultima instancia,
avaliados em termos clas clisfun~oes que trazem para o fio da
hist6ria. S6 uma analise e urn relat6rio completos poclem cleter-
minar isso. Voce cleve executar todas as etapas programaclas da
analise, constru\;ao de tabelas, Indices, escalas, fatores, corre-
la~oes, regressoes etc., e explicar suas descobertas. Repito: este
e 0 unico metoda adequaclo para avaJiar OS resultados do
estudo-piloto.
Analisanclo seriamente os clados do estuclo-piloto, voce
tem conclic;oes de reconhecer que certos daclos foram desconsi-
derados, num momenta em que aincla e possfvel modificar o
clesenho, alem de antecipar as surpresas analfticas que o espe-
ram na analise do survey final. Se sua hip6tese basica de
pesquisa nao for apoiada pelos clados do estudo-piloto, voce
cleve analisar estes dados da maneira mais minuciosa possfvel,
tentando descobrir por que a hip6tese nao foi apoiada. A me-
clic;ao clas variaveis foi adequada? Outros fatores interferiram
com a relac;ao esperada entre as variaveis? A hip6tese era sem
fundamento? Apesar de nao poder responder sans · fatonam
· ente
todas essas perguntas, a analise do estudo-piloto deve dar-lhe
pistas sobre o que sera examinado no sm-vey final. Pelo menos,
as descobertas do estudo-piloto devem dar-lhe tempo para mo-
derar suas declarac;oes sobre a hip6tese durante o almor;o no
restauranre universitario. (Voce pode tambem retirar sua oferta
de apresenrar urn trabalho na reuniao profissional anual.)
0
Resume
Terminemos o capitu lo de modo realista. Embora os
, e estuclos-piloto descritos aqui o levem certamenre a
Pre-testes esquisa de survey mats . pro r·tSStona
. I e mats· va 1·tosa,
fazer uma P d
5
se e que algum, surveys passados podem ser da os
pouco , , mplos das regras c d.tretnzes. d.tscutt.das. "voce~ cl eve
como exe . _
as razoes de pesqutsadores no passado nao terem
conI1ecer •
. em geral • uso aclequado dos pre-testes e estudos-piloto
fetto, , _e
por qu e os pesquisadores futuros provavelmente tambem nao
o farao.
A boa pesquisa de survey e, quase sempre, muito onerosa
e gasta muito tempo; pre-testes e estudos-piloto - . especial-
mente bons estudos-piloto- parecem acrescentar mats tempo e
custo. Como a pesquisa de survey (especialmente surveys por
entrevistas) e muito trabalho-intensiva, 0 pesquisador de
surveycleve sempre lidar como problema do gerenciamento de
pessoal. Pode ser imposslvel fazer urn born estudo-piloto e
manter seus enrrevistadores, codificaclores, digitadores e outros
esperando varios meses ou anos enquanto voce faz extensas
analises de estudos-piloto. E. bern provavel que o orr;amenro e
o tempo nao permitam muitos pre-testes e urn born esruclo-piloto.
Tambem , questoes, atitudes, molduras de amostragem etc.
podem mudar bastante entre o estuclo-piloto e o survey final
atrasado. Estas sao apenas algumas clas razoes por que pre-
testes e estudos-piloto nao sao usados atualmente de forma
adequada e prova velmente nao o serao em todo seu potencial
no futuro.
Ao mesmo tempo, estas restri~oes a inda permitem urn
uso melhor destes metodos do que e feito normalmente, e as
seguinres sugestoes devem ser consideradas. Primeiro, o pre-
teste deve ser urn processo continuo, em multiplos estagios,
durante o desenho cia pesquisa, como foi dito. Nao pense em
termos de fazer o pre-teste como urn ritual de pesquisa, mas,
em vez disso, use cada oportunidacle para pre-testar cacla
aspecto do desenho do estudo sob quaisquer condic;oes de
teste disponfveis.
Segundo, se o tempo for insuficiente para uma analise
~etalhada dos resultados do estudo-piloto antes cia revisao e
1111
~ressao do questionario fina l, consiclere os seguintes passos.
~SSim que os questionatios do estuclo-piloto come~rem a chegar,
evem ser coclificaclos e entrados. Nao espere ate que toclos
retornem. Comec;ar imecliatamente pode apontar clificuldades
no processamento que podem ser modificadas prontamente.
Assim que um late substancial de questionarios, digamos uns
cem ou mais, river sido processado, comece uma analise inicial.
As distribui~ocs marginais devem scr feitas imediatameme para
permitir uma avalia~ao inicial dos itens individuais. Estas con-
Analise da Pesquisa de Survey
clusoes tentativas podem ser verificaclas mais substancialmente
a medida que novas lotes de questionarios do estudo-piloto
fiquem disponfveis.
Assim que um numero suficiente de questionarios for ChPiTULO 13
processado, deve-se iniciar uma analise explicativa mais deta- LOGICA DA MEDIChO EDA ASSOCIAChO
lhada; tambem se deve fazer isto com arquivos de dados parciais.
Se nao for possfvel fazer uma analise exaustiva antes dos prazos CAPilULO 14
fina is para revisar e imprimir 0 questionario definitive, a analise
do estudo-piloto nao deve terminar quando 0 questionario CONSTRUINDO E COMPRHNDENDO lhBHAS
revisto for mandado para a impressao. Se o desenho da amostra
e o metoda de coleta de dados river sido organizado com antece- CAPilULO 15
clencia suficiente, a impressao do questionario final em gerallhe
0 MODHO DE HABORAChO
clara um dos poucos "pontos mortos" no cronograma do projeto.
Este tempo pode ser usado proveitosamente para uma analise
mais detalhacla do estudo-piloto, mesmo ap6s voce terse compro- CAPiTULO 16
metido com a forma do questionario final. Algumas vezes, voce ESTAJiSTICh SOC ihl
pode corrigir dados faltantes ou err6neos moclificandQ os procedi-
mentos de coleta dos dados sem mudar o proprio questionario. ChPilULO 17
Al6n disso, esta analise detalhada !he clara uma vantagem inicial
na analise final. JECNICAS MULJIVARIADAS AVANCADAS
Tendo notado que os proced imentos ideais delineados
neste capitu lo nao podem ser seguidos religiosamente, devemos CAPilULO 18
enfatizar o valor de se aderir a eles o maximo possfvel. 0 RHAJORIO DA PESQUISADE SURVEY
Tentei sugerir diretrizes e procedimentos para fazer e ava liar
pre-testes e estudos-piloto na pesqu isa de survey. Como este
t6pico recebeu pouca ou nenhuma aren~ao na literatura previa A Parte 4 trata de varios t6picos cia analise dos dados
sabre pesquisa, o presente trabalho deve ser vista como de survey. Nos pr6ximos ca pltulos, pega remos a pesquisa
fragmentario e rentativo. Este esfor~o inicial sera (itil ate no Ponto onde voce ja tem seus arquivos de dados computado-
futures cscritores melhorarem esse quadro com relat6rios rizados, para discutir os passos a dar ate a pub l ica~ao das
de suas pr6prias experiencias. suas descobe rtas.
0 Capitu lo 13, que discute a l6gica cia medi~ao e cia
associa ~ao, cia continu idade aos Capftulos 7 e 8. Nos
~~ncentr~m~s~ de novo, no significado das respostas a itens
qu est1o na n o de survey, com respeito ao uso destas res-
pastas como inclicadores de variaveis como religiosidade,
~reconceito, alienas;ao etc. Mas, desta vez, examinamos este
aema. do ponto de vista emplrico, enquanto a discussao
ntenor se I.Imitou
. - man ipu las;oes
as - . .
conceituais.
 0 Capitulo 14 aborda a l6gica das tabelas de contin- Capitulo 18 desenvolve um t6pico que recebe rela-
gencia. Alguns pesquisadores consideram rudimentar este for- O ouca aten~ao - o relat6rio das descobertas do
·vamente P . . _
mate analftico, mas !he damos aten~ao especial, como base u El discute diretrizes gera1s para a comun1cac;ao
para compreender a l6gica das analises de survey. A discussao stlrt-•ey. ·ea e consiclera os possfveis diferentes tipos de
da pesqulS
come~a com a analise univariada, depois passa para a analise aprese nta\;oes.
bivariada e para analises multivariadas mais elaboraclas. Neste
processo, passamos cia 16gica da descri~ao para a 16gica da
explica~ao. A leitura deste capitulo deve !he permitir cons-
truir tabelas de contingencia a partir dos seus pr6prios dados
de survey e compreencler as tabelas construfdas e publicadas
por outros pesquisadores.
A chave cia Parte 4 eo Capitulo 15, que cliscute o mode!o
de elahora(:cio, onde examinamos a l6gica basica cia explica\;ao
cientlfica no contexte do survey. Basicamente, buscamos com-
preender as rela~oes empfricas entre duas variaveis atraves cia
introdu~ao controlada de variaveis adicionais. Por exemplo, vendo
que as mulheres de classe baixa sao mais religiosas que as de
classe alta, examinamos como a man i pula~ao de variaveis adi-
cionais pode esclarecer melhor o porquc disso.
Na maior parte, este livro trata mais cia l6gica da pesquisa
do que das estatfsticas envolvidas. Acredito que, entendendo
bern a l6gica da pesquisa, voce esta em condi~oes de dominar
as manipula~oes estatfsticas relevantes. Nessa perspectiva, o
Capitulo 16 da uma visao geral das estatfsticas mais comuns,
nao para oferecer uma explica~ao completa das computa~oes
destas estatfsticas (varios excelentes textos de estatfstica
fazem isso), mas para situa-las na 16gica da analise, tal como
discutida em todo o livro. A este respeito, e dada aten~ao
especial a testes de significftncia estatfstica que parecem
atalhos convenientes para a compreensao.
Como disse, examinamos primariamente a analise de
survey atraves de tabelas de contingencia, porque acredito
que assim seve mais claramente a 16gica cia analise. Ao mesmo
tempo, outros modos de analise, mais complexes, tern mais
potencial explicative e sao mais apropriados em muitas situa-
~oes. Varios desses metodos sao discutidos de maneira geral
no Capitulo 17. Nao tentei escrever urn livro de receiras, mas
espero ter conseguido situar esses metodos dentro da mesma
l6gica que informa a d iscussao das rabelas de contingencia.
Espero que voce termine essa leitura com uma compreensao
geral clas restri~6es e potenciais destes metodos e possa a proveirar
outros textos relevantes para emprega-los de modo apropriado.
 Capitulo 13

L6gica da Medi~ao e da Assoc i a~ao

o cerne cia analise do survey se reparte entre a descris;ao

c a explicas;ao. 0 analista de survey mede variaveis e depois
examina as associas;oes entre elas. Mas, como vimos no Capitulo
1, h:l muira confusao sabre a natureza deste processo.
Como ja apresentamos OS varios aspectos do desenho
do survey, especialmente a conceituas;ao e o desenho do
instrume nto, convem retornarmos a imagem tradicional do
metoda cientffico. ]a criticamos essa imagen1, usando um exemplo
de survey; examinemos agora, esquematicamente, a imagem
tradicional e, depois, uma imagem alternativa, mais con·eta, cia
ciencia na pratica. A seguir, consideraremos a nos;ao de Paul
Lazarsfeld sabre a "interpermutabilidade de Ind ices".

~ lmagem Tradicional
A perspectiva tradicional do metoda cie ntffico baseia-se
numa
. s • ··A · d e passos, resumidos na seguinte lista, que
equencta
se acredita que os cientistas sigam em seu trabalho.

1. Constru~ao da teoria

2. Derivas;ao de hip6teses te6ricas

3. Operacionalizas;ao de conccitos
4. Coleta de dados empiricos
5. Teste empirico de hip6tescs
 Antes de refutar esta perspectiva tradicional, vamos Teste Empirico de I Iip6teses. Ap6s coletar os daclos, o
examina-la melhor. . -.( e 0 teste estatfstico da hip6tese. Voce determina
f
Passo
· . . 'n"
nenre se os jovens com adultos que nao - trabalham em
1p1ncai
en menor probabilidade de serem presos por atos crimi-
Elementos do Modelo Tradicional
A

casa. rem
. do que os que nao - tern esses a d uI tos. A con f.1rmapo
A - ou
nosos , ,. , - c1 ·
ConslrufiiO dct Teoria. Face a um aspecto interessante do ·rmarao da hipotese empmca e entao usa a para ace1tar
descon f1 • ~ , .
mundo natural ou social, o cientista suposramente deduz uma ou rejeitar a h.ip6tese teonca.
teoria abstrara para descreve-lo. Supoe-se que este exercfcio e
puramente 16gico. Suponha que voce esteja interessado em Uma hpresenta~ao fsquem6tica
comportamemo desviante. Voce constr6i, baseado na teoria
sociol6gica existentc, uma teoria do comportamento clesviante. A imagem tradicional cia ciencia e mostrada de modo
Entre outras coisas, essa teoria inclui uma varicdade de conceitos esquematico na Figura 13-1. Voce come~a com urn interesse
relevantcs as causas do comportamento desviante. articular sabre o mundo, cria uma teoria geral sabre ele e usa a
Deriuafclo das Hip6teses Te6ricas. Com base na sua tcoria ~aria dedutiva para gerar uma hip6tese sabre a associa~ao entre
geral do comportamento desviante, voce, supostamente, deriva duas variaveis. Esta hip6tese e representada na forma Y =/(X).
hip6teses relacionando os varios conceitos que formam a Esta expressao e !ida "Y e uma fun~ao de X", significanclo que os
teoria. Este e, tambem, um procedimento puramente 16gico. valores de Y sao determinados ou causados por valores de X.
No exemplo acima, suponha que voce derive, logicamente, a No nosso exemplo, delinqi.iencia (Y) e uma fun~ao de supervisao
hip6tese de que a delinquencia juvenil c uma fun~ao cia super- (X). A seguir, voce operacionaliza as duas variaveis especificando
visao. Especificamente: a medida que aumenta a supervisiio, medidas empfricas para representa-las no mundo real, coleta
diminui a delinquencia juvenil. dados relevantes a tais medidas e, finalmente, testa empirica-
OperacionalizafiiO de Conceitos. 0 proximo passo na mentc a rela~ao esperacla.
visao tradicional e a especifica~iio de indicadores cmpfricos
que representarao seus conceitos te6ricos. Enquanto conceitos
fiGURA 13-1
Aimagem tradicional do ciencia
te6ricos devem ser um tanto abstratos e talvez um pouco
vagos, seus indicadores empfricos precisam ser especfficos e
precisos. Portanto, em nosso exemplo, voce pode operaciona-
lizar o conceito "juvenil" como pessoas com menos de dezoito
Teoria Dedutiva
anos de idade, "delinqi.iencia" como tcr sido preso por um ato
criminoso, e "supervisao" como a presen~a de um adulto em B- E
A~K -o ........... ,
casa, nao trabalhando.
0 efeito da operacionaliza~ao e converter a hip6tese
\ "
----1-L-C
J --_H \z
~ \ G--F
" X-Y
te6rica em empirica. No caso, a hip6tese empfrica seria a
seguinte: entre as pessoas com menos de dezoito anos de
idade, as que moram em casa com um adulto que niio trabalha
tem menor probabiliclade de serem presas por atos crim.inosos
Hip6tese
/
do que as sem um adulto nao trabalhanclo em casa.
Coleta de Dados Empfricos. Baseado na operacionaliza\1io y f(X)
dos conceitos te6ricos, voce coleta clados relacionados aos
inclicadores empfricos. No nosso exemplo, voce pode fazer um - - - •• - [Operacionalizac;;ao]
survey com pessoas com menos de dezoito a nos de ida de. Entre
outras coisas, o questionario perguntaria a cada uma sc ela mora
j
?
y - f(X)
em casa com um adulto que niio trabalha e se ja foi presa por
cometer um ato criminoso.
! --------- [Teste de hlp6tese]
8
Dois Problemas Basicos
Esta descri~ao da visao tradicional do metodo ciemifico
pode convence-lo de que pesquisa cientffica e uma atividade
rotineira. Tudo 0 que e preciso fazer e seguir rcligiosameme OS
passos 1 a 5 e se tera descobeno a verdadc.
Infelizmente, a pesquisa cientffica e o mundo empirico
que estudamos nao sao tao nitidos. A visao tradicional do
metodo nao representa o que realmente acontece na pesquisa
cientffica- social ou outra. Dois problemas basicos impedem
que o sonho se torne realidade.
Primeiro, conceitos te6ricos raramente permitem ope-
racionaliza~6esnao-ambfguas. Conceitos sao abstratos e geneticos,
enquanto a especifica~ao de indicadores empfricos se faz por
aproxima~ao. No exemplo dado, e improvavel que a variavel
"supervisao" seja representada adequadamente pela presen~a
de urn adulto que nao trabalha em casa. A simples presen~a
deste adulto nao gamnte a supervisao de urn jovem e, em algumas
casas sem tal adulto, pode haver outros modos de faze-la.
Igualmente, ser preso por urn ato criminoso nao e o mesmo
que o conceito absrrato de "delinquencia". Alguns jovens
podem ter comporramento delinquente sem serem presos.
Outros poclem ser presos erradamente. Alem disso, a especifica¢.1o
de "juvenil" como uma pessoa abaixo de dezoito anos de
idade e arbitr:hia. Outt·as especifi ca~oes podem ser feitas e
provavelmente ne nhuma seria nao-ambiguamente correta.
Alem disso, nao basta dizer que devfamos rer especificado
"melhores" indicadores dos conceitos. Conceitos te6ricos quase
nunca tern indicadores perfeitos. Todo indicaclor empfrico rem
def<tttos; toclos poclem scr melhorados e a busca de melhores
indicaclores e infinita.
Segu ndo, as associa~oes empiricas entre as variaveis
quase nunca sao perfeitas. Sc todos os jovens com adultos nao
trabalhando em casa nunca tivessem siclo presos e todos os
sem tal aclulto tivessem sido presos, pocliamos concluir que a
hip6tese foi confinnada. Se os dois grupos rivessem exatamente
o mesmo nlimero de presos, a rejeitarfamos. Contudo, nenhuma
clas alternativas e provavel, na pnitica. Quasc roclas as varia-
veis sao empiricamente relacionadas entre si "em algum grau".
Especificar o "grau" que represcnta a aceita~ao da hip6tese e 0
"grau" que representa sua rejei~ao e arbitrario. (Veja no Capitulo
16 a discussao de testes de significa~ao estatfstica.)
Na realidade, usamos indicadores aproximados dos
nceitoS re6ricos para descobrir associa~oes parciais. Estes
coroblemas conspiram entre st. contra voce. ~ s
upon h a que voce
~specifique um grau de associa~ao para a aceita~ao da hip6tese
e a analise empfrica nao o atinge. Naruralmente, voce se pergun-
tar.l sc indicadores cliferentcs dos conceitos pocliam ter resultado
no grau especificado de associa~ao.
fiz estes comentarios para indicar que a visao tradicional
do merodo cientffico nao e apropriacla a pesquisa na pratica.
Nao se faz pesquisa seguindo obstinadamente o caminho entre
os passos 1 e 5. Tsto nao deve desanima-lo, contudo, e sim
desafia-lo . Nao deve ser considerado como nega~ao da possi-
bilidade cia pesquisa cientffica, mas como base para a pesquisa
esclarecicla, realmente cientffica.
.Medi~ao e associa~ao sao conceitos inter-relacionados
que devem ser trabalhados 16gica e simultaneamente. Em vez
de dar ordenadame nte uma serie de passos fixos, voce deve
dar estes passos para frente e para tras, incessantemente. Suas
constru~oes te6ricas sao, muitas vezes, feitas em rorno de asso-
cia~oes previamente observadas entre indicadores empfricos,
constru~oes te6ricas parciais podem sugerir o exame de novos
dados empfricos, e assim por diante. Espera-se que ap6s cada
atividade voce entenda um pouco melhor o tema do seu inte-
resse. E raro o "expe rimento crftico" que determina de uma vez
por todas o destino de toda uma teoria.
Portanto, a pesquisa cientffica e uma empreitada sem
fim, visando o entendimento de algum fenomeno. Para isso,
voce mede e examina associa~oes, sempre consciente da natu-
reza das suas inter-rela~oes. As se~oes seguintes explicam
melhor a natureza dessas inter-rela~oes.
~ lntercambialidade de Indices
Paul Lazarsfeld, ao cliscutir a "intercambiabilidade de indi-
ces", criou uma unportante
· .
ferramenta concettual para a compre-
ensao da rei - .
solu _ ~~ao entre medt~ao e associa~ao, assim como uma
Essa~~ parctal dos dois problemas discutidos na se~o anterior. 1
dtscus -
co . sao nasceu do reconhecimento de que qualquer
ncetto tetn vanos
, . .tn d'tcadores possfveis.
Lazars~Reto~nemos a no~ao de uma hip6tese te6rica y = j'(X).
Sao e)d V!U que ha Varios indicadorCS possfveis de SUpervi-
' que podemos chamar de xl' x2' x 3 etc. Embora possa haver
 razoes para acreditar que alguns possfveis indicaclores sao
melhores do que ourros, eles sao cssencialmente intercam-
biaveis. Porranro, enfrenramos o dilema de quais indicaclores
usar no teste cia hip6tese Y = j(X).
A solu ~ao para o clilema e usar todos os inclicadores.
Assim, tesramos as hip6teses empfricas: -y =fi(.yr•. ) y =fi':Y)
l· _, y-
j(x) ere. Em vez deter um teste para a hip6tese, remos varios
como indicaclo esquematicamente na Figura 13-2.
fiGURh 13-2 Surge um novo clilema. Se o cientista que segue a visao
intercombi ali dade tradicional do metoda enfrenta 0 problema cia unica associa~ao
de indices empirica talvez nao ser perfeita, o cientista que usa este metoda
esta diante de varias associa~oes empfricas, nenhuma clas quais
Y = f(X) perfeita, algumas clelas podendo entrar em conflito com outras.
Portanto, mesmo havendo especificaclo um grau de associ-
a~ao como suficiente para confirmar a hip6tese, talvez voce
descubra que os testes usando x 1, x3 e x 5 satisfazem o criteria
cspecificaclo, mas os testes usando x 2 e ::..4 nao. Como resolver
este dilema?
I
? f (x,)
I
? f (xJ Nos termos cia no~ao cia "inrercambiabilidade de Indices",
? a hip6tese te6rica e aceita como uma proposi~ao geral se for
I f (x:)
I
? f (x.) confirmada por toclos OS testes empfricos especfficos. Se, por
I ? f (x5) exemplo, a delinquencia juvenil for uma fun~ao cia supervisao,
no semiclo geral cleste conceito, ela cleve estar relacionada
empiricamente a toclo indicaclor empfrico de supervisao.
Se, no e ntanto, o cientista descobrir que somente certos
inclicadores cia supervisao se relacionam ~~ delinqi.H~ncia juvenil,
enrao os tipos de supervisao aos quais a proposi~ao se aplica
foram especificados. Na prarica, isto pocle ajudar a reconceiruar
"supervisfio" em rermos mais gerais. Talvez, por exemplo, a
clelinqt1encia juvenil seja uma fun~ao de restri~oes estruturais, e
alguns tipos de supervisao sejam indicaclores clesras restri<;:6es e
outros nao.
E imporrante entencler o que se alcan<;:a an·avcs clesre
processo. Em vez de testar rotineiramente uma hip6tese fixa,
relacionanclo supervisao a clelinqi.iencia, voce ganha uma
compreensao mais abrangente da narureza cia associa~ao. Mas
este feiro s6 e significative sc virmos o objetivo da ciencia como
compreensao crescentc, em vez de somentc construir teorias e
testar hip6teses.
lmplica(oes
A implica~ao principal dos comenrarios anteriores e que
a mecli~ao e a associa~ao estao fortemente interligadas. A
medi~ao de uma variavel faz pouco senrido fora dos contexros
_ empfricos e re6ricos das associa~oes a serem testaclas. Pergun-
rado "Como devo meclir classe social?", o cientisra experienre
' respondcra "Qual e seu prop6sito ao medi-la?" A maneira
adequacla de medir uma variavel depende muito das variaveis
que ser.io associadas a ela. Outro exemplo deve esclarecer isto.
Recenremenre, surgiu uma conrroversia na sociologia
religiosa sobre a re la<;:ao entre religiosidade e preconceito. Um
Jivro de Charles Y. Glock e Rodney Sta rk, Christian Beliefs a11d
A11ti-Semitism,2 relatou daclos empfricos indicando que membros
de igrejas cristas com cren~as ortodoxas tinham maior probabi-
lidacle de serem anti-semitas do que membros menos 01todoxos.
Estas clescoberras acirraram consideraveis discussoes nas igrejas
e resultaram em outras pesquisas sobre o mesmo t6pico por
outros pesquisadores.
Um ourro projeto de pesquisa chegou a conclusao oposta
a de Glock e Stark, relata ndo que, quando a o rtodoxia crescia,
diminufa o preconceito. Mas analise mais minuciosa mostrou
que as medidas de ortodoxia, nesta pesquisa, se basearam na
aceita~ao de declara~oes de questionario que refletiam as
doutrinas Cristas tradicionais de que "Toclos OS homens sao
irmaos" e "Arne o seu p roximo" . Nao foi surpreenclente que
respondenres que aceita ram as declara~oes baseadas nessas
do.utnnas
· pareceram menos preconceituosos do que os que as
reJeltaram.
· Normalmente, esras descoberras seriam (e foram)
questionaclas por causa de "contamina~ao". As duas variaveis
examinadas (ortodoxia religiosa e toledincia) na verclade
mediam qual·d
• I a d es 1·c1Aenucas
· · ·
ou sumlares. Chamar um conjunto
de indicadores de "ortocloxia" e outro de "tolerancia" nao
mosrra que preconceito climinui com o aumento cia 01todoxia em
qualquer semido geral.
As discussoes cleste capitulo sugerem uma rea<;:ao um
rouco clifere nte as
- d escob ertas da pesquisa. Pergumanclo como
Ortodoxia e preconce1to . estao
- associados entre si em vez de
perguntar se el - . , '
,( es estao assoc1ados, conclu1mos que a ortodo-
Ia medida pelos inclicadores de Glock e Stark (cren~a em Deus
Jesus 1111.1 •
' agres, e coisas assim) est:l positivamente associada
ao preconceito, enquanto a ortodoxia medicla como compronusso
Leitu ras Adicionais
com as nonnas de amor fratemo e igualdade esta negativamente
bserving Ourselves: Essays in Social Research.
associada a preconceito. Ambas conclusoes estao empiricamente BBIE Earl· O
BA ' nt CA- Wadsworth, 1986.
corretas, apesar de nenhuma delas responder a pergunta geral Be 1mo • ·
se religiao e preconceito estao relacionaclos entre si. ' Paul Problems in Methodology. In: MERTON,
LAZARSFELD • ' . ociofoa" Toda,,. New York: Bas1c . Books,
E claroque o passo final e avaliar a utilidade relativa Hobe rt K· (Ed)··S OJ 'J

das conclusoes. 0 achado de que ortocloxia e preconceiro 1959.

estao negativamente associados provavelmente seria clescar- L.AZARSFELD, Paul F., PASANELLA, Ann K., RO~ENBERG, Morris
tado como tautol6gico ou trivial. (E claro que a meclida cia (Ed .). Continuities in the Language ofSoczal Research. New
ortodoxia em termos de amor fraterno e de igualclacle pode York: Free Press, 1972. sec;ao I.
ser muito util em algum outro contexto.)

Resumo
0 objetivo deste capitulo foi prover uma perspectiva
sauclavel sobre os objetivos da meclic;ao e da associac;ao na
ciencia. Tentei proporcionar-lhe, a esre respeito, melhor com-
preensao da empresa cientlfica. 0 capitulo comec;ou revendo
o cliscurso tradicional de manua l sobre o metoda cientlfico
'
indicando que esta visao nao reflete com exaticlao a pesquisa
cientffica na prat ica. No Iugar cia perspectiva tracliciona l,
tentei oferecer um moclelo alternativo, que acreclito ser mais
(Itil nas atividacles de pesquisa reais.
Minha motivac;ao para abordar essa questao vem cia
observac;ao clas dificu lclades de pesquisadores inexperientes,
que ace itam a perspecriva tradicional como um quaclro
vercladeiro de como cientistas "reais" trabalham, resulrando
em profw1do desapontamento com a propria pesquisa. Nao
quero dizer que a pesquisa cientffica e clescuiclacla ou "nao-
cientffica", apenas que ela nao e rotineira. 0 cientista e bem
diferente do tecnico.

Netas
1
LAZARSFELD, Paul. Problems in Methodology. In: MERTON, Robert K.
(Ed.). Sociology Today. New York: Basic Books, 1959. p.375.

2GLOCK, Charles Y., STARK, Rodney. Cbrislian Beliefs a11d Allli-Semifis!ll·

New York: llarper & Row, 1967.
 Capitulo 14

Construindo e Compreendendo Tabelas

A maioria das analises de survey caem na rubrica geral

da analise mu ltiva riada; a Parte 4 concentra-se nas varie-
dades da analise mulrivariada. 0 termo se refere ao exame
simulraneo de diversas variaveis. A analise das associa~oes
simulraneas e nrre idade, escolaridade e preconceito e um
cxemplo de analise multivariada.
A analise m ultivariada nao e uma forma espedfica de
analise; tecnicas espedficas para fazer analise multivariada
incluem analise fatorial, analise do menor espa~o, correlas;ao
multipla , regressao multipla e analise de trajet6ria [path
analysis], e ntre outras. A l6gica basica cia analise multiva-
riada pode ser mais bem-estudada att·aves de tabelas simples,
chamadas tabelas de contingencia ou tabula~oes cruzadas.
Porranro, este capitu lo debru~a-se sobre a construs;ao e a
compreensao clessas tabelas. Alem disso, a analise multivariacla
nao pode ser totalmente compreenclida sem a compreensao
firme de dois modos analfricos ainda mais fundamenrais, analise
U~ivariada e analise b ivariada. Portanro, 0 grosso desre capitulo
dtscure estes modos analfricos.

Anal ise Univari ada

Analise univariada e o exame da distribuis;ao de casos
d e apenas ·-
d tscuss1 0 uma va n avel de cada vez. Come~aremos nossa
.
dad ' . com a 16gica e os formaros para a analise dos
os Untvariados.
Distr i bu i ~oes TABELA14-1
Umo ilustro(OO de analise univoriodo
, 0 forma to mais basico para apresentar dados univariados
e relatar todos os casas individuais, isto e, listar 0 atributo
ldodes de £xecu~ivos de £mpresos (Hipohiticas)
de cada caso estudado na variavel em quest1o SuponJ1....
A • • " • que
"
5)0/o
voce estep mteressado nas idades de executivos pesquisados AbaiXO de 35
num estuclo sobre praticas empresariais. A maneira mais 21
direta de relatar as idades clos executivos seria lista-las: 63, 36-45
57, 49, 62, 80, 72, 55 ere. Apesar desta lista dar ao leitor os 45
46-55
dados mais cletalhaclos, ela seria complicada clemais para
19
a maioria clos prop6sitos. Poderfamos distribuir os dados 56-65
de maneira mais aclministravel sem perder qualquer detalhe 66 ou mais 6
relatanclo que cinco executivos rem 38 anos de idade, set~
100% = (433)
rem 39, dezoito tem 40, e assim por dianre. Tal formato
impecliria a duplicac;:ao de claclos nesta variavel.
Um formato aincla mais administravel, com alguma perda Sem daclos = (18)

de detalhe, seria relatar as iclacles clos execurivos como margi-

nais, que sao dis! ribu ir;oes de freqiiencias de daclos agru paclos:
246 execurivos com menos de 45 anos, 517 entre 45 e 50 anos,
e assim por diante. Neste caso, o leitor teria menos dados para
examinar e interpretar mas nao seria capaz de reproduzir com-
pletamente as idades originais clos executivos. Por exemplo, o
leitor nao teria como saber quantos deles rinham 41 anos.
0 exemplo anterio r apresenrou os marginais na forma
de numeros brutos. Uma forma alternativa seria o usa de
porcentagens. Por exemplo, voce pocle relatar que x% dos
execurivos tem menos de 45 anos, y% esrao entre 45 e 50 ere.
(veja a Tabela 14-1). Freqi.ientemente, voce precisa decidir
qual sera a base a partir cia qua l computar a porcenragem,
ou seja, o numero que representa 100%. Nos exemplos mais
di retos, a base e o numero toral de casas esruclaclos. Entre-
tanto, temos problemas sempre que falrarem daclos para
A escolha cia base clepende inteiramente do prop6sito
cia analise . Se este for comparar a distribuic;:ao e taria da amostra
com clados comparaveis da popu lac;:ao da qual foi tirada a
amostra, provavelmente cleve-se omitir cia computac;:ao as
"sem resposta". A melho r estimativa cia distribuic;:ao eta ria de
todos OS res p o n den tes e a d istribuic;:ao clos que respon-
deram a pe rgunra. Como "sem resposta" nao e uma categoria
e t:l.ria significativa, sua p resenc;:a entre as categorias de base
co~funde a comparac;:ao clos numeros da amostra e cia popu-
la~ao. (Ve ja o exemplo da Tabela 14-1.)
Tendencia Central
Alem de informar OS marginais, VOCe pode apresentar OS
<hdos na forma cle me·a·lC/.S resunudas
· ou mecltclas
. de tende!lcia A

alguns casas. Por exemplo, suponha um survey no qual os central· Su as op~oes

responclentes clevem informar a idade. Se alguns nao respon-
derem essa pergunra, ha duas alternativas. Primeira, basear
as porcentagens sabre o numero total de respondenres,
- -
sao a moe/a (o atributo mais freqi.icnte
agrupado o - '
Co at 'b u na~ agrupado), a media aritmetica c a mediana
\'ad ~) ut~ do meta na distribuic;:-Jo ordenada clos atributos obser-
os . VeJamos como as tres mecliclas sao calculaclas.
A

relatando os que nao respondem como porcenragens do coral.

Segunda, usar o numero de pessoas que responcleram a entr ~uponha que voce esta fazendo um estudo-piloto que
pergunta como a base sabre a qual computar as porcenwgens. 13 .
•1 19
anos.
°
evtste ad I . .
escentes, CUJaS tdacles, na sua amostra, variam de
Deve-se relatar o numero clos que nao responcleram, mas
estes nao figuram nas porcentagens.
 Ida de Numero FIGURA 14-1
Tres "Medias"
l3 3 Numero
!dade
14 4 .---.-
13 ~~~
15 6 ~ Mais frequente
16 8
14 ~~~~
f.---
17 4 15 ~~~~~~
r---
18 3 16 ~~~~~~~~
r--
19 3 17 ~~~~
r-
18 ~~~
19 ~~~
Tendo listado as idadcs dos 31 respondences, qual voce
ldade Numero
diria e a idacle deles em gent!, ou '"na media"? Ha tres diferentes
maneiras de responder esta pcrgunta. 13 ~~~ 13 X 3 = 39
Media = 15.87
ea
A medida mais facil de calcular moda, o valor mais
frequente. Como seve na lista, ha mais pessoas com 16 anos
14 ~~~~ 14 X 4 =56
Media Aritmetica
Coiro) do que com qualquer outra idade, de forma que a idade 15 ~~~~~~ 15 X 6 = 90
modale 16, como indicado na Figura 14-1.
A Figura 14-1 tambem mostra o c:ilculo da media, que
16 ~~~~~~~~ 16 X 8 = 128

envolve tres passos: (1) Mu ltiplique cada idacle pelo numero 17 ~~~~ 17 X 4 = 68
de entrevistados com esta idade, (2) some os resultados destas
mulriplica\;oes e (3) divida o total pelo numero de entrevis-
18 ~~~ 18 X 3 =54

tados. Como se ve, a idade media neste exemplo e 15,87. 19 ~~~ 19x3=54
A mediana representa o valor "do meio"; metade esta 492 31 = 15.87
acima dele e merade abaixo. Se tivessemos a exala iclade de (Total) (Casos)
ldade Numero
cada e ntrevistado (por exemplo, 17 anos e 124 elias), pode-
rfamos por os 31 entrevistados em ordem de idade, e a medi- 13
~~~ 1-3 Mediana = 16.31
ana para toclo o grupo seria a idade do entrevistado do meio.
Mas nao sabemos as idades exatas; nossos dados sao '·da-
14
~~~~ 4-7 Ponto Medio

dos agru pados", no senti do em que tres pessoas que nao

rem precisamente a mesma idacle foram agrupaclas na care-
15
llllll8-13
goria "13 anos de idade", por exemplo.
16
llllllll
17
llll 22-25 14 15 16 17 18 19 20 21

18
lll 26-28
19
.._ lll 29-31 16.06 16.19 16:31 16:44 16:56 16:69 16:81 16:94
 A Figura 14-1 exemplifica a 16gica do calculo da mediana
para dados agmpados. Como ha 31 entrevistados, o entrevistado
"do meio" seria o numero 16 se eles forem ordenados por
idade; quinze seriam mais jovens e quinze mais velhos. Na pane
de baixo da Figura 14-1, voce ve que a pessoa do meio e uma
das oito com 16 anos de idade. Na ampliar;ao do grupo, vemos
que 0 numero 16 e 0 terceiro cia esquerda para a direita.
Nao sabemos as iclades exatas dos cntrevistados desre
grupo; a conven~ao esrarlstica em rais casas e presumir que
eles estejam clistribuklos igualmente ao Iongo da extensao do
grupo. Neste caso, as poss[ueis iclades clos entrevistaclos variam
de 16 anos e zero dias a 16 anos c 364 elias. Falando de maneira
mais rigorosa, a amplitude c de 364/365 anos. Na pratica, basta
chamar isso de um ano.
Se os oito entrevisrados desre grupo estivessem igual-
menre distribuldos de um extrema ao outro, estariam com um
oitavo de ano de cliferenr;a - um intervalo de 0,125-ano. 0
exemplo mostra que, se colocarmos o primeiro entrevisrado na
metade do intervalo a partir do limite inferior e acrescentarmos
um intervalo completo a idade de cada enrrevistado seguinre, o
(J!timo entrevistado estara a metade de um inrervalo de clistancia
do limite superior.
Portanto, o que fizemos foi calcular hipoteticamente as
idades exatas dos oito entrevistados, supondo que suas idades
estejam clistribulclas igualmente. Feito isso, anotamos a idade
do entrevistado do meio (16,31) e a usamos como a idacle
mediana para o grupo.
Sempre que o n(Jmero total de entrevistados for par, nao
havera caso no meio, e clara. Nesta siruar;ao, voce calcula a
media dos dais valores que o cercam. Suponha, por exemplo,
que 11ouvesse mais um adolescente de 19 anos. 0 ponto do
meio entao cairia entre os numeros 16 e 17. A media, nesre
caso, seria calculada como (16,31 + 16,44)/ 2 = 16,38.
Na literatura de pesquisas, sc mostram as medias e as
medianas. Sempre que as medias forcm mostradas, lembre que
elas sao susceptlveis ao efeito de valores extremos - poucos
numeros muito grandes ou muito pequenos. Por exemplo, 0
Produto Interno Bruto (PIB) per capita de 1988 para os Estado~
Unidos foi de US$17.500 em contraste com US$400 para 0 Sn
' -' lia
Lanka, US$5.080 para a Irlanda, e US$11.910 pa_ra a Ausn~ ·
Ja o pequeno reino petrolifero clos Emirados Arabes Umdos
· · dos
teve um PIB per capita de US$14.410, apesar de a mawna ..
residentcs daquele pals viverem na pobreza, como se Pocle infefll
. de que sua taxa de mortalidadc infantil foi quase quatro
do f.HO
_
,.~zes 01•
a ior qu e a dos Estados
, Unidos em 1988. 0 alto PIB
.n1·ra dos Emirados Arabes reflere a enorme petro-riqueza
per car 1
Je poucos.
Dispersao
As medidas de tendencia central oferecem a vantagem de
recluzir os clados brutos a uma fom1a mais manejavel. Um (mica
numero (ou arributo) pode represenrar rodos os daclos cleta-
lhados coletados sabre uma variavel. Esta vantagem tem um custo,
orque 0 leitor nao podera reconstruir os dados originais a
~artir da media, ou mediana .. Esta cles~antagem po.de se: mais
ou menos compensacla pela mformapo sabre a dzspersao clas
resposras. A med ida mais simples cia dispersao e a amplitude
_a clistancia que separa o valor mais alto do mais baixo. Assim,
alem de informar que nossos entrevistados tem uma idade media
de 15,87 anos, tambem podemos infonnar que suas idades variam
de 13 a 19. Uma medida um pouco mais sofisticada de dispersao
e o desuio padrao. A 16gica dessa medida foi cliscuticla no
Capitulo 5, ao descrever o eJTO paclrao cia distribuic,iio amostral.
Ha varias outras medidas da dispersao, como por exemplo
o desuio quartt1ico (ou amplitude semi-interqucu1l1ica). Um quartil
representa um q uarto dos casos estuclados. Por exemplo, se
estivermos estudanclo QI, o primeiro quartil seria composto
pelos indivlduos com os Qis mais altos, o quarto quartil com
aqueles com os Qls mais baixos. 0 desvio qumtflico e a metacle cia
distancia entre o fim do primeiro quartil e o come<;o do quarto
quanil. Se o quartil ma is alto river Qls varianclo de 120 a 150, e
o mais baixo river valores indo de 60 a 90, o desvio quartflico
sera (120-90)/2 = 15.
Veja que, ja que os quan·o quartis sao de mesmo tama-
nho, o primeiro e segundo quartis rem metade das pessoas com
05
valores mais altos, e o terceiro e quarto, a metade das pessoas
~om OS valores mais baixos. Assim, 0 ponto media entre 0
segundo e 0 terceiro quartis e 0 valor mediano.
Vari6veis Continuos e Di scretas
tod . Os calcul os descritos acima nao sao apropriados para
dOts . asr as vart'a'vet·s p c1 · 1· · ·
__ . ara enten er por que ' prcCJsamos c 1stmgu1r
V e I con(
tpo de vanaveis: cont fnuas e discretas. Iclade e uma varia-
.
mmuseutnua,
,
Ia
de razao; ela aumenra firmemente em frar;ocs
s e m vez de p ular de caregoria para categoria como
acontece com variaveis discretas, como sexo ou posto milita
Se estivermos analisando variavcis discretas - un1a va -- r.
. . ' ' navel
nom1~al.ou ordm~l, par. exemplo - , nfio se aplicam algumas
cia: t.ecmcas descntas ae1ma. Falando esrriramenre, meclianas e
medw~ devem s~r calculadas apenas para dados de inrervalo e
~e razao, respec~1vamenre. Se, por exemplo, a varia vel em ques-
rao for sexo, numeros brutos ou marginais de porcenra
- 'I' d d gens
sao ana ISes a equa as e utcis. Calcular a mocla e uma anal'
'· d
Iegl[m1a, apesar e nao muito revelaclora , mas medias ISC
' , mecl·ta-
nas e resumos de clispersao nao seriam apropriados. Algumas
vezes, os pesquisaclores podem aprencler alga de valor via-
lando regras como estas, mas e preciso cautela ao faze-lo.
Descri~oes de Subgrupos
Analises univariadas servem para descrever a amostra do
survey e, par extensao, apopula~ao cia qual foi extra fda. Analises
bivariaclas e multivariaclas objetivam primariamenre temas
explicativos. Mas, antes de enrrarmos na explica~ao, consicle-
remos o caso intermedia rio cia descri~ao de subgrupos.
Frequentemente, voce quer clescrevcr subconjunros cia
sua amosrra. Numa analise univariacla direta, voce pocle querer
apresentar a distribui~o clas respostas a uma quesrao relacionada
a cl ire itos ig ua is pa ra homens c mulheres. Na explorac;:ao
detalhacla das respostas, faz senticlo examinar separadamente
as respostas de homens e mu lhercs cia amostra. Ao examinar as
atitudes com relac;:ao a Ku Klux Klan, faz sentido descrevcr sepa-
raclamente os responclentes brancos e negros, assim como os
responclentes de d iferentes regioes do pafs.
Ao computar e aprcsenrar descric;:oes estratificadas, siga
os mesmos passos descritos na sec;:ao sabre analise univariada;
a difcrenc;:a e que OS paSSOS SaO daclos indepcndcntemente para
cada subgrupo relevanre. Por exemplo, todos os homens na
amostra sao tratados como uma amostra total, represenrando
100%, e as clistribu ic;:oes de resposcas ou as medidas de ren-
dencia central sao computadas para clcs. 0 mesmo e feiro para
as mulheres. Assim, voce poderia informar, por exemplo, que
75% das mulheres aprovam a igualdade entre os sexos e
que 63% clos homens tambem ap rovam. Cada grupo e sub-
metido a uma ana lise univariada simples. Distribuic;:oes de
frequencia para subgrupos sao geralmente referidas como
marginais estratificados.
Em algumas situac;:oes, voce apresenta OS marginais
•f' d os ou o u tras analises de subgrupo apenas par
rr·Jtl JC:l
cs : , . lescritivas. 0 relat6rio de dados do censo geralmente
r:tzot:s c rop6sito. 0 valor media de unidades de moradia
·• ores qua rteiroes pod e ser apresenta d o par razoes
tcl11 esse p -
el11 clue re
... I 'd'
Assim voce pode anotar o va or me 10 c e uma I
de!'cnU\ as. , .-
. 3 r" qualquer quarte1rao.
ca~a P ...
i\laS a razao mais frequente da descri~ao de subgrupos e
1
r No caso da igualdade sexual, voce estaria inreressado
compara .
dererrnina r seas mulheres tem probabilidade maiorque os
em , cl ISSO,
aprovar a proposra. A1em ' . . d os
na ma1ona
homen S (le . . . .
compa rac;oes nao sao monvadas por cunos1dade oc1osa.
casas,
Tipicame nte , a compara~ao se baseia na expectativa de q ue a
variavcl de estrarificac;:ao tera alguma fo rma de efeito causal
sabre a variavel de descric;:ao. Ser homem ou mulher afetara a
aritude com rela~ao a igualclacle entre os sexos. Igualmente, ser
branco ou negro afetani atitudes com rela~ao a Ku Klux Klan.
Sempre que a analise for motivada par tais expectativas, entra-
mos no domfnio da explicac;:ao em vez cia descric;ao.
Antes d e entrarmos na l6gica cla analise causal, biva-
riada, vamos cons idera r ou tro exemplo de comparac;:oes de
subgrupos que n os permitira abordar alguns assunros de
formarac;ao de ta be las.
fund indo Categories de Respostas
"Exemplos de ma nual" de tabelas sao frequentemente
mais simples do que as qu e em geral encontramos p ublicaclas
em relat6 rios d e pesquisas ou em nossas pr6prias analises
de clados; esta se~ao e a proxima abordam da is proble-
mas comuns e sugerem soluc;:oes.
Co mec;:amos voltanclo a Tabela 14-2, que mostra OS daclos
coletaclos numa pesquisa multinacional de opiniao publica feira
pelo New York Times, CBS News eo I!erctld Tribune em 1985,
sa bre atitudes com relac;:ao as Nac;:oes Unidas. A pergunta da
Ta~ela 14-2 tra ta de atirudes gerais sabre como as Na~oes
Unldas davam conta de seu rrabalho.
T b Comparemos como as pessoas das c inco nac;:oes na
a ela 14-2 ap6iam o trabalho feito pela ONU. Ao inspecio-
narmos a tabela, descobri mos que ha nC1meros demais para
Penn·ltlr
· ver qualq u er padrao significative.
t·l Parte do problema c a relativamente pequena porcen-
·ge m deen trev1stados
. que selecionaram as duas categorias de
 respostas extremas,
. trabalho muito bom e trabalho muito rutm. . TABHA 14-3
Embora sep tentador ler apenas a segunda linha da tabela fundindo categories exfremos
. "bom tra b a II10", sena
. mcorreto
. faze-lo. Observanclo ... ' que

-
d 12
. ., ' upenas
a seguncla l~nha, conclumamos que a Alemanha Ocidental e os Alemanha Eslados
Estaclos UniCios foram os mais positivos (46%) ·sobre 0 c1esem- lnglalerro Franta Jopao
Ocidenlal Unidas
penho das Na~oes Unidas, seguidos de perto pela Fran~a (4 5%)
com a Inglaterra menos positiva (39o/o) do que os outros tres e ~ MJ,\ ·llho bom ou melhor 48% 46 o/o 47 o/o 12 o/o 51 o/o
•
Japao (11%) o menos positivo de toclos. 27 37 25 48 40
l'I:tbalho ruim ou pior
Este proceclimento nao e correto, porque ignora OS res- 28 41 10
26 17
pondences que cleram a resposta mais positiva, "muito bom Nao sei
trabalho". Numa situa~ao como essa, clevemos combinar, ou funclir
os clois extremos da amplitude de varia~ao. Isto e, combinar ~
"muito bom" com o "bom" e o "muito ruim" com o "ruim". Se As categorias fund idas na Tabela 14-3 nos permitem ler
voce fizer isso na analise dos seus pr6prios daclos, e aconselhavel facilmen te as porcentagens nacionais, mostrando os que dizem
somar as freqi.iencias brutas e rccomputar as porccntagens para que a ONU esta fazendo um trabalho pelo menos bom. Os
as categorias combinadas; ao analisar uma tabcla publicacla como Estaclos Uniclos ago ra sao OS mais positives; Alemanha, Ingla-
a Tabela 14-2, voce pode simplesmente somar as porcentagens, terra e Fran~a sao pouco menos positivas e sao quase indistin-
como mostrado na Tabela 14-3. guiveis uma cia outra; o Japao fica sozinho em sua avaliar;,:ao
bastante negativa. Apesar clas conclusoes a serem tiraclas agora
nao cliferirem radicalmente clas que pocleriamos ter tiraclo a
pa1tir cia leitura da segunda linha da Tabela 14-2, vemos que a
TABHA 14-2 Inglaterra agora p arece relativamente mais positiva.
htitude com relo~oo as Notoes Unidos: "Como a ONU ed6 resolvendo os
Quero poupa-lo de um erro comum. Suponha que voce
problemas que elo fem que enfrenfor?"
tenha lido apressadamente a segunda coluna da Tabela 14-2 e
notaclo que a Inglaterra tem uma avaliar;,:ao um pouco pior do
Alemonho lnglalerra Franta Japoa Esladas trabalho das ONU do que os Estados Uniclos, a Alemanha e a
Ocidenfol Unidos Franr;,:a. Voce pocle se sentir obrigaclo a elaborar uma explicar;,:ao
Muito bom 2% 7o/o 2% 1o/o 5% para isso, talvez criando uma engenhosa teoria psico-hist6rica
sobre o cloloroso declfnio cia outrora digna e poderosa Ingla-
Bom 46 39 45 11 46 terra. Entao, tendo alardeado sua "teoria", alguem pocle
Ruim 21 28 22 43 27 mostrar-lhe que uma leitura ap ropriada clos dados mostra que
a Inglaterra nao e menos p ositiva em sua avalia~ao do que as
Muito mim 6 9 3 5 13 outras nar;,:oes europeias. Este nao e um risco hipotetico. Ele
Nao sei 26 17 28 41 10 ocorre com freqi.iencia, mas e possfvel evita-lo fundinclo cate-
gorias de respostas onde for o caso.
fONif: 5-Nolion Survey finds Hope for U.N. New York fimes, p.6, 26 June 1985.
li dand o com os ,, Nao Sei "
As Tabelas 14-2 e 14-3 ilustram outro problema comum
na anal·ISC d OS d ados de survey. Geralmeme, e bom dar as pes-
so.as a opr;,:ao de dizer "nao sei" ou "sem opiniiio", quando se
P~cle suas · ·- sobre certos assunros, mas o que fazer com
• opm1oes
estas res pastas ao analisar os dados?
 Repare a grande amplitude de varia~ao nas porcentagens D e q ualquer modo, a verdade contida nos dados e
nacionais dizendo "nao sei" na Tabela 14-3- de apenas 10% , certa porcentagem disse que nao sabia e que os
ueum.1 . ·- _ ..
nos Estados Unidos a 41% no Japao. Porcentagens substanciais q . . d videm suas opmtoes na propor~ao relatada. Frequen-
dem:us t
respondendo "nao sei" poclem confunclir os resultados de uma
temente ,
e cerro informar seus dados em. ambas as formas-
.
tabela. Por exemplo, sera que os japoneses tern uma probabi-
come s e m os ·•nao sei" -,para que os lettores possam ttrar as
liclade tao rnenor de clizer que a ONU esta fazendo urn bom roprias conclusoes.
trabalho somente porque um grande numero de japoneses nao p Agora vamos ajustar ligeiramente a 16gica do nosso exame
expressou sua opiniao? das compara~6es de subgrupos e virar nossa discussao na dire~o
Ha um modo faci l de calcular as porcemagens excluinclo das analises bivariadas.
os "nao sei". Observe a primeira coluna de porcentagens na
Tabela 14-3- as respostas clos alemaes ociclentais. Note que
lABELA 14-4
26% dos responclentes disseram que nao sabiam. Isso significa
Omitind o os "ncio sei"
que os que d isserarn "trabalho bom" ou "ruim", juntos, rep re-
sentam 74% (100 menos 26) do total. Se clividirrnos os 48%
que disseram "trabalho bom ou melhor" por 0,74 (a propor~ao Alemonho Eslcdcs
IngleIerro fron'o Jcpoc
que expressou uma opin iao), podemos d izer que 63% "dos Ocidenlcl Unidcs
com opiniao" disseram que as Na~oes Unidas estavam fazendo Trabalho bom ou melhor 63% 55% 65% 20% 57 %
urn trabalho born ou rnuito born (48%/0,74 = 63%). A Tabela
Tra balho ruim ou pior 36 45 35 81 44
14-4 ap resenta toda a tabela, exclu fdos os "nao sc i".
Repa re que estes novos dados oferecem uma inter-
preta~ao urn pouco diferente eta das tabelas anteriores .
Especificamente, agora parece que a F ran~a e a Alemanha Analise Bivariada
Ocidental sao os ma is positives nas avalia~oes das Na~oes
Unidas, com os Estados Unidos e a lnglaterra um pouco A analise bivariada explicativa e, basicamente, a mesma
aba ixo. Apesar de o Japao conti nuar o rnais negative, e le coisa que clescri~ao de subgrupos, com certas restri~oes espe-
passou de 12% positives pa ra 20%. ciais. Nas descri~oes de subgrupos, voce tem total liberdade
Neste ponto, tendo visto tres versoes dos dados, voce para escolher a variavel de estratifica~ao que quiser e descrever
pode estar se perguntando qual e a versao ceria. A resposta cada subg ru po nos termos de qualquer outra variavel. No
depende ,Jo seu prop6sito na analise e interpreta~ao dos exemplo cia igualdade sexual, voce pode descrever homens
e mulhe res separadamente nos termos clas porcentagcns de
dados. Por exemplo, se.nao for essencial para voce distinguir
homens e mu lheres que aprovam ou clesaprovam (veja
entre "muito born" e "bom", faz sentido combina-los porque
Tabela 14-5), o u p ocle descrever separadamente os que aprovam
assim sera mais facille r a tabela.
e 05 qu e desaprovam em termos clas porcentagcns de he-
E mais diffcil decidir, no abstrato, se vamos excluir ou mens e mu lheres (veja Tabela 14-6).
incluir os "nao sei". 0 fato de uma grande porccnragem de
Qualquer uma clas tabelas e uma representa~ao legftima
japoneses nao ter opiniao pode ser uma clescoberra muito de desc · - c1
n~oes e subgrupos. Entretanto, os claclos apresentaclos
importantc, sc voce quiser descobrir se as pessoas conhece!11 nas duas tab e Ias sao t os cit·rerentemente. Na Tabela 14-5, ve-
- l"cl
o traba lho das Na~oes Unidas. Por outro !ado, sc voce quiser
05 ~051 que 63% clos homens da amostra aprovam a igualdacle se-
saber como elas votariam n uma quesrao, e melhor excluir ua com . d
' pata os a 75% clas mulheres Na Tabela 14-6 vemos
"nao sei", baseado no suposto de que elas nao vorariam ou que, dos - · '
.
d tscorda que concorclam, 46% sao homens, cnquamo, dos que
clivicliriam seus votos entre os dois !ados cia questao. 6
m, 0% sao homens. Ou poclemos notar que 37% dos
 3. se os rcspondentes homens e mulhercs forem descritos
400 homens discordam, comparados a 25% de 400 1null1eres
~eparadamente em termos de suas respostas, uma
(Tabela 14-5), e, dos que concordam, 54% sao mulheres
porcenwgem maier de mulheres do que de homens
enquanto, dos que discordam, 400A> sao mulheres (Tabela 14-6).'
aprovaria.

lhBHh 14-5 Seguindo esta 16gica, a Tabela 14-5 divide a amostra em

"Voce concordo ou discordo do propositoo de que homens e mulher os homens e mulheres, depois descrcve as atitudes
grup grupos
dois dois '
devem ser ho~odos iguolmen~e em ~odes os ospedos?" es separadamente. As porcentagens expres-
dosdo aprova~ao nos d' - compara d as, e vemos
01s grupos sao
san ~
que mulheres realmente tem ma1or pro b a b'l'd
· I d e aprovar
1 1 ace
Homens Mulheres
do que home ns.
Concordam 63% 75% 5e a Tabela 14-6 fosse apresentada como analise bivariada
explicativa, a 16gica cia tabela seria a seguinte. As atitudes rela-
Discordam 37 25
clonadas a igualdade sexual afetam o sexo da pessoa que tem
100% 1000A> estas atitudes. Aprovar a igualdade sexua l tende a tornar a
pessoa mais mulher do que homem. E claro que este raciocfnio
(400)* (400)
e absurdo . 0 sexo dos respondences e predeterminado bem
antes se formarem atitudes sobre igualdade sexual. Diferentes
*_Ds numeros moslrodos em parenleses represenlom o bose para o porcenlogem. Nesle exemplo,
ho 400 homens oo lodo, 63% (252 homens) dos quois "concordom''. 37% (148 homens) atitudes sobre igualdade sexual nao podem ter efeito no fato
"discordom". de a pessoa com esta atitude ser homem ou mulher.
Mas a Tabela 14-6 seria legftima do ponto de vista da
descri~ao de subgrupos e mesmo para fins de predifiiO. Se sou-
lhBHh 14-6 bermos a atitude de um respondence sobre igualdade sexual e
Diret<io oposto do porcentogem quisermos predizer se ele e homem ou mulher, a Tabela 14-6
seria uma boa base sobre a qual fundamentar tal predi~ao. Se
Discordom soubermos que ele aprova a igualdade sexual, prediremos que
Concord om
O respondente e mulher. (Nota: Se fizermos varias predi~oes
Homens 46% 60% independentcs como esta, erraremos 46% das vezes.) Se
soubermos que o respondence desaprova a igualdacle sexual
Mulheres 54 40 · haremos que ele e homem (e erraremos 40o/o das vezes'
ad'tvm
100% 1000/o em testes repetidos) .
..... (248) l • . Porem, ~ara p:op6sito de explica~ao, s6 a Tabela 14-5 e
100% =(552)
iegntma. Para tsso, e preciso conhecer a l6gica das variaveis
ndlependentes e dependentes. Basicamente, voce tenta cxplicar
va
velores
. cia v a nave
.. 1 d epenclente baseado nos valores cia varia-
Mas, numa analise bivariada explicariva, s6 a Tabela 14-5 ind mdependente. Neste sentido, voce raciocina que a variavel
faria sentido. As razoes sao: fo ependente causa a variavel dependence (tipicamente, de
rma probab'l'
iguald d · ) · No exemplo anterior, as atitudes sobre
1 lSttca
1. Geralmcnte, mulhcre~ rem statu~ inferior na sociedadc
americana; portanto, elas apoiariam mais a proposw de dos a e sexual formam a variavel dependente, e os sexos
igualdadc entre os sexos.
atitu~::ponden~es, a variavel independence. Logo, sexo causa
sobrc 1gualdade sexual.

2. 0 sexo do respondenre afera sua resposta ao item do

vanav ~Ig_umas vezes, e diffcil e ate arbitrario determinar qual
questionario; mulheres tl:m maior probabilidadc de aprov:Jr
diretr"e e dependente e qual e inclepenclentc, mas algumas
tzes ajudam. Para come~ar, sempre que houver uma clara
do que os homens.
ordem temporal relacionando as duas variaveis, a variavet for roda tabela bivariada explicativa implicita-
SeJa c01110
0

'
cujos valores sao detenninaclos antes e sempre a variavel inde- ogna uma variavel indepenclente e uma clepenclenteo
1Cnrc cIes1 .,
pendente; aqucla cujos valores sao cleterminados clepois e sem- _ ,oocc• ac11,ar que nenhuma orclem tempera1conecta as vanave1s,
0

11

prc a variavel depenclenteo A nos;ao de causas;ao retroativa no !:lC 0 d ognar arbitrariamente uma ordem quase-temporal ao
'C!S:l CSI
tempo e il6gicao Como OS sexos clos responclentes sao determi-
0

pre.: rabelao A segu inte cliscussao presume que se tenha

0

construlr a , 0 0

naclos antes de suas aritucles sobre igualclacle, sexo deve ser a 0 d uma variavel como dependente, clesconslclclando
c1es1gna 0 0 _

variavel inclepenclenteo . clamenros desta cles1gnas;aoo

os tun
Uma implica~ao clisso e que duas variaveis ocorrencia
simultaneamente nao poclem ser ligaclas causalmenteo 0 sexo Conshu~ao de labelas
e a ras;a de uma pessoa nao poclem ser analisados, per se, de
forma explicativao Eclaro que a ra~a dos paise o sexo cia crians;a A constru~ao de tabelas bivariadas explicativas segue
poderiam ser logicamente analisados clesra maneira, se voce estes passos:
acreclitar, por exemplo, que pais negros tem maior probabili-
clacle de ter filhos homens do que pais brancoso Neste caso
1. A amostra e dividida em valores ou categorias da varia vel
poclerfamos cleterminar uma orclem temporal clas variaveiso ' depcndenteo

(Contuclo , parece nao haver eviclc ncia 16gica ou empfrica

a poi a nclo esta especulas;aoo) 2 Cada subgrupo e descrito em termos dos valores ou
0

categorias das variaveis dcpendentcso

Em muitos casos, nenhuma orclem temporal clara parece
relacionar as duas variaveiso Por exemplo, se voce quiser
examinar a relas;ao causal entre escolariclacle e preconceito, a
ordem temporal das cluas vari:lveis e um pouco mais ambfgua
do que no exemplo do sexo e atitucleso Voce pocle dizer
que, aumenrando a escolaridade, tornamos a pessoa menos
preconceituosa; entao, escolaridacle seria a variavel inclepen-
dente, e preconceito, a variavel clependenteo Por outro !ado,
pode ser que o preconceito afete a quanticlade de educas;ao
que uma pessoa procura ou recebeo Voce pocle clizer que a
educas;ao seria anatema para uma pessoa muito preconceituosa
e/ou uma pessoa muito preconceiruosa teria maior probabi-
lidacle de ser expulsa cia escolao Portanto, pocle-se justificar o
argumento que faz do preconceito a variavel inclepenclente e
cia escolaridacle a variavel depenclenteo
Em situa~oes oncle a ordem temporal clas variaveis nao e
clara, a clesignas;ao de variaveis inclepenclentes e dependentes
precisa ser feita e apresentacla em bases 16gicaso Frequentemente,
0 argumento nao e bastante forte para satisfazer toclos OS leito-
rCSo Em outras situas;oes, podemos achar que as duas variaveis
se afetam de forma cfclicao Por exemplo, para alguns respon-
dentes, escolaridade afeta o preconceito, enquanto para ourros
30 Finalmentc, a tabela c lida comparando-se os subgrupos
da variavel independente em termos de urn valor da
vari:'ivel dependenteo
Lembre nossa analise anterior sobre sexo e atitudes com
rela~ao a igualdade sexual. Seguindo os passos acima, sexo
senclo clesignado como variavel independente e atitudes
sabre igualclade sexual, como variavel dependente, proce-
demos assim:
l o A amostra e dividida em homens c mulhercso
2° Cacla subgrupo sexual e descrito em termos de
aprova~ao ou desaprova~ao da igualdacle sexual.
3° Homens e mulheres sf1o comparados em tcrmos das
porcemagens que aprovam a igualdad<..! sexual.
A Figura 14-2 nos da uma representac;ao grafica clos pas-
sos a dar na cnas;ao d e tabelas de porcentagemo 0 numero
0 - , de
casas foi red liZJCIo para simplificar.
0

e o contr;:lrio; para outros, pode haver uma dinamica ainda Urn problema que costuma confundir pesquisadores
expe
mais complexa: uma pessoa sem preconceito pode ser levada a
0

.. nentes merece urn comenrarioo A tabela deve ser percentuada

buscar mais eclucas;ao e esta reduzir aincla mais seu preconceitoo Para baixo"
' ou "atraves"?
- Deve uma co1una d e porcemagens
 totalizar lOOo/o ou o cleve a linha de porcentagens? A resposra -
B. Separar homens e mulheres (a varh!lvel independente)
completamente arbitraria. Neste livro, tencli a padronizar e
procedimento calculanclo a porcentagem para baixo, de mod~
Mulheres Homens
que as colunas de porcentagens totalizassem lOOo/o, mas esra
conven~ao e s6 uma questao de gosto e habito pessoais.

Entretanto, podemos derivar clessa questao geral uma

diretriz uti!. Se uma tabela for percentuacla para baixo, deve
ser lida horizontalmente. Se e percentuada atJ·aves, deve ser
!ida verticalmente. Usando a Tabela 14-5 como exemplo
vemos que foi percentuada para baixo, de modo que a~
porcentagens em cada coluna somem 100%. A tabela e inter-
pretada lendo atraves: 63o/o dos homens aprovam, comparado
a 75o/o das mulheres.
A obediencia completa a esta regra de constru~ao e inter-
preta~ao de tabelas ajuda a evitar um erro comum. Muitos
pesquisadores inexperientes leem a Tabcla 14-5 assim: "63%
dos homens concordam com igualdade sexual enquanto 37% C. Em cada grupo do genero, separar os que sao a favor da igualdade sexual dos
que sao contra (variavel dependente)
discordam. Portanto, os homens tem maior probabilidade de
concordarem." Essa interpreta\;ao e incorreta. Embora seja ver- Mulheres Homens

dade que os homens tern maior probabilidade de aprovar a = = = = =

igualdade sexual do que desaprouar, esse achado s6 tem signi-
ficado como descri~ao das atitudes clos homens. A observa~ao
mais importante C que OS homenS tem uma probabilidacle menor
de aprovar do que as mulheres. Como a tabela e percentuada
:;%: :;%: :;%: :;%: :;%: :;%:
na vertical, cleve ser lida horizontalmente.

fiGURA 14-2
Percentuondo umo tobelo ' ' wwww
A. Alguns homens e mulheres que ou sao a favor (sinal de igual) da igualdade sexual, D. Conte os numeros em cada celula da tabela
ou sao contra (:;t:)

Mulheres Homens

8 6
======== = = = = = =

2 4
E. Qual a porcentagem das mulheres F. Qual a porcentagem dos homens
respostas dependc muito da constru~·ao da frase usada
e a favor da igualdade? e a favor da igualdade? no item de questioniirio.

60% = = = 3
. Os valores ou categorias de cada variavel devem ser
I ,...,mente indicados. Catcgorias complexas de resposta
ca.~

devem ser abreviadas, mas o significado deve estar claro

na tabela, e a resposta completa devl! ser relatada no texto.

4. Quando sao aprcsentadas porcentagcns na tabela, devc-

se indicar a base sobrc a qual foram computadas. E redundante
apresentar toclos os numeros brutes para cada catcgoria de
porcentagcm, ja que eles podcm scr reconstruidos a partir
das porcentagens c das bases. Alem disso, a apresenta~ao
de numeros e de porcentagens freqUe ntemente torna a
G. Conclusoes tabela confusa c mais diffcil de ser !ida.

Enquanto a maioria dos homens e mulheres Mulheres Homens

sao a favor da igualdade sexual, mulheres tem 5. Se alguns respondenres forcm omitidos da tabcla, devido
maier chances de o ser. A favor da igualdade 80% 60%
a dados faltantes (por cxemplo, "sem resposta"), seus
Portanto sexo parece ser uma das causas da 20% 40% numeros devem ser indicados na tabcla.
Contra a igualdade
atitude em relac;:iio a igualdade sexual.
Total 100% 100%
TABHA 14-7
"Voce oprova ou desaprovo a proposi(oo geral de que homens e
mu lhms devem ser tratados igualmente em todo os ospedos?"
formatos de Iabelas Bivariadas
Nao ha Formato de aprcsenta<;;ao padronizado para o tipo Homens Mulhms
de tabelas de porcentagens que estamos examinando (freqUen- 75%
Aprovam 63%
temen te chamadas tabelas de contingencia ou tabula<;;oes
c ru zadas) . Por isso, encontramos uma grande variedade de Desaprovam 37 25
fonnatos na literarura de pesquisa. Se as rabelas puderem ser
100% 100%
!ida~ e interpreradas facilmente, provavelmenre nao ha razao
para for<;;ar a padroniza<;;ao. Conrudo, cerras clirerrizes devem (400) (400)
ser seguidas na apresenta<;;ao da maioria dos dados tabulares.
Sem resposra = (12) (5)
(Veja a Tabela 14-7 como exemplo de uma boa tabela.)

1. Tabclas devem ter cabe~alhos ou tltulos descrevendo

scu conteudo.
Analise Multivariada
2. 0 contcudo original das variiivcis deve ser apresentado A 16gica cia analise multivariada c o assunto de capftu los
claramente - na pr6pria tabela, sc for possfvel, ou 110 posteriores cle s te 1'rvro, especw . 1mente o Caprtu , Io 15. Entretanto,
texto com uma pan1frasc na tabela. Isso e especialmente neste Ponto , , .I
1as. multivariaclas
sera uu discutir ra piclamente a construr;ao de rabe-
. , ra b e Ias construt'd as a partir I vanas
. ce - .
crftico quando uma vari:1vel e descrita a partir de respostas v ., , ISto e,
. .
a uma pergunta alltudmal, porque o S1gn1 11ca
. . ... do das anaveis.
 . Igualmentc, as duas variavcis indcpendentes tern um
Tabelas multivariadas podem ser construfdas com ba. , se
5
efeito cumulative sobre atitude. Mulhcres jovens sao as
numa descri~ao mais complicada de subgrupo, seguindo
que mais ap6iam, e homens velhos os que ap6iam menos.
essencia lmenre os mesmos passos descritos para as tabela
bivariadas. Porem, em vez de uma varia vel independenre e um:
dependenre, teremos mais de uma variavel independenre. Em TABHA 14-8
vez de explicar a variavel dependenre com base numa unic . u d"soprovo a propoli(oo gerol de que homens e mulhere1
variavel independenre, buscaremos uma cxplica<;ao basead:
··vac e aprova o ~ Id I ?"
devem1er lralodo1 igualmenle em o 01 01 o1pec os.
em mais de uma variavel inclependenre.
Voltando ao exemplo das atitudes sobre igualdade Mulhere1 Homens
sexual, suponha que voce acreclite que iclade tambem afeta
ta is atitucles, com os jovens tendo maior probabilidade de Aboixo de 30 30 e acimo Abaixo de 30 30 e ocimo
aprovar a igualclade sexual do que os mais velhos. 0 primeiro
90o/o 600/o 78o/o 48o/o
passo na constrw;ao de tabelas e di viclir a amostra total em Aprovam
subgru pos baseados nos va rios va lo res clas cluas variaveis Desaprovam 10 40 22 52
indepenclen tes si multaneamen te: homem jovem, homem
1000/o 1000/o 1000/o 100o/o
velho , mulher jovem, mulher velha . Depois, os varios
subgrupos sao clescritos nos termos cia variavel dependente, (200) (200) (200) (200)
e se fazem as compara~oes. A Tabela 14-8 exemplifica uma
tabela hipotetica multivariacla. Sem resposta = (2) (3) (10) (2)
Seguindo a conven~ao, a tabela foi percentuacla para baixo
e, por isso, deve ser !ida na horizontal. A inrerpreta~ao leva a
varias conclusoes.

1. Entre homens e mulheres, os mais jovens dao mais
apoio a igualdade sexual do que os mais velhos. Entre as
mulheres, 90% das com menos de 30 e 60% das com 30 ou
mais aprovam .
2. Dentro de cada grupo de idade, as mulheres ap6iam a
igualdade sexual mais que os homens. Entre os respon-
dentcs abaixo de 30 anos, 90% das mulheres ap6iam,
comparadas a 78% dos homens. Entre os de 30 ou mais,
60% das mulheres ap6iam, contra 48% dos homens.
3. Como medido na tabela, idade parece ter maior efeito
sobre atitudes do que :;exo. Para homens e mulhercs, o
efeito da idade pode ser resumido como uma diferen(:a de
30 pontos percentuab. Dentro de cada grupo de idade, 3
diferenp em pontos percentuais entre homens e mulheres
e de 12.
4. I dade e sexo tem efeitos independentes sobre as atitudes.
Dentro de cad3 valor de uma vari:.lvel independen te,
diferentes valores da segunda afetarao as atitudes.
0 Capitulo 15 sobre o moclelo de elabora~ao examina
com mais detalhes a 16gica da analise multivariacla. Mas, antes
de concluir esta se~ao, vcjamos um formate alternative para
apresentar dados.
Cada tabela apresentacla neste capitulo e ine ficie nte de
algum modo. Como a variavel depenclente - atitucle sabre igual-
dade sexual - e dicotomica (tem dois valores), conhecer um
valor permite reconstruir o outro facilmente. Assim, se sabemos
que 90o/o clas mulheres com menos de 30 anos aprovam a igual-
dade sexual, sabemos automaticamente que 10o/o clesaprovam
(supondo que removemos os "nao sei" e outras respostas desse
tipo). Portanto, e clesnecessario relatar a porcentagem clos que
desa provam. Por isso, a Tabela 14-8 pocleria ser apresentada
no formate alternative cia Tabela 14-9.
Nesta, as porce ntagens aprovando a igualclacle sexual sao
relatadas nas celulas representanclo as interse~oes clas duas
variaveis independe ntes. Os numeros entre parenteses abaixo
de cada porcentagem representam os numeros de casas sobre
OS qu ·
ats as porcentagens sao baseadas. Por exemplo, sabemos
que havia 200 mulhe res abaixo de 30 anos na amostra e que 90o/o
delas aprovavam a igualdade sexual. Alem disso, que 180 das 3. compare os subgrupos da variiivel independenre em
200 mulheres aprovavam e que as outras 20 (10%) desaprova- rela~iio ao valor da variiivel dependente.
vam. E mais faciller a Tabela 14-9 do que a 14-8, sem sacrificar
qualquer detalhe. Finalmente, memorize esta regra basica: percentue para
. e Ie 1·a atraves ou percentue atraves e leia para baixo.
b:u)(O • ' '
JABHA14-9
"Voce concorda ou discorda do propositoo geral de que homens e Nota
mulhms deve m ser tratados igualmente em todos as aspedos?" , D·tdos extr:tfdos de HAUB, Carl, KENT, Mary Meclerios. 1988 World
· '"'tion Data Sheet (a poster). Washington, DC: Population Reference
Popu,..
Bureau.
Porcentagem que Concordo Mulheres Homens

Abaixo de 30 90 78
Leituras Adicionais
(200) (200)
COLE, Stephen . The Sociological Method. Chicago: Markham,
30 e acima 60 48 1972.
(200) (200) DAVIS, James. Elementary Survey Analysis. Englewood Cliffs,
N]: Prentice-Hall, 1971.
LABOVITZ, Sanford, HAGEDORN, Robert. Introduction to Social
Research. New York: McGraw-Hill, 1971.

Resume ZEISEL, Hans. Say It with Figures. New York: Harper & Row,
1957.
Este capitulo lntroduziu a 16gica e a mecanica cia cons-
tru~ao de tabelas.A primeira vista, tabelas parecem multo sim-
ples para merecer d iscussao extensa. Na verclade, etas sao bas-
tame complexas. Por isso, sao freqCtentemcnte malconstrufdas
e mal-interpretadas.
Tentei apresentar a 16gica da constru~ao e interpreta~ao
de tabelas, come~ando com a analise univariacla, passando para
a d~scri~ao de subgrupos e depois discutindo a analise
explicativa bivariacla e a ana lise multivariada. Os capftulos
seguintes dependem muito cia compreensao clas cabelas de
contingencia, portanto e essencial que voce as entenda bem.
Vale a pena repetir os passes essenciais da construc;ao e
interpreta~ao das tabelas explicativas.

1. Divida a amostra em subgrupos base::tdos nos valores

da(s) Yariavcl(eis) independente(s).

2. Descreva cada grupo com base nos va Iorcs cIa '•·· 11·.·1vcl
•
dependente.
 Capitulo 15

0 Modele de flabora~ao

Este capitulo estuda aquilo que, em analise de survey, e

chamado de "modelo de elabora«;ao", "metodo de interpreta«;ao",
"a escola de Columbia" ou "metodo de Lazarsfeld". Essa nomen-
clatura variada deriva do faro de que este metodo tem por fim a
elaborafctO de uma rela«;ao empi'rica entre variaveis, para inter-
pretar essa relas;ao da maneira desenvolvida por Paul Lazarsfeld na
Universidade de Columbia.
0 modelo de elabora«;ao e usado para tornar inteligi'vel a
rela«;ao entre duas variaveis atraves da introdu«;ao simultanea de
variaveis adicionais. Foi desenvolvido primeiramente atraves de
tabelas de contingencia, mas em capi'tulos posteriores veremos
como pode ser usado com outras tecnicas estatfsticas.
Acredito firmemente que o modelo de elabora«;ao oferece
uma visao mais nftida da 16gica da analise de survey do que
qualquer outro metodo disponfvel. Especialmente quando usado
c?~ tabelas de contingencia, este metodo reproduz os processes
logtcos da analise cientlfica. Ademais, compreendendo comple-
taAme~te o uso do modelo de elabora«;ao com tabelas de contin-
g~n~ta, aumentamos nossa capacidade de usar e compreender
tecntcas estatfsticas mais sofisticadas.

Historic do Modele de flabora~oo

pa . Rever as origens hist6ricas do modelo de elabora«;ao e
ci ntcularmenre
·r· t'nstruttvo
. para a aprecta~ao
. - rea 1'tsta cla pesqUtsa
.
entt 1ca n ..
Stouff a ~rattca. Durante a II Guerra Mundial, Samuel
SOci er organtzou e chefiou um grupo especial de pesquisa
1
a denrro do Exercito dos Estados Unidos. Durante toda a
guerra, esse grupo fez um grande numero e variedade de surveys
entre os militares americanos. Embora os objetivos das pesquisas
variassem, o foco estava, em geral, nos fatores que afetavam a
efetividade dos soldados em combate.
Diversas pesquisas examinavam a questao do moral entre
os militares. Como se acreditava que o moral afetava a efetivi-
dade em combate, sua melhora presumivelmente aumentaria a
efetividade do esfor~o de guerra. Stouffer e seu grupo de pes-
quisa, portanto, procuraram desvendar algumas das variaveis
que afetavam o moral. Em parte, o grupo buscou confirmar
empiricamen te a lgumas proposi~oes comumente aceitas
inclusive as segu intes: ' r6prias experiencias relativas a outros em torno deles . Na
1. Promo.,;oes cen amente afetavam o moral dos soldados,
e os que serviam em un idades com ba ixas taxas de
promo.,;oes teriam moral rela tivamente baixo.
2. Dadas a discrimina<;;ao e a segrega.,;ao social no Sui do
pais, soldados negros em treinamento nas bases do Norte
teriam um moral mais alto do que os que treinavam no Sui.
3. Soldados com mais escolaridade provavclmente se
ressentiriam mais de serem recrutados como soldados
rasos do que os com mcnos cscolaridade.
Essas proposi~oes tinham 16gica, e o saber comum susten-
tava que eram empiricamente vercladeiras. Stouffer clecicliu testa-las
empiricamente; para sua surpresa, nenhuma foi confirmada.
Primeiro, os soldados que serviam na Polfcia do Exercito,
o ncle as promo~oes eram as mais lentas, tinham menos queixas
sobre o c;lstema de promo~oes do que os que serviam na Avia~o
do Exercito, onde as promo~oes e ram as mais rapiclas do Exer-
cito. Este achado surgiu das respostas a uma pergunta sobre se
o solclado acreditava ~ue o sistema de promo~oes era justa em
geral. Segundo, o mota! geral dos solclaclos negros nos campo~
de treinamento do Norte e nos do Sui cliferia pouco, se e
que cliferia. Terceiro, soldados menos escolarizados tendiam
mais a se ressenrir de terem sido recrutados do que os de
maior escolaridacle.
. . cl, ·da
Frente a esses dados, muttos pesqlllsaclores, sem uvt d'
te riam tentado esconde-los, por sugerirem pouca capaci~a. e
cientffica. Outros teriam fcito testes de significancia estansnca
e tentariam publicar os resu ltados. Stouffer, em vez disso,
perguntou por que tinha obtido tais daclos.
Ele encontrou a resposta nos conceitos de "grupo de
~ cia'' e de "priva~ao relativa". Stouffer sugeriu que os
referen ' . ,,aliavam suas post~oes· - na vt·da nao
- d e acord o com
50 Ida dos •"
1
_ :1.bsolutos e objetivos, mas com base em sua posi~ao
P·tdroes ·
• . ·amente aos outros em seu redor. As pessoas com quem
relan' • • -avam eram seu grupo d e re1erencta,
c - · e sentJam
· · -
pnva~ao
se camP·11'
· ...1 se nao se comparassem favoravelmente com elas.
relaU\ •
Com esses conceitos de grupo de referenda e priva~ao
. . .., Stouffer encontrou uma resposta para as anomalias
re I.tU\ "•
em scus claclos. Com rela~o a prom~o, sugeriu que os soldados
avaliavam a justi~a do sistema de promo~oes com base nas
p ,.
Polfcia do Exerctto, ond e as promo~oes
- eram poucas e I entas,
menos solclados conheciam um colega menos qualificado que
tivesse sido promovido antes deles. Na Avia~ao do Exercito, a
cipida taxa de promo~oes significava que muitos soldados
sabiam de colegas menos qualificados que tinham sido promo-
viclos mais rapidamente do que seria justo. Assim, ironicamente,
os policiais do exercito cliziam que o sistema de promo~ao era
geralmente justo, e os cia Avia~ao diziam que nao e ra.
Uma explica~ao semelhante parece adequada no caso
dos soldados negros. Em vez de comparar as condi~oes
gerais do Norte com as do Sui, eles comparavam seu proprio
status, como soldados negros, com o status de civis negros
em seu redor. No Sui, onde a discrimina~ao estava na pior
fase, ser soldado protegia urn pouco os negros das normas
culrura is adversas nas comunidades ao redor. Enquanto
civis negros eram forteme nte discriminados e negados a auto-
estima, bons empregos e tc., soldados negros tinham urn
statu s ligeiramente melhor. No Norte, todavia, muitos civis
negros q ue os soldados e ncontravam tinham empregos bern
pagos; com menor discri mina ~ao, ser soldado nao melhorava
0
status de urn negro na comunidade.
Finalmente, grupo de referenda e priva~ao relativa
pa reciam exP1tear
· . d e recrutas mats
. escolanzados
.
. a anoma1ta
acenando
seu recrutamento com mais boa vontade do que os
menos escoIanza. d os. Stouffer raciocinou assim: 1
1. Os amigos de urn soldado terao, em geral, o mesmo
nfvel educacional que ele.
2. Soldados com menor escolaridadc terao maior
probabilidade de estar em ocupa<;;ot:s semiqualificadas
 de produ~iio CIU serie Oll de agricu ltura do que os mats
.
bem-educados. fhBHA 15-2
Relatdo hipotetica entre escolaridade e dispense de omigos
3. Durante a guerra, muitas indthtrias de produ\ao e
01
- · e um'd ades agncolas
sene - foram declaradas vitais para
0 Alta E~e. Baixo E~e.
interesse nacional; agricultores c trabalhadores de prodU\"J.O
-
em serie nessas industrias cram dispcnsados do servir;o militar. Sim 19% 79%

4. Soldados com pouca escolaridade tinham m a tor

· Amigos
dispensados?
probabilidacle de ter amigos isentos de servi~o militar do
que solclados com maior cscolaridade. Nao 81 21

100% 100%
5. Recrutas com baixa cscolarid adc tinham maior
(1761) (1876)
probabilidade de se sentirem discriminados do que 05
com maior escolaridadc, ao se compararem com os amigos.

Essas foram as explicas,:oes que Stouffer sugeriu para

desvendar o misterio dos tres achados anomalos. Mas como 0 desenvolvimento formal do modelo de e laboras,:ao foi
isso nao fazia parte de um projeto de estudo pre-planejado, ele feito por Paul Lazarsfeld e seus associados na Universidade
careceu de dados empfricos para testa-las. Ainda assim, a de Columbia. Na revisao metodo16gica dos estudos de Stouffer
exposis,:ao 16gica de Stouffer forncccu a base para o desenvol- sobre o Exercito, Lazarsfeld e Patricia Kendall apresentaram
vimento posterior do mode lo de elaboras,:ao: o entendimento tabelas hipoteticas que teriam provado a argumentas,:ao de
da relas,:ao entre duas variaveis atraves da introdus,:ao controlada Stouffer sobre a relas,:ao entre nfvel educacional e aceitas,:ao do
de outras variaveis. recrutamento, caso os dados empfricos estivessem disponfveis. 2
Kendall e Lazarsfeld comes,:aram com os dados de Stouffer
que mostravam a associas,:ao negativa entre escola ridade e
fABHA 15-1 aceitas,:ao do recrutamemo (ver Tabela 15-1). Seguindo a expli-
Re1umo do1 dodos de Stouffer sobre escolaridade e oceitatdo do cas,:ao de Stouffer, Ke ndall e Lazarsfe ld criaram uma tabela
recrutamento hip o t'ettca,
.
compatfvel com os dados empfricos, para mostrar
que escolaridade se relacionava com o soldado ter ou nao amigos
Alta £~e. Baixo fsc. di~pensados. Na Tabela 15-2, repare que 19% dos com alta esco-
landade reiata ram ter anugos
· .
que foram dtspensados comparados
Nao deveriam ser dispensados 18% 70%
com 790/o dos com baixa escolaridade. '
Deveriam ser dispensados 12% 30% A explicas,:ao de Stouffer supunha , em seguida, que
sold ados · .
100% d d com amtgos dtspensados teriam maior probabili-
100% a e de sere ·
_ ssenttr com seu proprio recrutamento do que os
(1761) (1876) que nao tinh · .
os d d am amtgos dts pensados. A Tabela 15-3 apresenta
est a OS hip0 t'e[Jcos
· de Kendall e Lazarsfeld que apoiariam
As label as 15·1. 15·2, 15·3 e 15-4 esloo modificodos com permissoo do /t\acmillon Company, a parlir de (onhnuilier a suposis;ao.
in Social Research: Sludies in !he Scopl! ond tflelhod of "!he American Soldier', par Rober! K. /tier/on e Pou
f. Lazarsfeld. Capyrigh\1950 by lhe free Press, a Corpora/ion. as Jig Os_ dados h'tpotettcos
-· das Tabelas 15-2 e 15-3 confirmam
a~oes
Primeir es ·r d
pect tea as por Sto uffer em sua explicas,:ao.
0
• soldados com baixa escola ridade tinham maior
probabilidade de terem amigos dispensados do que os com ThBELA 15-4
mais escolaridade. Segundo, ter amigos dispensados faz que d hipoWicos relacionando escolaridade a oceitatoo do recrutamento,
urn soldado tenda a pensar que ele tambem devia ter sido 0a os pelo fetor de ter amigos dispensados
dispensado. Stouffer tinha sugerido que essas duas rela~oes
esclareceriam a relac;ao original entre escolaridade e aceita~ao Amigos dispensados Nenhumamigo dispensado
do recrutamento. Kendall e Lazarsfeld criaram a tabela hipotetica
que confirmaria essa ultima explica~ao (ver Tabela 15-4). Alta& lli ixa Esc Alta Esc. B.1Lxa Esc.

Lembre que o achado original foi que recrutas com
maior escolaridade tinham mais probabilidacle de aceitar como
justo seu recrutamento do que os de escolaridacle mais baixa.
Na Tabela 15-4, entretanto, notamos que escolaridade nao
tern efeito na aceitac;ao do recrutamento nos que relatam
terem ticlo amigos dispensados. Nos dois g rupos de escolari-
dade, 63% dizem que nao deviam ter sido dispensados. De
modo semelhante, escolaridade nao tern efeito significative
na aceitac;ao de recrutamento nos que relataram nao terem
tido amigos dispensados; 94 e 95% dos dois grupos de esco-
laridade dizem que eles nao deviam ter sido dispensados.
TABHh 15-3
Relatoo hipoletica entre a dispense de amigos e a aceitatoa do proprio
recrutamento
Amigos dispensados?
Sim
Nao deveriam ter sido dispensados 63%
De-veriam ter siclo dispensados 37
100%
(1819)
N~ de\'criam ter sido dispei"lSI.dos 63% 63% 94% 95%
i .10
()evcri.1111 ter sido cli<;pei"lSI.dos 37 37 6 5
100% 100% 100% 100%
(335) (1484) (1426) (392)
Por outro !ado, entre os de alta escolaridade, a aceitac;cio
do recrutamento e fottemente relacionada a terem amigos dispen-
sados ou nao: 63% versus 94%. 0 mesmo vale para os menos
escolarizaclos. Os clados hipoteticos da Tabela 15-4, portanto,
ap6iam o argumento de Stouffer de que escolaridade afetava a
aceita~ao do recrutamento apenas pela intermedia~ao de ter
tido amigos dispensados. Recrutas de alta escolaridade tinham
menor probabilidade de terem amigos clispensados e, em viltude
disso, tinham maior probabilidade de aceitarem seu recruta-
menro como justo. Recrutas com menor escolariclacle tinham
maio r probabilidade de terem amigos dispensados e, por isso,
Nao menor probabiliclade de aceitarem seu proprio recrutamento.
94o/o Eimportance reconhecer que nem a explicac;ao de Stouffer
?em os dados hipoteticos negaram a realidade da rela¢io original.
6
A medida que a escolaridacle aumentava, aumentava tambem a
100% aceita<;ao do proprio recrutamento. A natureza dessa relac;ao
empfrica, entretanto, fo i interpretada pela introdw;;ao de uma
(1818)
terceira va riavel. Essa variavel, a dispe nsa de amigos, nao
negava a rela~ao original; ela apenas esclareceu o mecanisme
pelo qual ocorreu a rela<;ao original. E este, pois, o cora<;ao do
modelo de elabora<;ao e cia analise multivariacla.
. Tendo observaclo uma rela<;ao empfrica entre duas varia-
Vets b
cf .· ' usca-se en tender a natureza dessa relac;ao atraves dos
M~ltos . produzidos pela introdu<;ao de outras variavcis.
cantcamente, isso se faz primeiro, dividinclo a amostra em
<::I
S u )Con· '
p JUntos, com base na variavel de controle ou de teste.
Or CXempJo, ter amigos dispensados OU nao e a variave) de
conrrole do nosso exemplo; a amostra e dividida entre os
~ _ ~ . d' · que
rem e os que nao tern amtgos tspensados. A rela~ao entre
duas variaveis originais e recon:putada separadamenre para ca~~
sub-amostra. As tabelas produztdas assim sao chamadas de tabc-
las parciais, e as rela~oes encontradas nas mbelas parciais sao
chamadas de rela~oes p:rc~ai.s .. As rela~oes parciais sao a seguir
comparaclas com a rela~ao mtctal descoberta na amostra total.
0 Paradigma de flabora~ao
Esta se~ao da diretrizes para entender uma analise de
elabora~ao. Para come~ar, deve-se saber se a variavel de teste
e antecedenre (anterior no tempo) as outras duas variaveis ou
se intervem entre elas; essas diferen~as sugerem diferentes re-
la~oes 16gicas no modelo multivariado. Se a variavcl de teste e
interveniente, como eo caso da escolaridade, dispensa de amigos
e aceita~ao do recrutamento, enrao as rela~oes da Figura 15-1 sao
pertinentes. A 16gica desta rela~ao multivariada e a seguinte: a
variavel independence (escolaridade) afeta a variavel de teste
intervenience (amigos dispensados ou nao), que, por sua vez,
afeta a variavel dependence (aceitar o recrutamento).
FIGURA 15-1
Variavel Vari avel Variavel
de teste independente dependente
FIGURA 15-2
Variavel
. nam emp iricamente, mas nao ha nenhuma conexao
rel:1 c.•~ entre elas. Sua rela~ao empfricae somente um procluto
1
c:n•~· reJaraes com a variavel de teste. (Exemplos posteriores
de ~uas ~ )
erao melhor este ponto.
escIareC •
· A Tabela 15-5 c urn guia para o entenclimento da analise
, laborac;ao. As duas colunas na tabela indicam sea vari:ivel
~[~
.
.
dt: e re e antecedente ou intervenience no sentido descrito
. .
No !ado esquerdo cia tabela, mdtca-se a natureza das
aCJJl1a. ' - ..
. oes parciais comparadas com a rela~ao ongmal entre as
reI.1\
I d A - , .
,·ari:\veis indepe ndente e c epen ente. s nota~oes tecntcas
designadas a cada caso sao dadas no corpo da tabela.
Replica~ao
Quando as rela~oes parciais sao essencialmente as mesmas
que a rela~ao original, chamamos o resultado de replicar;:c7o,
nao importando se a variavel de teste e antecedente ou interve-
nience. 0 significado e essencialmente o mesmo que ditaria o
sensa comum. A rela~ao original foi replicada sob condi~oes
de teste. Se, em nosso exemplo, escolaridade afetasse aceita\flO
do recrutamento tanto entre os que tiveram amigos dispensados
e os que nao civeram, diriamos que a rela~ao original cinha sido
replicada. Contudo, esce achado nao confirmaria a explica\ao
dada por Stouffer a rela\ao o riginal. Ter amigos dispensados ou
nao constituiria o mecanismo pelo qual a escolaridade afetava a
aceica~ao do recrutamento.
TABHA 15-5
0 porod igmo do eloboro(oo
Vari6vel de lde
Rela~oes Parciais

<
independente
Variavel .£ornparadas c/ Original Antececlente Interveniente
de teste- Mesma rela\ao Replica~iio
Variavel
Menor ou nenhuma Explica~ao Interpreta~ao
dependente
_£iviclicla•
Especifica~ao
Sea variavel de teste e antecedente tanto a variavel inck- .. Urn parcial e0 .
mesmo ou ma1or, enquonlo o oulro emenor ou nenhum.
pendente quanto a dependente, uma rcla0io multivariada muiro
diferente se aplica (ver Figura 15-2). Nessa segunda situa\fto, a
variavel de teste afeta tanto a variavel inclependente quanro :1
dependente.:l Por causa de suas rela~oes individuais com a
variavel de teste, as variaveis inclependente e depenclente se
 Os pesquisadorcs usam rotineiramente o model ue frequentaram escolas de medicina do Leste,
- na esperanc;a d e rcplicar seus achados entr
e I a b orac;ao 0 d<;> proft:ssores q rovar 0 Medicare, comparados com 59% dos
. e~~
conJuntos da amostra. Se sc descobrc, por exemplo .,fW0 disseram ap scolas sulisras de mcdicina. Este achado faz
' .. ntaram e .
relac;ao entre escolaridade c preconceito, pode-se intr~durn.a que fr.:que1 \'trtu ~ d de 0 Sui em geral, ser mais resistente a tats
e ' d" .
·- · d e teste co~1:o 1"d ace,
vanave1s 1 regiao do pals, rac;a, religH1o llZtr
etc ..,.:ntido en L te e de 0 rreinamento na escola de Me tcma
as que o es 'd. I -
para testar a estabtltdade da relac;ao original. Se a rei - · 1Jrogral11 fetar as arirudes do me tco. Esta re a~ao,
1. ·ehnente a .- I d
· rep 1·tear para ve II1os c )Ovens
se · para pessoas de dt.\' a~ao Prt?:-Ul11.
' ,
e anu 1a a
d pela inrroduc;ao de uma vanave e teste
. .
_ ' . ersas
parte~ do pats etc., pode-se conclutr que a relac;:ao original e entret.lnto,
~nre· a
.- do pais em que o professor f01 cnado.
regtao
genuma e geral. t 'cec.It: ·
:1n ~.: c es criados no Leste, 89% freqOentaram es-
Dos proiessor . . I
. · no Leste e 11% escolas de medtcma no Su .
. 1.. de med 1C1na • ' . .
fxplicatao LO .l:- . S 1 )~3% freqOentaram escolas de mecltcma no
) . cnados no u ' f
l o:> ' Sui Alem disso a area em que os pro essores
L ste e 47%, no . ' . M d" , . ,
E:x.plica~ao c o termo usado para descrever uma relar;a e. ' . se relaciona com as atttudes para como e tc,uc.
foram cnac1os . . .
espuria, isto e, uma relac;ao original que e "anu lada" pela intro~ . d
Dos cna os no
Leste 84% aprovaram o Mec1tcare, compatac1os
'
cluc;:ao de uma variavel de teste. Duas conclic;6es sao necessarias
0111 49o/o ctos criados no Sui.
para que isto ocorra. A variavel de teste deve ser anrecedente c A Tabela 15-6 apresenta a relac;:ao de tres variaveis entre
tanto a variavel independente quanto a dependente, e as
relac;6es parciais devem ser zero ou significarivamente menores a regtao em que os professores foram criados,
-- _ a regiao .do treina-
mento me 1 ' d"co e as atitudes com relac;ao ao Mechcare. Os
do que a enconrrada no original. Tres exemplos devem esclarecer professores de medicina criados no Leste tem grande proba-
o ponto.
bilidade de aprovar o Medicare, nao imporra onde tenham
Primeiro, ha uma relac;ao cmpfrica enrre o numero de estudado. Do mesmo modo, os criados no Sui tinham menor
cegonhas em diferentes areas e as taxas de nascimemo naquelas probabilidade de aprovar o Medicare, mas, de novo •. a regiao
areas. Quanto mais cegonhas numa area, mais nascimemos. A em que foram treinados tinha pouco ou nenhum efe1to. Esses
relac;ao empfrica pode levar a supor que o n(tmero de cegonhas dados indicam que a relac;ao original entre regiao do treina-
afeta a taxa de nascimentos. Uma variavel de teste antececlente mento medico e atitudes com relac;ao ao Medicare era espCtria.
explica essa relac;ao. Areas rurais rem mais cegonhas e mais Deveu-se apenas ao efeito coincidente da regiao de origem tanto
nascimentos que areas urbanas. Dentro das areas rurais, nao ha na regiao do treinamento medico quanto nas atitudes para com
nenhuma relac;:ao entre o numero de cegonhas e a raxa de nasci- o Medicare. Quando a regiao de origem c mantida cons/ante,
mentos, e essa relac;ao tambem nao exisre nas ~heas urbanas. como na Tabela 15-6, a relac;ao original desaparece nas rcla-
Segundo, ha uma rclac;:ao positiva entre o numero de <:6es parciais.
caminh6es de bombeiros que con·em para atender a um in-
'Cenclio e as dimens6es dos danos causados. Se mais cami- lMHh 15-6
nh6es respondem, ha mais danos causados. Pode-se supor, Regioo de origem, regiao de heinamento e atitudes para com o Medicare
com isso, que os pr6prios caminh6es de bombeiros causam
os danos. Uma variavel de teste antecedente, contudo - o
tamanho do incendio - , explica a relac;ao o riginal. Incendios Percentual das que apravam Medicare Regioa de Criatoa
maiores causafi1T11ais danos que os menores, e mais cami- Leste Sui
nh6es respondem aos maiores do que aos menores. Considerar
apenas incendios grandes faria desaparecer (ou ralvez reverter) Leste 84 50
a relac;ao original; o mesmo ocorreria se sc considerasse apenas Regiao do Treinamento Medico
os incendios menores. Sui 80 47
Por fim, ha uma relac;:ao empfrica entre a regiao do pais ~~~~\- BABBif, fori R. Science and /rloro/ily in Medicine. Berkeley: University of California Prell,
em que os professores de escolas de mcdicina fizeram seus, · er C1pec1olmenle p.l81.
cursos de medicina e suas atitudes com relac;ao ao Medicare.
Para simplificar, examinemos apcnas o Leste e o Sui. DoS
 lhBHA 15-7
. 1 envolvimenfo media com o igrejo enhe mulhms episcopois
A inlelpretafclo e semelhante a explica~ao, exceto Closse socJo e

-
. - 1
pos1~ao tempora.I d a vanave
·- I cIe teste e das implica~oes que
pea
se
s~guem dcssa d1fer.en~~· 0 cxemplo de escolaridade, amigos Niveis de Closse ~ocial
d1spensados c ace1ta~ao do recrutamemo e uma excelente Baixo Alto
ilustra~ao da i nrerpreta~ao. Nos tennos do modelo de elabora~o 0 1 2 3 4
o efeito da escolaridade na aceita~ao do recrutamemo nao ~
anulado: continua a ser uma rela~ao genufna. Realmeme as £n,·oh imenro .Media 0,63 0,58 0,49 0,48 0,45
diferen~as de escolaridade causam uma aceita~ao diferen~ial •I al To Comforl and Ia Challenge. Berkeley: Umveruly of California Press,
FONIE - GLOCK• Chor Ies Y.. • .
do recrur;u~1ento. ~ variavel inrerveniente, dispensa dos amigos,
1967. p.85.
somente ~lJuda a mterpretar o mecanisme pelo qual ocorre
a rela~ao.
TABHA 15-8
Um ponto importante deve ser notado. Podia-se ter Clams sociois e o ocupotoo de cargos em orgonizat6es seculares
come~ado a analise observando que ter amigos dispensados
tornava os recrutas menos dispostos a aceitar como justa 0 Niveis de Classe ~ociol
proprio recrutamento. Tentando entender melhor este achado Baixo Alto
original, podia-se ter introduzido escolaridade como variavel de
0 1 2 3 4
teste anrecedente. Sc isso tivesse sido feito, todavia, ter-se-ia achado
que a rela~ao entre ter amigos d ispensados e aceitar o reet·uta- Porcentagem dos detentores de
mento foi replicada entre os soldados de maior escolaridade e cargos em organizac;:oes Seculares 46 47 54 60 83
os menos escolarizados (ver Tabela 15-4). Teria tambem sido
notado que os soldados de maior escolaridade tinham menor FONIE - GLOCK, CharlesY. el ol. To Camfarl and lo Challenge. Berkeley: Univemly of California Press,
1967. p.92.
probabilidade de ter amigos dispensados, mas a rela~ao original
nao teria sido anulada.
Como exemplo final de in terpreta~ao, pesquisadores Nu m estudo das fontes do envolvimento religiose,
observaram, no passado, que crianps cujas maes trabalham fora Glock c seus associad os descobriram que, e ntre membros
tem maior p robabilidade de sc rornarem delinquentes que da lgreja Episcopal, o envolvimento diminufa com o aumento
crian~as cujas maes nao trabalham fora. Esta rela~ao pode ser declasse social. 5 A Tabe la 15-7 examina nfveis medios
interpretada introduzindo "supervisao" como variavel de teste. de envolvimento na igreja encontrados entre paroquianas
Entre as cri:l.n~as supervisionadas, as taxas de delinquencia niio de nfveis sociais diversos. Glock interpretou este achaclo
sao afetadas pela mae trabalhar fora OLI nao. 0 mesmo vale para no comexto de omros na analise, e concluiu que o envolvi-
as crianps nao supervisionadas. E a rela~ao entre maes que mento nas atividades da igreja p rove uma forma a lternativa
trabalham e falta de supervisao que produziu a rela~ao original. de gratifica~ao para pessoas que nao a encontram na socie-
dade secular. Esta interpreta~ao explica por que mulhcres eram
fspecifica~oo J
mais re ligiosas que homens, por que idosos eram mais
religiosos que jovens, e assim por diante. Glock raciocinou
Algumas vezes, o modclo de elabora~iio produz rela~oes que pessoas de classe social mais baixa (medida por renda e
parciais que diferem significativamente entre si. Por exemplo, esc0 1 ·c1
an ade) tinham menos oponunidade de obter auto-estima
uma rela~iio parcial pode parecer muito com a rela~ao original na socied ade secular do que pessoas de classe social mais
entre duas variaveis, enquanto a segunda rela~ao parcial sc apro- alta · Pa• ra cxempl!f,car
· · e le notou que c 1asse socw · I se
xima de zero. Chama-se isto de especificafcl.O no paradigma de reia · '
Clo nava fortemente com o faro de a mulher ter algum
elabora~ao. Especificaram-se as condi~oes nas quais ocorre 3
cargo nu ma organiza~ao secular (ver Tabela 15-8).
rela~ao original.
 Glock. raciocinou .enrao
. que, se classe social se reJac·
" tonava Refinamentos do Paradigma
com envolvm1ento na IgreJa apenas em virtude do faro de,
I:1Ull~eres de cl.asse mais baixa nao terem oportunidade de gra~~~ As ser;oes anteriores apresentam a 16gica primaria do
etaborarao tal como desenvolvido por Lazarsfeld e
ficar;ao na sociedade secular, a relar;ao original nao deve11a .· se cia'
I I0_ Morris
mO(C 1r
Rosenberg fez uma excelente apresenrar;ao desse
manter
• •
para mulheres que recebiam gratificarao
1r
social
"·
c om0 colega::;. , . . ~ 6
di ma, indo alem dele para sugenr outras vanar;oes. Em
mdicador
.,
cia recepr;ao
~
de gratificar;ao na sociedacle secL1t-1 .
'I, USOU para
. deg resenhar os comentanos - · d e Rosen b erg, po d e ser
a vanavel ocupar;ao de cargos em organizar;oes seculares. 'ez · ~ 1 ·
uri! ~ gora considerar as vanar;oes ogtcamenre. ' · AI guns
Nos termos cleste teste, classe social nao deveria' se I'ei'lc' 1 . comenmrios podem ser encontrados no hvroposs1veis.
de Rosenberg;
' Ionar
com envolvimento com a igreja entre mulheres que ri· n 11am , Iesse=>
outros foram sugeridos por ele.
tais cargos (ver Tabela 15-9). Primeiro, o paradigma basico supoe uma relar;ao original
entre duas variaveis. Um moclelo mais abrangente, contudo,
TABHh 15-9 poderia diferenciar proveitosamente relar;oes positivas e nega-
ti\•as. Alem do mais, Rosenberg sugere a aplicar;ao do modele
Envolvimento no igr eja por cla11e social e ocupatoo de cargos seculares de elaborar;ao a uma rela~ao original zero, com a possibiliclade
de surgirem relar;oes nas parciais. Ele cita como exemplo um
escudo de filiar;ao a sindicatos e atitudes sobre haver judeus na
Niveis de Closse Social direroria do sindicato. 7 A analise inicial indicava que tempo de
filiar;ao nao se relacionava com a atitude. Os que pertenciam ao
Baixo Alto
sindicato ha menos de quatro anos estavam tao dispostos a
Principal envolvimento cia Igreja 0 1 2 3 4 aceitar judeus na diretoria quanto os que hi estavam ha mais de
Com cargos 0,46 0,53 0,46 0,46 0,46 quatro anos. A idade dos membros, entretanto, suprimia a
Sem cargos 0,62 0,55 0,47 0,46 0,40 relac;ao entre tempo de filiar;ao e atitudes sobre judeus. Em
geral, os membros mais jovens eram mais favoraveis aos judeus
fONIE~ GLOCK, Charles Y. el al. To Comforl ond lo Challenge. Berkeley: University of California Press,
do que os mais velhos. Ao mesmo tempo, e claro, os mais
1967. p.92.
jovens eram menos passlveis de pertencer ao sindicato por
tanto tempo quanto os mais velhos. Dentro de grupos de iclade
espedficos, contuclo, os filiaclos ao sinclicato ha mais tempo
A Tabela 15-9 cia um exemplo de especificar;ao. Entre as cram os que mais apoiavam a presen~a de judeus. Iclacle, neste
caso, era uma variavel supressora, escondendo a relar;ao entre
mulheres que tinham cargos em organizar;oes seculares, nao
tempo de filia~ao ao sindicato e atitudes sobre judeus.
ha essencialmente qualquer relar;ao entre classe social c envol-
vimento com a igreja. Com efeito, a tabela especifica as condi- Segundo , o paradigma basico considera os casos de as
parcia~s serem tao fortes ou mais fracas que a relac;ao original,
r;oes nas quais a relar;ao original sc mantcm, como a falra de
~as nao oferece diretrizes para deciclir o que constitui uma
gratificar;ao na sociedade secular. dtferenra · 'f'tcauva
. entre a rela~ao original e as parciais. Todo
1r stgnt
0 rermo especificcu;do e usado no paradigma cia elabo- pesqUtsa · d or que usa o modele de elaborar;ao rem freqi.iente-
rar;ao indepenclentemente da variavcl de teste ser intervenienre mente
. que d CCI.d.If a rb'ltrariamente sobre Se uma parcial e
ou antecedente. 0 s~nificado e o mesmo em qualquer caso: Sign ificat'Ivamente mats . fraca que a original. Este dilema,
especificam-se as condir;oes particulares nas quais a rela(fiO Portanto ' s ugere uma outra dimensao do paradigma.
original se manrem. ou ~erceiro, a limitar;ao do paradigma basico a parciais iguais

P o~ ~ba~l~ fracas que a relar;ao original negligencia cluas outras

,,st t Idact es. U ma relac;ao
orig· - parcial pode ser mais forte que a
1
_ ma • ou uma relar;ao parcial pocle ser o inverso eta o riginal
negattva· , enquamo a original era positiva.
 xa do que os exemplos usados para ilustrar o para-
Rosenberg da urn exemplo hipoterico desta sittt , comP le •
. . a~ao
sugenndo que o pesqutsador pode descobrir responde d"gma basico.
ntes 1
da classe trabalhadora que ap6iam mais o movimenro d Ao 111 esmo tempo, o paradigma de elaborac;;ao e um
Direitos Civis que OS declasse media. 6 Sugere ainda que ra os I de referencias 16gico muito poderoso. Se voce en tender
q uae ro modelo bas1co,
. tera- meII1ores con d't<;;oes
- para enten d er
po d e ser uma uanaue · - neste caso, distorcendo~a
· - l d e d zstorfao
bel11 . o recnicas, como corre I a~oes,- - ana- l'1ses
verdadeira rela~ao entre classe e atitudes. Presumivelmenr~'
regressoes,
0 urr.15 , . , . , .
riais ere. 0 proxtmo capttu 1o procura sttuar tecntcas
respondences negros apoiariam mais o movimento do q ue' fato . . _ ..
rrelaroes parcl:llS e regressoes parctats no contexte
brancos, mas tambem negros estariam sobre-represemados entre como Co "' _
do modelo de elabora~ao.
OS rrabalhadores e sub-represenrados na classe media. Todavia
negros de classe media poderiam apoiar mais o movimenr~
do que trabalhadores negros, e a mesma rela~ao poderia ser
encontrada entre brancos. Manrendo constance a ra~a, enrao
flabora~ao e Hip6tese Ex Posf Facio
concluirlamos que o apoio ao movimenro dos Direitos Civi~ Devemos fazer uma observa\ao sabre o poder do modelo
seria maior na classe media do que na classe operaria. de clabora\ao em conexao com uma infeliz "vaca sagracla" clas
Essas novas dimensoes complicam mais ainda a no\iiO nonnas tradicionais cia pesquisa cientlfica. 0 leiror de textos
de especifica~ao. Se uma parcial e igual a original, enquamo a metodol6gicos encontrara inumeras referencias a falacia cia hipote-
outra parcial c ainda mais forte que a original, qual seria a tizafc'iO ex post facto. As inten~oes desses avisos sao boas, mas o
rea~ao? Houve a especifica<;iio de uma concli~ao na qual a pesquisador inexperience pocle se deixar enganar.
rela~ao original se mant<~m, mas tambem sc especificou uma Observar uma relac;;ao emplrica entre duas variaveis
outra condi~ao na qual a rela\aO se mantem ainda mais. e depois sugerir uma razao para ela e, as vezes, chamado
bipotelizafao ex post facto- gerar uma hip6tese ligan do duas
Por fim, o paradigma basico enfoca principalmente
variaveis depois de sua rela~ao ja ser conhecida. Lembre-se
as variaveis de teste clicotomicas. 0 modclo de elabora~ao
da discussao anterior de que codas as hip6teses devem ser
nao e tao limitado, nem na teoria nem no uso, mas o desconfirmaveis. A menos que se possa especificar achados
paradigma basico fica mais compl icado quando a variavel empfricos que desprovem sua hip6tese, ela e essencialmenre
de teste divide a amostra em tres ou quatro subamosrras e inuril. Raciocina-se, portanto, que uma vez tendo obseruado
se complica ainda mais quando se usa mais de uma variavel uma relac;;ao entre duas variaveis, qualquer hip6tese relativa
de teste ao mesmo tempo. a essa re la\ao nao pocle ser falseada.
Esses comentarios nao sao feitos para apontar clefeiros Essa e uma avalia\aO justa apenas em casos em que se
no paradigma de elabora~ao. Ao contrario, a inren~i'IO e rev_estem observac;;oes empfricas com hip6teses enganosas
ressalrar que o modelo de elabora \ao nao c um algo ritmo a~os o fa ro. Tendo observaclo que mulheres sao mais reli-
simples, ou um conjunto de proceclimentos arraves dos quais g10sas que homens, nao se deve simplesmente afirmar que
a analise se faz. 0 moclelo cle e labora~ao e um disposirivo mulheres sao mais rcligiosas por causa de alguma dinftmica
geral do comportamento social e a partir daf apoiar seu
16gico usado para assisti-lo na compreensao dos dados. Uma argu ' '
men to nessa observa\ao inicial.
boa compreensao do moclelo de e labora<;ao facilitara uma
analise de survey sofisticada. No entanto, clc nao sugere quais 0 efeito infeliz da injun~ao contra a hipotetizac;;ao ex
Post facto - · 'b· b
variaveis devem ser introduziclas como controles, nem sugere P . . e tn t 1r oas e honestas hip6teses p6s faro.
c esqutsadore s mexpenentes
· · sao frequentemente levados a
conclusoes definitivas sobre a natureza dos resultados da elabo- rer que dev f
3 exam· em ormular codas as suas hip6teses antes de
ra\ao. Para isso, deve-se confiar na propria engenhosiclade,
qual s6 aparece depois de extensa experiencia. Ao aponcar as P orr~mar os dados, mesmo que isso signifique fazer uma
~ao de hip'
a ign c
oteses mabormulaclas. Alem disso, sao levados
supcrsimplifica\oes no paradigma de elabora\ao b::lsico, conf' orar qualquer rela\aO empiricamente observada que nao
tenrei mostrar que o modelo fornece apenas um quadro d_~ trme alguma hip6tese anterior.
referencias 16gico. A analise sofisticada sed muito mats
 Certamente, poucos pesquisadores gostaria 111
que
Sam Stouffer ocultasse seus achados anomalos a resp .
eno
do moral dos soldados no Exercito. Stouffer viu observa -
, . . . , ~Oes
empmcas pecu 1wres e procurou 111poteses sobre as raz'
' ' oes
dos seus achados. Seu raciocfnio provou ser valioso p
ara
fu tu ros pesq u isadores.
Mas devemos assinalar que, embora qualquer pessoa rossa
gerar hip6teses para explicar rela~ocs empfricas observadas
num conjunto de clados, o moclelo de elabora~ao fornece as
ferramentas 16gicas para testar essas hip6teses denrro do
mesmo conjunto de dados. Um bom exemplo e a discussao
anterior sobre classe social c envolvimento na igreja. Glock
explicou a rela~ao original em termos cia teoria cia priva~ao social.
Se cle tivesse parado ali, seus comentarios teriam sido interes-
santes, mas pouco persuasivos. Ele, contudo, foi alem e observou
que, se as hip6teses estavam corretas, a rela~ao entre classe
social e envolvimento na igreja deveria dcsaparecer para as
mulheres que tinham outra gratifica~ao na socieclade secular,
especificamente as que ocupavam cargos numa organiza~J;ao
secular. Essa rela~ao foi entao submeticla a um teste empfrico.
Sea nova hip6tese nao tivesse sido confirmada pelos daclos,
Glock teria sido for~ado a reconsiderar.
Esses comenrarios devem mostrar que a analise de daclos
e um processo continuo, que exigc tocla a engenhosiclade e
perseveran~a que se puder reunir. 0 cenario de um pesquisador
cuidaclosamente exponclo as h ip6teses e testando-as de modo
ritualfstico resulta apenas em pesquisa ritualfstica.
Se voce estiver preocupado com a menor for~ das provas
ex post facto em compara~ao com as traclicionais, deixe-me
repeiir que "prova cientffica" e uma contracli~ao em termos. Nada
e provado cientificcnnenle. Hip6teses, explica~oes, teorias ou
palpites poclem escapar de tentativas de clesconfirma~ao, mas
nenhuma pocle ser provada de modo absolute. A aceim~ao de
uma hip6tese, portanto, e uma fun~ao do grau em que ela f~i
testada e nao clesconfirmacla. Nenhuma hip6tese pode ser const-
deracla s6licla com base num unico teste, nao imp01ta se gcrada
antes ou clepois cia observa~ao de dados empfricos. Com iss.o
em mente, voce nao devc se negar alguns dos caminhos mats
proveitosos cia am!lise de dados. Tente sempre conseguir u~a
compreensao honesta dos dados desenvolva teorias signtfi·
' 1 'l
cativas para o entendimento mais geral, e nao se preocupe con '
mancira como atingiu esta compreensao.
Resumo
't Jo examinamos a 16gica fundamental da
Neste capt u ' . ,
· modelo de elabora~ao. Embora tlvesse-
- · . . desllruey- 0 .
anahst: nalises a rabelas de porcentagens, veremos
r
mos 111 '
1itado as a ' .
. te que esta 16gica se aplica tgualmente nos
. irulo segutn .
no c.lp , 1. es estatfsticas mats complexas.
. de ana ts
cas0 5 _ , · t
A logica da elabora~ao e a segum e:
1. Comet;;amos com a obscrvat;;ao de uma rclat;;ao cmpirica
entre duas variaveis, cligamos, X e Y.
2. Buscamos entcnder a natureza dessa rclat;;ao atraves do
processo de manter constantes outras variaveis. Isso pennite
comparar a relat;;ao original entre X eYe as re/a~uesparciais
encontradas entre subconjuntos baseados na varh'ivel de
controle.
3. Se as relat;;oes parciais forem essencialmente as m<.:smas
que a original, dizemos que a relat;;ao original foi replicada,
e concluimos que a relat;;ao <.:ntre X e Y e genuina e
generalizavel.
4. Se apenas uma das relat;;oes parciais e essencialmentc a
mcsma (ou mais forte) que a original, enquanto a o utra
rclat;;ao parcial e essencialmente zero, chamamos o resultado
de especifica~ao: especificaram-se as condit;;oes nas quais
X causa Y.
5. Se a relat;;ao original desaparece nas parciais e se a
variavcl de controle e antececlcnte (anterior) a X e Y, o
resultado e chamado de explica~ao, significando que
anulamos uma relat;;ao espuria (niio-genuina).
6. Se a relat;;iio original desaparece nas parciais, e se a
variavel de controle intervem cronologicamente entre X e
Y, estc rcsultado c chamado de i11terpreta~ao, significando
que dcscobrimos os meios pelos quais X causa Y.
Notes
I s:our:FER, Samuel A. et al. 17Je Amen'ca/l SoldieJ: Princ<.!ton, N.j.: PrinC<.!ton

Untversny Press, 1949. v.l. p.l22 et seq., csp. p.127.

2
KENDALL, Patricia L., LAZARSFELD, Paul F. Problems of Social Analv~is
In: MERTON, Rob<.!rt K., LAZARSFELD, Paul F. (Ed.). Colllinuities in S~ci,lf
Capitulo 16
Research: Studies in the Scope and MetJ1od of ''The American Sokher"
New York: Free Press, 1950. p.133-196.

3 Note, e claro, que OS termos "vari{tvel indcpendente" e "\'ariavel depen-

dente" sao, a rigor, usados incorrctamente no diagrama. De fato, tcmos

uma variavel independente (a variavel de tcste) e duas \'ariaveis depcn-
dentes. A tcrminologia incorreta foi usada apenas para dar continuidadc
ao exemplo anterior.
fstatistica Socia I
4
N.T. Medicare: sistema de scguro-sat.kle. UAR131E, Earl R. Science and
Morality ill Medicille. Uerkelcy: University of California Press, 1970. Ver
especialmcnte p.l81.

5 GLOCK, Charles Y., RINGER, 13enjamin B., 13AI3I3TE, Earl R. To Comforl
and to Cballe11ge. 13erkeley: University of California Press, 1967. p.92.
6ROSENBERG, Morris. 1be Logic of Survey Ana~)ISis.· New York: nasic
Books, 1968.
'Ibidem. p.88-89.
s Ibidem. p.94-95.
Leituras ~dicionais
GLOCK, Charles Y. (Ed.). Survey Research in tbe Social Sciences.
New York: Russel Sage Foundation, 1967. cap.I.
HIRSCHI, Travis, SELVTN, Hanan. Principles of Survey Analysis.
New York: Free Press, 1973.
HYMAN, Herbert Survey Design a11d Analysis. New York: Free
Press, 1955.
LAZARSFELD, Paul F., PASANELLA, Ann K., ROSENBERG, Morr~~
(Ed.). Cmzlinuities in "'flJe Language of Social Researcb ·
New York: Free Press, 1972. se~ao II .
ROSENBERG, Morris. 'flJe Logic of Survey Analysis. Ne~· York:
Basic Books, 1968.
York:
STOUFFER, Samuel A. Social Research to Test Ideas. New
Free Press, 1962.
Muiras pessoa s se deixam inrimidar pela pesquisa
empfrica por nao ficarem conforraveis com a matemat ica
e a esratfstica. Muitos relat6rios de pesquisa sao cheios de
calculos nao especificados. 0 papel da estatfstica em pesquisa
de survey e muito imporrante, mas e igualmente imporrante
ver esse papel na pers pectiva adequada. A pesquisa empfrica
e, antes de mais nada , uma ope ra~ao l6gica, e nao uma
opera~ao matematica. A matemarica e apenas uma linguagem
conveniente e eficaz para descrever as opera~oes 16gicas
inerentes a boa analise de clados. A estatfstica, um ramo cia
matematica aplicada, e especialmente adequada para varias
analises de pesquisa.
Neste capitulo, examinaremos dois tipos de estatfstica:
a descritiva e a inferencial. A estat{s/ica descritiva e um meio
~e descrever dados em formas manejaveis. A estatistica
mjerencial, por seu !ado, ajuda a tirar conclusoes de obser-
va~oes· t' ·
' •P•camente, envolve t irar conclusoes sobre uma
Popula~ao a partir de uma amostra daquela popula~ao.
Estatistica Descritiva
d . A estatfstica descritiva e um metoda de apresenrar
escm;oes . . ,
d...,~ quantnallvas de modo manejavel. As vezes, deseja-se
"""rever
ass . vanave1s
·- · isoladameme, outras vezes quer-se descrever as
oc•a~oes
dos que I'•gam uma vanavel
, .
a Oll(ra. Vepmos alguns
Olodos d e f azer essas descri~oes.
 Redu~ao de Dodos Capitulo 14 discutiu alg~m~s formas de resumir dados
0
... ·ados: m edidas de tendenc1a c~ntral~ como a mod~,
A pesquisa cienrffica frequentememe envolve coletar unt' .tr.
1
e a media, e medidas de dtspersao, como amplt-
massas de dados. Suponha que pesquisamos 2.000 8mnd~ ledtana , , , I . . -
!1 ll , ,, d t!S\,·10 padrao. Tambem e posstve resUimr a assoeta~ao
fazen d o 10 0 perguntas a cada uma - urn estudo de pessoas· • Ill d ~ ~ .
. , grandeza .. \'ariave1s.
comum. Com tsso, tenamos 200.000 respostas. Ningue . entr" '
Iet. toclas e extnur. m Podena
delas alguma conclusao signilkativa p '
. 'I' . 'fi . , . Oftanto
mutta ana tse c tentt tea tmplica a redur;ao de daclos d d
. " . ' e etalhes
' Medidas de Associa~ao
tmaneJavets para resumos mais faceis de trabalhar.
A associa~ao entre duas va ri<'iveis quaisquer pode ser
Para .come~ar, vej~mos a matriz de dados brutos criados . , t"da por uma matriz de dados produzida pelas distri-
porum proJeto de pesqutsa quantitativa. A Tabela 16-1 apre represen •· . ., .
. . ~~ . oes de frequencia conJuntas das duas vanavets. A Tabela
uma matt'!Z de dados parctais. Cacla fileira na matriz represenra butq presenta uma matriz asstm. · · f orma~ao
El a d'a to d a a tn -
uma pessoa (ou outra unidade de analise), cacla coluna l 16--7 a
-- 1 1111a necessaria para de termina r a natureza e a extensao cia rela~ao
vanave e cada celula na matriz o atributo ou valor codificado
entre escolaridade e preconceito.
que uma pessoa rem numa variavel. A primeira coluna da
Tabela 16-1 represenra sexo. Suponha que "1" represeme
homem e "2", mulher. Isso significa que as pessoas 1 e 2 sao
homens, a pessoa 3 e mu lher, e assim por diante.
lABHA 16-2
Dodos brulos hipoWicos sobre escoloridode l? preconceilo
No caso de idade, o "3" da pessoa 1 poclc significar de 30
a 39 anos de idacle, e o "4" cia pessoa 2, 40-49. Nao impotta
como a iclade tenha sido coclificada (ver Capfrulo 11), os numeros Nivel de fscoloridode
de c6digo mostrados na coluna 2 da Tabela 16-1 descreveriam Preconceito Nenhum Prima rio Secunda rio Supelior P6s-Graduaclo
cada pessoa Ia representada. Alto 23 34 156 67 16
Medio 11 21 123 102 23
Baixo 6 12 95 164 77
fhBHh 16-1
/1\otriz de dodos brulos porciois Nore, por exemplo, que 23 pessoas (a) nao rem nenhuma
escolaridacle e (b) tiveram um escore alto de preconceito; 77
Sexo !dade fscoloridode Renda Profissoo filioc<io Orienlocao filioc<io lmporlcincia pessoas (a) tinham curso de p6s-gradua~ao e (b) tiveram baixo
Politico Politico Religiose do religiao escore de preconceito. Como a matriz de dados brutos na
Pessoa 1 1 3 ~ 4 1 2 3 0 4 Tabela 16-1, esta matriz cia mais inf01ma~ao do que o necessaria
~essoa 2 1 4 2 4 4 1 1 1 2 acompreensao. Ao examina-la com cuidado, ve-se que, a medida
~essoa 3 2 2 5 5 2 2 4 2 3 que a escolaridacle aumenta de "nenhum" para "p6s-graduado",
=>essoa 4 1 5 4 4 3 2 2 2 4 ha uma tendencia geral de diminui~ao do preconceito, mas
=>essoa 5 2 3 7 8 6 1 1 5 1 n~o. e possfvel ter nada mais alem dessa impressao geral.
:>essoa 6 2 1 Vanas esratfsticas descritivas permitem resumir esta matriz
3 3 5 3 5 1 1
~e dados. A sele~o da meclida adequada depende, inicialmente,
Note que os dados ja foram reduziclos quando criamo~ a natureza das duas variaveis.
uma matriz de dados como a da Tabela 16-1. Se a idade fot Yejamos algumas alternativas para resumir a associa~ao
codificada como acima, a resposta especffica "33 anos de idade" ja entre
• .
duas va nave1s.
" . Se quiser ma1s . mtonna~ao
. c -
so b re esses
1
foi rcduzida a cacegoria 30-39. As pessoas entrevistadas podcm Optcos, consulte um manual de estatfstica social.• As meclidas
dc ·tss · -
ter dado 60 ou 70 idades diferentes, agora reduzidas a seis ou '' OCla~ao que vamos cliscutir baseiam-se no moclelo de
recur
I -
sere categorias. ,_ao Proporcional de eiTO (RPE). Parn ver como esse moclelo

funciona, suponha que eu lhc pc~a para adivinhar atriburos d
respondentes em alguma variavel, por exemplo, se respondera e
111
sim ou nao a algum item do questionario.
Primeiro, suponha que voce conhece a distribuic;ao geral
de respostas na amosrra total, digamos, 60o/o sim e 40% na0.
Voce cometeria o menor numero de erros sc sempre usasse a
resposta modal (a mais frequenre): o sim.
Segundo, suponha que voce tambem conhece a relac;ao
empfrica entre a primeira variavel e alguma outra, digamos
sexo. Toda vez que eu perguntar se algum respondentc responde~
sim ou nao, !he direi tambem se e homem ou mulher. Se as
duas variaveis sao relacionadas, voce cleve cometer menos erros
cia seguncla vez. E possfvel, portanto, calcular o RPE sabenclo a
rela~ao entre as cluas variaveis: quanta maior a relac;ao, maior
a reclw;ao de erro.
0 modelo basico de RPE e modificado ligeiramente para
levar em conta nfveis diferentes de meclicla: nominal, ordinal
ou intervale. As sec;oes seguintes consicleram cacla nivel de
medic;ao e apresentam uma medida de associac;ao adequada a
cacla uma. As meclidas cliscutidas sao apenas tres de muitas
mediclas apropriadas.
Variiiueis Nominais. Se as cluas variaveis consistem em
dados nominais (por exemplo, sexo, filiac;ao religiosa, rac;a), o
lambda (l) seria uma medida aclequada. 0 lambda se baseia na
capacidacle de prever valores de uma das variaveis, isto e, o
RPE obticlo do conhecimento dos valores de outra variavel.
Vejamos um exemplo hipotetico simples cia l6gica e metoda do
lambda. A Tabela 16-3 apresenta daclos hipoteticos relacionando
sexo a situac;ao empregaticia. No geral, vemos que 1.100 pessoas
estao empregadas e 900 desempregadas. Se voce fossc predizer
sc as pessoas estao empregadas sabenclo apenas a distribuic;iio
geral clessa variavel, predizer sempre "empregado" levaria a
menos erros do que sempre preclizer "desempregado". Mas isso
resultaria em 900 erros em 2.000 previsoes.
TABHA 16-3
Dodos hipoWicos relocionondo sexo e emprego
Homens Mulheres lolal _
uoo
Empregados 900 200
-
Desempregados 100 800 900
2.000
r Total 1.000 1.000
ace reve acesso aos dados cia Tabela 16-3
onha que v . . - cl
sup da pessoa antes de predtzer a Sttua<;:ao e
.. ·e 0 sexo c1· -
e ouvt~~ , · mudaria Para cada homem a pre t<;:ao
A cstrategta . . " . "
ernprego. do'' e para cada mulher sena desemptegada .
sena· "emprega~ f .
. voce ana 30
o erros _ os 100 h omens c1esemptega· dos
Neste caso, npregadas _ ou 600 erros menos do que
. ?00 mulheres et
e as - . - soubesse o sexo cia pessoa.
ornetcna se na 0 -
c d ntao representa a reduc;;:ao de erros como pro-
Lamb a, e , d. .
reriam sido cometidos com base na tstn-
- 0 dos erros qu e .
po~\~ eral Neste exemplo, lambda seria igual a 0,67, ou sep,
but\30 g ' · clivididos pelos 900 erros rotais baseados
600 erros a men05 . -
os Neste exemplo lambda mede a assoCta<;:ao
apenas no emprego. ,
statlstica entre sexo e emprego.
e e enlprego fossem estatisticamente independentes,
Se sexo
- s a mesma distribuic;ao de situac;ao de emprego
encontranan10
e mulheres Neste caso, saber o sexo dos respon-
para I10 mens · .
dentes nao afetaria 0 numero de erros cometido~ ao se predtzer
situac;ao de emprego, e o lambda resultante sena zero. Se, por
outro !ado, rodos os homens estivessem empregados e todas as
mulheres desempregadas, saber o sexo cia pessoa evitaria erros
na predic;ao de situa~ao de emprego. Especificamentc, vo~e
cometeria 900 erros a menos (em 900), de fonna que lambda sena
1,0, representando uma associac;ao estatistica perfeita.
Lambda e apenas uma de varias medidas de associac;;:ao
para a analise de duas variaveis nominais.
Variiiveis Ordinais. Se as variaveis relacionadas sao ordinais
(por exemplo, classe social, religiosidade, aliena~ao), gamma (y)
e uma medida de associa<;:iio adequada. Como lambda, gamma se
baseia na capacidade de adivinhar valores de uma variavel
sabendo valores de outra. Em vez de valores exatos, todavia,
gamma se baseia no arranjo ordinal de valores. Para qualquer
par de casos, voce adivinha que a ordena~ao de uma variavel
vai corresponder, positiva ou negativamente, a ordenac;ao cia
outra. Por exemplo, se voce suspeita que religiosidade se
relaciona positivamente com conservadorismo politico e se a
~essoa A e mais religiosa que a Pessoa 13, voce adivinha que ela
e~mb'
. em mais conservadora que B. Gamma se b aseta · no
numero de comparac;oes emparelhadas que se ajustam a este
~d~ov ersus as que o contradtzem. ·
 · 1 e preconceito, oeste exemplo hipotetico,
c tasse socta - ' .
TMElh 16-4 tabel:l· '
ciados nega
tivamente. A expressao numenca de gamma
. . -
Dodos hipoWicos relocionando closse social e preconceito siiO :.1sso is dos pares examinados tmham post~ocs
. . 1 uc6lo/oama ..
indtC:. : d que posi~oes tguats.
Preconce ito Classe Baixo Closse Media opostas o anto os valores de lambda variam de 0 a
Closse Alto Note que, enqu d
Baixo 200 400 700 - amma variam de -1 a +1, representan o a
·alores d e g ·-
Media 500 900 1. os '' a magnitude da associat;ao. Como as vana-
400 . - ranto quanta ' _ . _
Alto 800 300 drref t1° . . _ rem estrutura ordinal, nao faz senttdo falar
100 .. n omm~us nao . . . A

,·ets - (Um lambda negative mdtcana que voce

A Tabela 16-4 apresenta dados hipoteticos relacionando
classe social e preconceito. A natureza geral da rela~ao entre
essas duas variaveis e que, a medida que aumenta a classe social
diminui o preconceito . Ha uma associa~ao negativa entre class~
social e preconceito.
Gamma e calculado de duas quantidades: (1) o numero
de pares que tem a mesma posi~ao de ordem nas duas varia-
veis e (2) o numero de pares com posi~oes de ordem oposras
nas duas variaveis. 0 numero de pares com a mesma posit;ao e
calculado multiplicando-se a freqi.iencia de cada celula na tabela
pela soma de todas as celulas que aparecem abaixo e a direita
dela e depois somando-se todos os produtos. Na Tabela 16-4,
o numero de pares com a mesma posi~ao seria calculaclo cia
seguinte forma: 200 (900 + 300 + 400 + 100) + 500 (300 + 100) +
400 (400 + 100) + 900 (100) Oll 340.000 + 200.000 + 200.000 +
90.000 = 830.000.
0 numero de pares com posi~oes opostas nas duas varia-
veis e calculado multiplicando-se a frequencia de cacla celula
na tabela pela soma de todas as celulas que aparecem abaixo e
a esquerda deJa e depois somando-se rodos os produros. Na
Tabela 16-4, o numero de pares com posi~oes oposras seria cal-
c~lado assim: 700 (500 + 800 + 900 + 300) + 400 (800 + 300) +
400 (500 + 800) + 900 (800) ou 1.750.000 + 440.000 + 520.000 +
720.000 = 3.430.000.
Gamma e calculado a partir dos numcros de pares com a
mesma posi~ao e de pares com posi\=oes oposras, cia seguinre
maneira:
igual - oposto
Gamma=
igual + oposro
0
Neste exemplo, ganm1a e igual a (830.000 - 3.430· 0 )
dividido par (830.000 + 3.430.000), ou - 0,61. 0 si~al_n~~a~t~~
indica a associa~ao negariva sugerida pela inspe~ao tntcta
. ao da re 1a\=a0 · .,
da d tre~ . na predirao dos valores de uma vanavel
tell mats erros ¥ .
cotne da segunda do que os que cometcu tgno-
bendo os va 1ores ' ,
sa nda. isso nao e logicamente posstvel.)
rando a segu , .
Considere o seguinte exemplo do usa de ~amma na pes-
. d uvey contemporanea. Para estudar ate que ponto as
qUtsa e st . I Z . k'
.,
vtuvas sanu tc
·r· avam seus maridos falectdos, He ena namec 1
b'l' .
. urn questionario a uma amostra proba 1 tsttca
Lopata ap Itcou . , .
?
de 301 vi(tvas na area de Chicago.2 Em patte, quesuonano
pedia a cada uma caracr:rizar :eu_mariclo _falectdo em term~s
da escala de diferencia(:aO semanttca mosttada na Tabela 16 5.
Pediu-se a cada uma descrever o conjuge falecido fazendo um
drculo num numero para cada par de caracterfsticas opostas.
Note que a serie de numeros conectando cada par de caracte-
rfsticas e uma medida ordinal.
Depois, Lopata queria descobrir ate que ponto as varias
mediclas se relacionavam uma com a outra e escolheu gamma
como medida da associa~ao. A Tabela 16-6 mostra como ela
apresentou os resultados. 0 formate mostrado e chamado de
matn'z de correlafCiO. Para cada par de medidas, Lopata calculou
o gamma. "Bam" e "Uti!", par exemplo, se relacionam um como
outre num gamma igual a 0,79. A matriz e urna fonna convenicnte
de apresentar as intercorrela~oes entre varias variavcis e e
enconrrada com freqi.iencia na literatura de pesquisa. Neste caso,
ve-se que todas as variaveis se relacionam fortemente umas
com as outras, embora para alguns pares a relat;ao seja mais
forte do que para outros.
Ganuna c apenas uma de varias medidas de associa~ao
para variaveis ordinais.
?
 ThBHh 16-5 como gamma e lambda, r sc baseia em adivinhar o valor
£scala de difmncia,ao semontica variavel conhecendo-se a outra. Para variaveis de inter-
de uma e razao conunuas, - entretanro, e- pouco provavel
- que
•alo ou d • . ·-
Caraderistica ' .. ,., adivinhar o valor preczso da vanavel. Por outro !ado,
se poss" •
Extremo Extremo . predizer o arranjo ordinal de valores para as duas valiaveis
apenas . . _
Positive Negative . ·,., de tirar vanragem do m:11or teor de tnforma~;ao rrans-
detX:lri·•
·rido por uma variavel de intervale ou razao. Em cerro
Bom 1 2 4 5 6 nu r·do rreflete o quiio e.xata foi a adivinha~ao do valor de uma
3 7 Mau sen 1 , .
· ·\·el com base no conheCimento do valor da outra.
Uti! 1 2 3 4 5 6 7 Inutil van. . 3
Honesto 1 2 3 4 5 6 7 Desonesto Para entender a 16gica de r, considere como voce pode,
Superior 1 2 3 4 5 6 7 Infetior hiporeticame nte, adivinhar os val~t~es ~las uni~a~es ~e analise
Gentil 1 2 4 6 numa variavel qualquer. Com vanave1s nommats, v1mos que
3 5 7 Cruel
se pode sempre apostar no valor modal. Para clados de razao
Amigavel 1 2 3 4 5 6 7 Hostil
ou intervale, voce sempre minimiza os erros apostanclo no
Ca loroso 1 2 3 4 5 6 7 Frio
valor meclio da va ri avel. Embora csta pratica produza
nenhuma ou poucas estimativas perfeitas, a extensao dos
erros sera rninimizada.
No ciilculo de lambda, vimos o numero de erros procluzidos
por apostar sempre no valor modal. No caso de r, os erros sao
medidos em tem10s cia soma do quadrado das diferen~;as entre
lhBELh 16-6 o valor real e a media. Esta soma e chamada de uariafilo total.
Associa,aes gamma entre os itens de difmncia,ao semontica do escala Para enrende r este conceiro, devemos expandir o ambito de
de santifica,ao nossa investiga ~;ao. Retornaremos a esta cliscussao quando
examinarmos a analise de regressc'lo, no Capitu lo 17. Por
enquanto, muclaremos nosso foco da estatfstica descritiva para
Otil Honesto Superior Gentil Ami gavel Co Iarosa
a esratlstica inferencial.
Bom 0,79 0,88 0,80 0,90 0,79 0,83
Uti! 0,84 0,71 0,77 0,68 0,72
Honesto 0,83 0,89 0,79 0,82
Supelior 0,78 0,60 0,73
fstatistica lnferencial
Gentil t 0,88 0,90 A maioria dos surveys examina dados colerados de amosrras
Amigavel 0,90 extrafdas de popula~oes maiores. Uma amostra de pessoas pode
s~r :nrrevistacla num survey, uma amostra de regisrros de
fONI£ - lOPAIA, Helena Znoniecki. Widowhood and Husband lonc"ficolion. Journal af /11arriage and /he Family, d
. Ivorcio pode ser co d"f" 1 tca d a e ana I"1sada · uma amostra de
p.439-450, maio 1991. JOrnais pode ser e xamma · d a arraves ' d e ana'-1·1se d e conteu'd o.
d:s
0
pes~uisadores raramenre estuclam amostras apenas para
f: creve-las pet· se; na matona . . d os casos o objetivo final e
Variaueis de Interualo ou de Raziio. Se estao sendo asso- azer afirma - b '
~o· ~;oes so re a popula~ao maior da qual a amostra
ciadas variaveis de intervale ou de razao (por exemplo, idade, 1 extralda F ··
renda, media de noras escolares), uma medida adequada de Os h . requentemente, portanto, sera necessaria tratar
ba _ac ados univariados e mulrivariados amostrais como a
associa~;ao e a correlafilo produto-momento de Pearson (t} A se para< mJerencias
· , r. ~ a respeito de alguma popula~;ao.
deriva~;ao e a computa~;ao desra medida de associa~;ao sao por
demais complexes para os prop6sitos deste livro, porranto faze Esta . . serao
:.- e xamma
. as med"d , .
1 as estausucas usadas para
r tals mferenctas
~ . e suas bases 16gicas. Come~aremos com
faremos apenas alguns comentarios gerais.
 dados univariados e passaremos para os multivariados na . a amostra deve ser tirada cia popula~ao Isobre a
discussao de testes de signifidincia estatfstica. . leiro cA •
pnn - infenn ' . do. Uma amostra tirada de uma lista te e1oruca
qual se estn , . a para inferencias estatfsticas_sobre a popu-
, b se Jegmm c
lnferencias Univariadas 11:10 e a
- de uma CJ"dad e, porque algumas pessoas nao rem te1e1one
A

la\:1° s rem nu' meros nao listados.

As primeiras se~oes do Capitulo 14 trataram dos metodos
A

e outraSegunco, I a estatfstica inferencial supoe o uso, de amos-

de apresenta~iio de dados univariados. Cada medida de resumo
pretendia oferecer urn metodo para descrever a amostra estu- ·lleatona, . strn
. pies , o que virtualmente nunca e o caso em
u-agem' ,. por amostragem · A estatfstica supoe amostragem
• _ . com
dada. Usaremos essas medidas para fazer afirmativas mais
amplas sobre a popula~iio. s~tn•eJ:s
. ao que quase nunca e feita mas talvez isso nao seJa urn
reposi~,
J •

, , . Amostragem sistematica e usada mais que a

Se 50% de uma amostra de pessoas dizem que tiveram t lema seno. f .
pro)rona· . tam b'em isso nao e problema serio, se etta correta-
resfliados no ano ame1ior, 50% e tambem nossa melhor estimativa 1
a ea e Amostragem
, estratificada
' , J·a que aumenta a representa-
da propor~ao de resfriados na popula~ao total de onde foi reti-
rada a amostra. (Esta estimativa supoe uma amostra aleat6ria ment .
· "dade nao e, - , claramente ' urn problema. Mas a amostragem
. .
simples, naturalmente.) E improvavel, entretanro, que precisa- uvi ' ,
or conglomera d os p ode ser problematica, porque, as esttmat!vas
men/e 50% da popula~ao tiveram resfriados durante o ano. Se p erro amostral podem ser pequenas demais. E patente, que
de .
foi seguido urn desenho de amostragem rigoroso para sele~ao amostrage m de esquina nao permite o , uso de
- estattsttca
100o/!
aleat6ria, seremos capazes de estimar a faixa de erro esperada . f ·at 0 calculo do erro padrao tambem supoe que
111 erenCJ · ·c1 c1 0
quando aplicarmos o achado amosrral a popula~ao. da amostra sera aproveitada; o problema aumenta de gravJ a e
0 Capitulo 5, sobre a teoria cia amostragem, tratou dos a medida que diminui esta taxa.
procedimentos para fazer tais estimativas, portanto faremos aqui Terceiro, a estatistica inferencial trata apenas do erro de
apenas uma revisao. No caso de uma porcentagem, a quantidade amostragem. Nao considera "erros nao-amostrais". Assim, emb~ra
possa ser correto afilmar que entre 47,5% e 52,5% da populapo
(com 95% de confianp) relataram ter tido resfriados no ano
anterior, niio podemos com tanta confian~ estimar a porcentagem
em que p e uma porcentagem, q e igual a 1 - p e 1l e 0 tamanho que realmente os teve. Alguns relatam resftiados quando tiveram
cia amostra, chama-se erro padrao. Esta quanridade e muito outra doen~a; outros esquecem os resfriados que tiveram . Como
importance na estimativa do erro amostral. Podemos ter 68% de os erros nao-amostrais sao provavelmente maiores que os
confianp que o numero para a popula\ao cairn dentro de mais erros de amostragem num desenho de amostra respeitavel, e
ou menos um erro padrao do numero para a amostra, 95% de preciso muito cuidado ao generalizar de achados de amostra para
confian~a {}ue cain1 dentro de mais ou menos dois erros a popula~ao.
padriio ou 99,9% de confian~a que caira dentro de mais ou
menos tres erros paclriio.
Qualquer afirma~ao sobre erro amostral, portanto, deve ter
Testes de Significoncia fstatlstica
dois componentes essenciais: o nfuel de conjlallfCl (por exemplo, Nao ha resposta cientffica a pergunta se uma associa~ao
95%) e o interualo de corifianfa (por exemplo, ± 2,5% ). Se 500Al ~ntre du as variaveis e significativa, forte, importance,
de uma amostra de 1.600 pessoas disseram ter tido resfriados Interessante ou digna de re lato. Talvez o teste decisivo
durante o ano, poclemos dizer que temos 95% de confian~a seja sua capacidade de persuadir sua audiencia (presente
que o numero para a popula~ao vai estar entre 47,5% e 52,5%. e futura) da signifidincia cia associa~ao. Mas os testes de
Neste exemplo, fomos a lem de apenas clescrever_ a sign((icancia podem ajudar nesse ponto. Como o nome
amostra, para fazer estimarivas (inferencias) sobrc a popuhl\ao sugt:re, a estatfstica parametrica e a estatfstica que faz
maior. Ao faze-lo, devemos esrar atentos i:ls implica~oes de cerras su posi~oes sobre 05 parftmetros que descrevem a
varias suposi~oes. PopuJa ~ao da qual se extraiu a amostra.
 Embora os testes de signijicaJzcia estatfslica sejam amplamente ~ 1·nvestigada e se ha rela~ao entre genero e
A q uesrao lh M ·
citados na literatura de ciencias sociais, a 16gica subjacente a eles . ros so re l· gualdade
b • entre homens e mu eres. a1s
e sutil e muitas vezes mal-entendida. Os testes de significancia 5enrunen
if1.camente, s
e a tendencia etas mulheres
, favorecerem
. Ia
ap6iam-se na mesma 16gica de amostragem discutida neste livro. espec , maior do que a dos homens, ja que, presun~1ve -
Para ajudar a entender essa 16gica, retornemos ao conceito de igualdade elase se beneficiariam mais dessa igualdade. Examme a
erro amostral com rela~ao a dados univariados. mente, _ rente vera resposta a essa pergunta.
Fi8ura 16 1 e
Lembre que uma esratfstica amostral nom1almente fomece FIGURA 16-1
a melhor estimativa do parametro de popula~ao correspondence
Umo popu Ioto-0 hi potetico de homens
. . e mulheres 1que sao fovor6veis ou
mas a estatfstica e o parametro raramente coincidem com exaticlao: se opoem o tguoldode muo
Desse modo, relaramos a probabilidade de que o parametro
Mulheres Hom ens
caia dentro de uma certa faixa (intervale de confian~a). 0 grau
Q Q Q Q Q Q Q Q dddddddd
de incerteza dentro dessa faixa se dcve a erro de amostragem
Q Q Q Q Q Q Q Q dddddddd
normal. 0 coroh1 rio dcsta afirma~ao de probabilidacle e 0 de Q Q Q Q Q Q Q Q dddddddd
que e improvauel que 0 parametro caia fora cia faixa especificada Q Q Q Q Q Q Q Q dddddddd
puramente como resultado de crro de amostragem. Assim, se A favor da igualdade Q Q Q Q Q Q Q Q dddddddd
estimamos que urn parametro (com 99,9% de confian~a) esta Q Q Q Q Q Q Q Q dddd d ddd
Q Q Q Q Q Q Q Q d d d d d d d d
entre 45% e 55%, clizemos, por implica~ao, que e extremamente
Q Q Q Q Q Q Q Q dddddddd
improvauel que o para metro seja na verda de, por exemplo, 90%,
suponclo que nosso unico erro de estimariva se eleva a amos- '' '' '' '' '' ' '' '' ••••••••
••••••••
tragem normal. Essa e a 16gica que funclamenta OS testes de
significancia.
' ••••••••
'' '' '' '' '' '' '' '' • • • • • • • •
'' '' '' '' '' '' '' '' ••••••••
Contra a igualdade
Umallustrar;c1o Grcifica. Vamos ilustrar esta 16gica da signifi-
cancia estatfstica numa seric de diagramas representando a ••••••••
••••••••
sele<;ao de amostras de uma popula<;ao. Os elementos da 16gica
a ser ilustrada sao:
'' '' '' '' '' '' '' '' ••••••••
Mulheres Homens
1. Suposi~oes com respc.:ito ~~ indepe11dencia de duas
variaveis no estudo da popula~ao. Legenda
A favor da
50% 50%
igualdade Q Mulheres a favor da igualdade
'
.r 2. Suposi~oes com respeito ~~ represeutatividade das
d Homens a favor da igualdade
amostras selecionadas atrav0s de procedimentos
Contra a
convencionais d<.: amostragem probabilbtica. igualdade 50% 50%
' Mulheres contra a iguatdade

3. A distribui9iio COII}IIIlla observada dos demento::. da 100% 100%

• Homens contra a igualdade

amostra em termo::. das duas variaveis.

A ilustra~ao indica que nao ha rela~ao entre sexo e atitu-
A Figura 16-1 represenra uma popula~ao ~ h.1pot'tica
e de des sobre a igualdade. Exatamenre metade dos membros de
256 pessoas metade homens e merade mulheres. 0 1 d"agrama cada grupo e a favor e metade e contra. Lembre a discussao
indica como' cada pessoa se senre sobrc as mu 111e1es . g ozarel11 anterior
0
sobre redu<;ao proporcional de erro. Neste caso, saber
.
de igualdade com os homens. No d1agrama, os que favorecem sexo de uma p essoa nao rcduziria os erros que cometerfamos
a igualclade sao representados por c1rcu os a b e1tos,
, I . enquanro. ao tenrar adivinhar a atitude deJa com rela~ao a igualdade. A
os que se opoem a ela sao represenrados por c1rcu os sombreados.
, I ' ~bela
0
na parte inferior da Figura 16-1 fornece uma visao tabular
que se observa no diagrama.
 A Figura 16-2 representa a selerao
"' de un1a' amost A amostra selecionada na Figura 16-2 permitiria tirar
um quarto d a popula~ao hipotetica. Na ilustrara~ ra de - , precisas sobre a rela~ao entre sexo e igualdade
d c1 " ,. o utn" coneI usot: 5 . , . de amostragem apren-
ra o recortado
•
no centro da popularao
1r
p rove uma an qua- A '
uia(aO maior. SegUindo a log1ca
representattva. Essa amostra tem dezesse·IS d e cada ti 10stra n::t. poP ca. pitulo 5, notanamos
, que nao~ h av1a
. re Ia~ao
~
entre
pessoa. Metade sao homens e metade s-ao mulherpo de dld:l no . ,
. , igualdade na amostra; portanto, conclumamos que
metade de cada grupo e a favor cia igualdade en es, e :-e:xo
_ I t:,via rela~ao na popula~ao ~ .
ma1or (a amostra fot. presu-
outra metade se opoe a ela. ' quanta a nao 1..
. ente selecionada de acordo com as regras conven-
ml'·e 111
I
cionais d e amostragem).
E claro que as amostras na vida real raramente sao
fiGURA16-2 reflexos tao p erfeitos das popula~oes de onde foram tiradas.
Umo omostro representative Niio seria incomum termos selecionado, digamos, um ou dois
homens a mais contra a igualdade e umas duas mulheres a
mais a fa vor, mesmo nao havendo relar;ao entre as cluas varia-
Mulheres Homens veis na popula~ao. Ta is pequenas variar;oes sao parte inte-
999999 d d d d d d d d grante cia amostra probabilfstica, conforme se viu no Capitulo 5.
9 9 9 9 9 9 9 d d d d d d d d A Figura 16-3 representa uma amostra que fica muito
9 9 9 9 9 9 dddddddd aqucm da re presenrar;ao da popula~ao maior. Ela selecionou
9 9 9 9 9 9 dddddddd
A favor da igualdade um numero excessive de mulheres que ap6iam e de homens
9 9 d d d d
9 oooo que sao contra a igualdacle. Como mostra a tabela, tres quartos
9 d d d d das mulheres da amostra sao a favor, comparados com apenas
d d d d um quarto dos homens. Se tivessemos selecionado esta amostra
•• •• •• •• de uma popula~ao na qual as cluas variaveis nao estivessem
relacionadas uma com a outra, a anal ise da amostra nos

Contra a igualdade
•• •• •• •• enganaria muito.

• • • •• •• •• •• •• E muito improvavel que uma amostra probabilistica

extraida adequadamente seja tao imprecisa quanta a mostrada

'' '' ' '' '' ''' ''' ••••••••

• • • •• ••• na Figura 16-3. De fato, se realmente selecionassemos uma
amostra que desse os resultados da Figura 16-3, teriamos que
, I
~ cl'f
buscar uma e xp I'1ca~ao 1 erente. A F1·gura 16-4 ilustra essa
Mulheres Homens outra exp lica~ao.
9 9 9 9 d d d d
9 9 9 9

.........
d d d d
A favor da igualdade 50% 50%
9 9 9 9 d d d d
9 9 9 9 d d d d

'' '' '' ''

'' '' '' '' .. . Contra a igualdade 50%

100%
50%

100%
--
\
 fiGURA16-3 . ras l 6-3 e 16-4, precisarfamos decidir se nosso achado
11as Frgu lar;ao de modo preciso ou foi apenas urn resultado
Umo omosfro nco representative fletill :t po pu
re de ::unosrragem.
Mulheres Hom ens de erro • FIGURA 16-4
9 9 9 9 9 9 9 9 d d d d d d d d
9 9
U amosho representative de umo populo,ao no qual as
9 9 9 d d d d d d d d mo vori oveis se relocionom
9 9 9 9 dddddddd
A favor da 9 9 9 9
igualdade
dddddddd
9 9 9 Mulheres Homens
9 dddddddd
9 9 9 9 9 9 9 Q 9 9 9 Q d d d d d d d d
d d d d
9 9 9 9 9 9 9 9 9 9 9 9 dddddddd
d d d d
9 9 9 9 Q 9 Q 9 9 9 9 9 d d d d d d d d
d d d d
Q Q 9 Q 9 dddddddd
'''' •• •• •• •• Afavor da igualdade
Q Q 9
Q 9 Q 9 d d d d
Contra a '' ' '' ' ' •• •• •• •• 9 9 9 9 d d d d
•• •• •• ••
igualdade
' ' '
'' '' '' ' ' ' ' ' ' ' 9 9 Q
Q Q 9
Q
9
' ' ' ' ' •• •• •• •• 9 Q 9 • •••
''' ''' '' ''' ''' ''' ''' ''' •• •• •• •• •• •• •• ••
' ••• ••• ••• •••
9 Q Q

' '' ''

t
Contra a igualdade

'' '' ' ' • • • ••

•• •• •••••
'' '' ''' '' '' • • • •• •• •• ••
9 9 9 9
9 9 9 9 Mulheres Homens
9 9 9 9 A favor da igualdade
9 9 9 9 75% 25%
9 9 9 9 d d d d
9 9 9 9 d d d d Mulheres Homens

'' '' '' '' •••• A favor da igualdade

••••••
75% 25%

•• •• •• Contra a igualdade
25% 75%

Amostra
•• •• •• •• 100% 100%
Contra a igualdade
25% 75%
Note q ue a amostra selecionada na Figura 16-4 rambem Amostra
mostra uma forte rela~ao entre genero c igualdade, mas desra 100% 100%
vez a razao e difereme. Selecionamos uma amostra perfeiw-
meme representativa, mas ha de faro uma forte rela~ao enrre as
duas variaveis na populas;:ao. Nesta figura, ha, na populas;:ao, do. A Logica da Significancia Estatfstica. A 16gica fundamental
maior probabilidade das mulheres apoiarem a igualdade do s testes de . if' - estatfstica, p01tanto, e a seguinte. Face
a qz srgn rcar;ao
1
taquerd· s ~ · . ~.
que os homens, e a amostra refletc isso. van·a· . 1 crepancra entre a suposta mdependencra de
· 'vers n _
Na prarica, nunca sabemos o que e verdadeiro para a c.1a arno . ~ uma popular;ao e a distribuiq-Jo observada de elementos
populas;:ao total; e por isso que extrafmos amostras. Se selecionas- (1) P sltt,t, Podemos explicar a discrepancia de urn de dois modos:
Ot emos atn'b ur-
-I a a uma amostra nao representativa, ou
semos uma amostra e descobrfssemos a fone rela~ao mostrada
 (2) podemos rejeirar a suposir;ao de independencia. A 16gic , . . - no nfvel 0,023, indicando que as chances de ela ter
. [lcar;a0
a estatfstica associadas com metodos de amostragem proba~~ 518 01 d de erro de amostragem sao 23 em 1000.
lfstica orientam sobrc as probabilidades variadas de graus v
1 resulca o , , . ..
QIL i-Qlladrado. Qui-quadrado (X-) e um teste de Stgmft-
riados de nao-representatividade (expresses como erro de a a- . ·to usado nas ciencias sociais. Baseia-se na bip6tese
tragem). Ou seja, ha uma alta probabilidade de um peq1mos- ·ncta mut
ten0 ca ue e a suposir;ao de nao haver relar;ao entre duas variaveis
grau de nao-representatividade e uma baixa probabilidade d, nttla. q ular;ao total. Dada a distribuir;ao observada de valores
um grande grau de nao-representatividade. e na pod p 5 variaveis separadas, computamos a distribuir;ao
nas ua - -
A significancia estatistica de uma relar;ao observada num . que seria esperada se nao houvesse relar;ao entre as
con)unta _ , .
conjunto de dados amostrais, portanto, e sempre expressa em duas \'ariaveis. 0 resultado desta computar;ao e um conJunto
termos de probabilidades. Significative no nfvel O,OS (p < 0,0)) reqiiencias esperadas para todas as celulas na tabela de
de fi d. .b . - I
significa que a probabilidade de uma relar;ao tao forte como a conringencia. Comparamos esta tstn UJr;ao esperac a com a
observada ser atribufvel apenas a erro de amostragem nao e distribuir;ao de casos realmente encontrada nos dados da amostra c
maior que S em 100. Ou seja, se duas variaveis sao indepen- dererminamos a probabilidade de a discrepancia descoberta ter
dentes uma da ourra na popular;ao e 100 amostras probabilfs- resulrado apenas de erro de amostragem. Vejamos um exemplo.
ticas sao extrafdas desta popular;ao, nao mais que cinco dessas Suponha q ue estamos interessados na possfvel relar;ao
amostras devem mostrar uma relar;ao tao fotte como a observada. entre ira igreja e genero, no caso dos membros de uma igreja.
Ha um coroh1rio para intervalos de confianr;a em testes Para restar a relar;ao, selecionamos aleatoriamente uma amostra
de significancia, que representa a probabilidade das associ- de 100 membros. Descobrimos que na amostra 40 sao homens
ar;oes medidas se deverem apenas a erro de amostragem: o e 60, mulheres, e que 70% cia amosrra afirmam ter ido a igreja
niuel de significc1ncia. Como os intervalos de confianp, os na semana anterior, os restantes 3001<> dizendo que nao o fizeram.
nfveis de significancia derivam de um modelo l6gico no qual Se nao houver relar;ao entre sexo e comparecimemo a
varias amostras sao extrafdas de uma popular;ao. Ao dete r- igreja, 70o/o dos homens na amostra deveriam ter iclo a igreja na
minar nfveis de confianr;a, supomos que nao ha associar;ao semana anterio r e 30%, nao. As mulheres deveriam ter compa-
entre as variaveis na popular;ao e perguntamos entao qual recido na mesma proporr;ao. A Tabela 16-7 (Parte I) mostra que,
proporr;ao das amostras cxtrafdas da popular;ao produziriam baseado oeste modelo, 28 homens e 42 mulheres deveriam ter
associar;oes pelo menos tao grandes quanto as encontradas ido a igreja, com 12 homens e 18 mulheres nao comparecendo.
nos dados. Tres nlveis de significancia sao usados frequen-
temente em relat6rios de pesquisa: 0,05, 0,01 e 0,001. Esses
numeros significam, respcctivamente, que as probabilidades
TABELA 16-7
de se obter a associar;ao medida como resultado de erro de lludrotao hipoWico de qui-quodrodo
amostragem sao S/100, 1/100 e 1/ 1.000.
I. frequencies Esperodos Homens Mulheres Total
Pesquisadores que usam testes de signifidincia normal- Comparecera m 28 42 70
mente seguem um dos dois padroes. Alguns especificam ante-
Nao compareceram 12 1B 3Q
cipadamente o nfvel de significancia que consideram suficie~re. Total
Se qualquer associar;ao medida e esraristicamente significauva 40 60 100
naquele nfvel, vao considera-la como representar;ao de uma II. frequencies Observodos Homens Mulheres Total
associar;ao genufna entre as duas variaveis. Em outras palavra;· Compareceram 20 so 70
N'ao compareceram
estao dispostos a descomar a possibilidade de ela resulrar e 2Q lQ 3Q
erro de amostragem.
Outros pesquisadores preferem informar o mve -
, 1 espe- -
Torat
Ill. (Observ0das - Esperodas)2 + Esperodos
-
40
Homens
60
Mulheres
100

cffico de signifidincia para cada associar;ao, desconsideranclo Compareceram

) as convenr;oes de 0 OS 0,01 c 0,001. Em vez de re1atat· q ue un1a Nao c 2.29 1.52 x2=12.70
- Ompareceram S.33 3.56 p<.001
. - e- stgntftcattva
certa assoctar;ao '. ' . . . no mvel
, O,OS, pod em relaw r a
00
 ua nte maior o va lor do qu i-quaclraclo, menor a
A Parte II cia Tabela 16-7 mostra o comparccimenro 1ostras. Q .b 'd
daS an . . d de este valor poder ser atn ut o apenas a erro
observado a igreja para a amostra de 100 membros. Observe robabthda e
que 20 homens afirmaram ter ido a igreja na semana anterior p ostragem.
enquanto outros 20 disseram que nao foram. Das mulheres d~ de aJ11 exem plo, 0 valor do qui-quadrado e 12,70. Se
No nosso . , . .
amostra, 50 fo ram e 10 nao. Comparando as freqi.H!ncias espe- h0 uvesse rela rao¥
entre sexo e compareCJmento a tgreJa na
radas e observaclas (Partes I e II), observamos que menos nao bc;;ao _ d
em etnbros , e tivcsse siclo selecionado e estudado
homens foram a igreja do que o esperado, no caso das mulheres popuran · d e nun- 1e ro de 'amosrras ' esperarfamos um qui-quadrado
ocorrenclo o contrario. urn g . de em m e nos cia meta de de 1% das amostras. A
desra magmtu
. ·c1 d d e o bre r um qui-q uadrado desta magmtu e e
. cl -
Qu i-quadraclo e calculaclo assim. Pa ra cacla celuia na obab th a e 1 ' ·
pr ' cl 0 001% supondo o uso de amostragem a eatona e
ta be la, o pesquisaclor (1) subtrai a freqi.it~ncia esperada para
rnenos e ' 1 ao' na populac;;ao. - Relatamos este ac h a d o 'af.. u-
aquela celula cia freqi.H~ncia observada, (2) eleva esta quantidacle ao haver rea~ . .. . - I
O ndo que a reJar , 1>''a-o e estatisticamente Stgntftcattva no nt ve
ao quad ra d o e (3) d ivide a d iferen~a ao q uadrado pela
ma001. Ja, q ue e- tao
' imtxovavel ' q ue a rela~ao. o. bservada. possa
,
fre quencia espe rada. Faz-se o m esmo para cada celula na 0
' 1 do ape nas d o e rro de amostragem, rejettamos a l11potese
rabela, e os resultados sao agregados. (A Patte lli cia Tabela 16-7 rer resu ta d -- ·
a presenta as compu ta~oes celula por celula.) 0 somat6rio final nula e su pom OS haver uma rela~ao .e ntre as uas vanavets na
pulac;;iio de membros d aquela IgreJa.
associa~ao
e o valor do q ui-quadrado - 12,70 no exemp lo atual.
po A maioria das meclidas de pode ser testada para
Este valor e a discrepa ncia gera l e nt re a distribu i~ii o
· ifidl.ncia estatfstica. Tabelas paclronizadas de valores nos per-
conjunta observada na amostra e a distribui~ao que devfa mos stgn 1 . if.
A • - •

mitem dete 1minar se uma associaqao rem stgn JCanCJa.estatJst:ca

esperar se ·as d uas variaveis niio se relacionassem entre si.
e em que nfvel. Qualquer man ual de estatfstica traz mstruqoes
Evidente mente, a simples descoberta de uma discrepa ncia
para 0 uso destas tabelas, de modo q ue nao ha necessidacle de
nao p rova que d uas variaveis se relacionam. Um erro normal
o fazermos aq ui.
de amostragem pode p rod uzir d iscrepancias mesmo qua ndo
nao h a re l a~ao na pop ul a~ao. Mas a g randeza do va lor Revisiio. Testes d e sig nificancia fo rnecem uma medida
d e q u i-qu a drado p e rmi te estima r a probab ilidade disro objetiva em rela~ao as qua is podemos estimar a significancia
have r aco nreciclo. de associa~oes entre variaveis , q ue nos ajudam a excluir asso-
cia~oes que possam nao re presentar associa~oes genufnas na
Para d e te rmi nar a sig nificancia estatfstica cia rela~ao
popula~iio estuclada. Quem u sar ou ler relat6rios de testes de
o b servad a, usamos u m conju nto padrao de valores de qui-
significancia estatfstica deve, contudo, se p recaver contra varies
quadraclo. Isto requer a computa~ao dos graus de liberdade, perigos na imerpre tac;;ao.
que, para 0 qui-quaclrad o, sao computados assim. 0 numer~
de linhas na tabela de freqi..H!ncias observadas, menos um, e Primeiro, estamos d iscu tinclo testes de sign ificancia
mu ltiplicado pelo nume ro d e colunas, menos um, que pode estatistica; nao ha testes objetivos de signifid.ncia substantiva.
ser escrito como (I - 1) (c - 1). No exemplo, temos d ua: Assim, podemos esta r legitimame nte convencidos que uma
lin has e duas colu nas (clescontados os totais), porranto ba cena associa\;iio nao se deve a erro de amostragem, mas rambem
um grau de liberclade. podemos afirmar sem med o de contradi~ao que duas varia-
Veis tern uma rela~ao minima entre si. Erro de amostragem e
Numa tabela de valores de qui-quadrado, vemos que,
, ··a de uma fu nr;ao inversa ao tama nho cia amostra: quanto maior a
para um grau de liberd ade e amosrragem a Ieatoll . uma
Nit
amostra, menor o e rro esperado. Uma correla~ao de 0,1 pode
popu l a~ao em que nao ha rela~ao entre d uas van·avets • lv .
70
ser sig nt·f·tcartva
· (em alg u m nfvel) se for desco b e rta num,a
das vezes devemos esperar um qu .t-qua d ra d o d e Pclo menos _ ~m?_str~ grande, m as a mes ma corre laqao entre as mesmas
2 7 Assim se selecionarmos 100 amostras desra popu laqa~,
' . , qut- anavets nao se ria sig nificativa numa amostra menor. lsto faz
devemos esperar q ue cerca de 10 delas produzam um ·ar
, d.tsto, d evemos espet,
sentido
:~ se e ntendermos a 16gica basica dos testes c1e stgnt· ·f·J-
quadrado igua l o u maior que 2,7. Alem , as c"ncia N 1 -
I
valores mfnimos de qui-quadrado de pe o menos • 6 6 em apel1•
' '1o sera · a amostra ma ior' h:l menos chance de a corre ac;ao
Penas o p rodlllo de erro de amostragem. Nas d uas amostras,
- 1% das amostras e va lo res de pelo menos 7,9 em apenas 0 ,::>
402
 ·das (por exemplo correla.,.ocs produto-
destas me d 1 ' ' . .
porem, a correla\ao poderia representar uma correla~;ao muit Omp utadas a partir de dados ordma1s).
0 1110 mento c '
fraca, de essencialmeme zero.
. A distin~Jo entre signifidincia estatistica e substanriva t:alvez 'fi - c· a C"tatistica c facilmcntc mal entendida como
4. SigOJ lC:IO 1 ~ '
sep melhor llustrada em casos de certeza absoluta de
0

"for~a de associa.,.ao" ou signifidl.ncia substanuva.

diferen~as observadas nao podem resultar de erros de a1110s- que
tragem. Este eo caso quando observamos uma popula~ao tod Ao 111esmo tempo_ ralvez paradoxalmente - acho . cl
que
Imagine que consigamos saber a idade de todas as autoridad~ . ·ncancia podem ser valiosos para o pesqutsa or
governamentais nos EUA e na URSS. S6 para argumentar, suponha te!>res de stgm , teis para a compreensao de dados. Apesar
instrumenros u ,
que a media de idade das autoridades americanas fosse 45 e a coll1° , ·os acima sugerirem uma abordagem conserva-
comentan ,
das autoridades sovieticas 46. Nao ha erro de amostragem, pois de 05 d 'gnt' ft'ca~ncia isto c que so devem ser usacos 1
1 s testes e s1 • ' .
sabemos a idade de todos. Sabemos com certeza que as autori- dora <. o d suposire)es sao satisfeitas, minha perspecuva
ndo ro as as ~ , .
dades sovieticas sao mais velhas que as americanas. Obviamenre qua , . t a inversa. Encorajo o uso de qualquer tecntca
ral e 1usramen e . .f.
diremos que a diferen~;a nao c substantivamente significativa. ge ' , . ( Jquer medida de associa~;ao ou teste de stgm 1-
Concluiremos que, nos dois pafses, as autoridades rem essencial- e: . )
·rausuca qua
c·lncta em
.
qualquer conjunto de clados, se tsto a1u ar a
• -
. cl
d
mente a mesma iclade. ' d . os dados. Se calcular correla~oes pro uto-
compreen er . 'f' A •

Segundo, a menos que sejamos enganados por este exem-
p lo hipotetico, nao devemos calcular significftncia estatfstica
de rela~oes observadas em dados colhidos de popula~oes
inteiras. Testes de signifidincia estatfstica medem a probabi-
lidade de rela~oes entre variaveis serem produtos apenas de
e rro de amostragem. Se nao ha amostragem, nao pode haver
erro de amostragem.
Terceiro, testes de signifidincia se baseiam nas mesmas
suposi~oes de amostragem usaclos na computa~ao clos intervalos
de confian~a. Se tais suposi~oes nao se enquaclram no clesenho
eta amostra, testes de significancia nao rem legitimiclade.
Como acontece na maioria clos temas deste Jivro, tambem
neste ponto tenho meu vies pessoal, neste caso, contra testes
de significftncia. Nao objeto a 16gica estatfstica destes testes,
que e s6lida. Mas preocupa-me que estes testes parecem enganar
mais que iluminar. Minhas reservas principais sao:
1. Testes de signifidlncia fazem suposi~ocs de amostragem
que virtualmcnte nunca sao satisfeitas por desenhos de
amostragens reais.
2. Dependem cia auscncia de <:ITos nao-amostrais, suposi.,-aO
qucstionavel na maioria das mecli~oes empiricas.
. d a f n.:•cJi.iencia
3. Na pr:'itica, siio aplicados com cIemasw
- . I ·uposl\ot.:s
mc:didas de associa<;ao cuja computa<;ao v1o ou s
tre variaveis nominais e testar stgm tcancta
1110 mento en _ . ·f
, · a no contexte de amostragens nao controladas saus t-
estausu c . . . .
.terio entao encorajo estas auvtdades. D1go tsto
zerem es[e Crl • , .
no espm , ·to do que Hanan Selvin chamou de tecntcas . para.
garimpar dados. Vale tudo, contanto que, ao cabo, ha1a comple-
ensao dos dados e do mundo social sob estuclo.
Porem, o pre~o desta liberdade radical e ab~icar de
interpreta~;oes estatfsticas estritas. Voce nao poclera mats base:r
a importancia definitiva de seus achaclos apenas numa correla~ao
significativa no nfvel 0,05. Qualquer que seja a rota cla descoberta,
os dados empiricos tem de ser apresentados de fom1a legltima e sua
importancia deve ser argumentada logicamente.
Resume
Neste capitulo, trabalhamos com uma visao ampla ~
abrangeme do munclo das estatlsticas sociais. Nao pretenclt
fazer do leitor um especialista em estatfsticas, mas entencler a
l6gica basica de algumas tecnicas estatlsticas mais usadas.
Come ~;amos fazendo uma distin~ao ampla entre estatisticas
descritivas e inferenciais.
Estatisticas descritivas sao usadas para resumir dados.
Algumas resumem a distribui~ao de atributos numa s6 variavel;
. _ •'I ourras, chamadas medidas de associafiiO, resumem a associa~;ao
~ntre variaveis.
 Estatfsticas inferenciais sao usadas para estimar a g
ralizabilidade de achados obtidos pela analise de amosr en~-
_ . ras as
popu !ac;oes das qua1s foram extrafdas. Algumas esrarf r·
· c . . . s 1cas
IOierencmis esnmam as caracterfsticas cia popularao par..,
-- (em termos de mueis
vanavel - e illterualos de confia"' fa).' Out
" urna
12
chamadas testes de significancia estatfstica, estimam as reb~;~'
entre variaveis cia populac;ao. s
Muitas mediclas de associa~ao se baseiam num mod
-
d e redUfao . d 1
eo
?roporc10na/ e erro (RPE), baseado na compara~ao
de (a) o numero de erros que cometerfamos se tentassen .
. · 1 'b los
a d1vm 1ar os atn utos de uma variavel para cada caso estudaclo
se tuclo o que soubessemos fosse a distribui~ao dos atribut '
desta variavel, e (b) o numero de erros que cometeriamos os
~-~ se
souucssemos a clistribui~ao conjunta gem! e fossemos infonnados
em cada caso sobre o atributo de uma variavel, cada vez que
procurassemos aclivinha r o atributo cia ourra.
Lambda e uma medicla de associac;ao para a analise de
duas varaveis llOminais. Oferece uma ilustra~ao lfmpida do
modelo RPE. Gamma e uma medida de associac;ao para a analise
de duas varaveis qrdilzais. A correlafaO produto-momento de
Pearson e uma medida de associac;ao para a analise de cluas
variaveis interualo o u de razao.
Inferencias sobre alguma caracterfstica de uma populac;ao,
tal como o percentual de eleitores a favor do candidaro A
devem inclicar o interualo de confianfa (ambito clentro da quai
o valor e esperaclo, por exemplo, 45% a 55% a favor do candi-
dato A) e uma indicac;ao do nfuel de corifianfa (a probabilidade
de que 0 valor esteja clentro cleste ambito, por exemplo, 95%
de confianc;a). Calculos de nfveis e intervalos de confianc;a se
baseiam na teoria cia probabilidacle e supoem tecnicas conven-
cionais de amostragem probabilfstica.
Inferencias sobre a generalizabilidade para a populac;ao
das associa~oes descoberras entre variaveis numa amostra
envolvem testes de significancia estalfstica, que estimam a
probabilidade de uma associac;ao tao forte quanta a obser-
vada resultar de erro de amostragem normal, caso nao haja
associac;ao entre as variaveis na populac;ao maior. Portanto,
testes de signifidl.ncia estatfstica tambem se baseiam na teoria
da probabilidade e supoem tecnicas convencionais de amos-
tragem probabilfstica. Signifidncia estatfstica nao deve ser
confunclida com sign ifidlncia substantiua; esta quer dizer que
uma associac;ao observada e forte, importante, significariva.
0 nfvel de significancia de uma associa\iiO observacla e
relatado como a p robabilidade de ela rer resultado apenas de
de amostragem. Afinnar que uma associac;ao e significativa
erro . - - c
, el 0 05 e dizer que uma assoc1ac;ao tao 10rte quan o a
t
no mv '
observada nao poderia ser esperada como resultado. de erro de
agem mais do que 5 vezes em 100. Pesqu1sadores de
amostr d , · 1 · 'f'
. , tendem a usar urn leque particu 1ar e mve1s c e Sign I 1-
. ·r·
estatistlca: 0 ,0 ),
suney A • , • ~
canCia en1 conexao com testes de s1gn1 1canC1a
A •
_
0,0 1 e O,OOl. Isto e apenas uma convent;ao.
Falanclo estritameme, testes de significancia estatistica fazem
suposic;oes sobre dados e metodos quase nunca completamente
sarisfeitos po r surveys reais. Apesar disto, os testes pode~1 ser
uteis na analise e interpretac;ao dos dados. Mas tome Cllldado
para nao interpre ta r a "signifidncia" do teste precisamente
d emais.
Netas
1 Doislivros manuais de estatfsrica social que podem ser uteis: JENDHEK,
Margaret Platt. 7brough the Maze: Statistics w ith Compt~ter Ap~l~cations.
13elmont, CA: Wadsworth, 1985; BLALOCK, Hubert. Soczal StatiStiCS. New
York: McGraw-! I ill, 1979.
l LOPATA, Helena Znaniecki. Widowhood and Husband Sanctification.
;oumal ofMarriage and the Family, p.439-450, maio 1981.
Leituras Adicionais
BLALOCK, Hubert. Social Statistics. New York: McGraw-Hill,
1979.
HENKEL, Ramon E. Tests ofSignificcmce. Beverly Hills, CA: Sage,
1976.
JENDREK, Margaret Platt. Through the Maze: Statistics with
Computer Applications. Belmont, CA: Wadsworth, 1985.
KISH, Leslie. Chance, Statistics and Statisticians. joumal of /be
American Statistical Association, v.73, n.361, p.1-6 mar. 1978.
MORRISON ' Denton ' HENKEL , Ramon (Ed.). The Sinni 1
0 v /ccmce
Test Controversy: a Reader. Chicago: Aldine-Atherton, 1970.
SHARP, Vicki. Statistics for the Social Sciences. Boston: Little,
Brown, 1979.
 Capitulo 17

Tecnicas Multivariadas Av a n~a d a s

A maior parte deste livro ate agora focalizou formas

um tanto rudimentares de manipulac;:ao de dados, como o
usa de rabelas de contingencia percentuadas. 0 modelo de
analise de e laborac;:ao foi apresentado sob a forma de tabe-
las de con tingencia, assim como as tecnicas estatfsticas descritas
no Capitulo 16.
Ire mos agora um passo alem e considcraremos breve-
mente alguns metodos mais complexes de analise e aprescn-
ta~ao de dados. Onde for possfvel, cada tecnica examinada
sera aprese ntada sob a perspectiva 16gica do modelo de
elaborac;:ao. Examinaremos as seguintes tecnicas: analise de
regressao , ana lise de trajet6ria, analise fatorial, ana lise de
variancia , analise discriminante e modelos log-lineares. Estas
sao ape nas a lgumas de muitas tecnicas disponfveis para o
pesquisado r de survey.
Meu prop6sito e introduzi-lo a estas tecnicas. Voce
nao concluira o capitu lo p rofic iente no uso delas, mas as
reco nhecera ao encontra-las em relat6rio de pesquisas.
Se q~i ser apren der mais sabre etas, serao dadas algumas
refere ncias b ibliograficas.

Analise de Regress ao
asso . Re~feri-me diversas vezes a formula geral para descrever a
Cia~ao entre duas vari<lveis: y = j(X). A formula se le "y e
urna fun ~
ex 1. s;ao de X', significando que valores de Y podem ser
P ICados em termos de varias;oes nos valores de X. Afirmando
 , . as pesquisas raramente se limitam a quatro
de forma mais forte, podemos clizer que X causa Y, isto c 03 praoca, - -
ue, '
q . s e as assoCI• .,. ·aroes entre variaveis raramente sao tao c1aras
valor de X determina o valor de Y Alltilise de Regressiio e ~
0

metodo para determinar a fun~ao especffica relacionando Yc Ill c;t::-O '

nnro a
da Figura 17-1.
X. Ha varias formas de analise de regressao, dependendo odm qL' p lo mais realista e o da Figura 17-2, que repre-
Um exe m ,
complexidade das rela~oes estucladas. Comecemos com a .a I - 0 h ipotetica entre numero de horas de estudo
ma ts , uma re a~a . d
simples: a regressao linear. :;~.:nt:l dantes. Como no exemplo antenor, os valores e
oras de estu d d )
e 11 ' 1 ente correspondem aos de X (horas e estu o ;
'( oras) gera m
> 11 d s valores de X aumentam os de Y Mas esta asso-
Regressao linear menran o o ,
au _ . , ra·o clara quanto ada Figura 17-1. Na Ftgura 17-2
.
· 3 ~·10 n::w e
0 modelo de regressao pode ser visto com clareza maxima Cl: ', 'vel sobrepor uma linha reta passando por todos os
11'10 e poSSI . d
no caso da associa~ao linear perfeita entre cluas variaveis. A '
1 gr
a'fico mas podemos trapr uma linha aproxtma a,
P onrosc.o ' , , .
Figura 17-1 mosrra graficamente os valores conjuntos de X e y
srran d o a 1nelhor representa~ao , linear
.
posstvel dos vanos
1110
ponros. Esta linha foi tra~ada no graftco.
num escudo hipotetico. Mostra que, nos quatro casos, os
valores de X e Y sao idenricos. A rela~ao entre as duas variaveis e
descrira pela equa~ao X= Y, chamacla equafao de regressao. FIGURA17-2
Como os quatro ?ontos esrao numa linha reta, poclemos sobrepor- Grafico dos volores de duos vori6veis com linho de regressoo (hipotetico)
lhes esta linha. E a linha de regressao.

4.0
fiGURh 17-1
Mapa simples dos vo lores de X e Y ..
4 •
1/)

.!!!
0
c
1/)
3.0
. . .. .. .
<0

..
'0
.~ 2.0
>-Q)
• "0
oQ)

'0
:::E
~ 2
0
•
1.0
~
•
o.o+----.----,------.---r---,----~
2 0 10 20 30 40 50 60

Valores de X Horas estudando por semana

0 moclelo de regressao linear rem importances usos d~s­
critivos. A linha de regressao mostra graficamenre a associ:H;:ao
entre X e Y, c a equa~ao de regressao e uma forma eficiente ~~
resumir esta associa~ao. 0 modelo de regressao rem rambe~
valor inferencial. Na medida em que a equa~ao de regress~o
as vana-
descreve corretamente a associa~ao geral entre as cIu
5
veis, pode ser usada para prever outros conjunros de valores. :
soubermos, por exemplo, que urn novo caso rem o val_or ,J 3
, y E ciaro
para X, poclemos prever um valor de 3,5 tambem para
Quem estudou geometria sabe que qualquer linha reta
num gra·r·teo pode ser representada por uma equa~ao na f orma
Y = a + bX, oncle X e Y sao valores das duas variaveis. Nesta
~qua<;ao, a e igual ao valor de Y quando X e 0 e b representa a
- d a ltnha.
Inc/ina fao · Se soubermos os valores de a e de b,
Podemos calcular uma estimativa de Y para cada valor de X.
Analise de regressao e uma tecnica para estabelecer a
cqua<;ao de regressao represenrando a linha geometrica que
mais se aproxima cia distribuir;ao de pontos. Esta equa ~ _ Regressao /Mitipla
. d .. . • \;ao e
va I1osa_ tanto escnnva quanta mferencialmeme · Primetro,·
_ a oentemente, pesquisadores de survey descobre~n que
equar;ao de regressao faz uma dcscrir;ao matematica eta 1 _ freq d te e afetada simultaneamente por dtversas
., . re a\ao
entre as vanave1s. Segundo, a equa~ao de regressao e . . ' rei depen en -
· f · 1 c1 P fmtte un1a vana' d tes A analise de regressiio mtUtipla e urn
m enr os va ores e Y quando temos os valores de X \T.ol , 1·s inde pen e n . ·t·
- . ~~ ,·aria"e
. ara anahsar
. estas situa~6es. Beverly Yerg usou esta ana tse
a Figura 17-2, podemos estimar as notas dos alunos se soube
rmos nleiO P· . r· - ·a de p rofessores de educa~ao !SICa, mam-.
- f' .
quantas horas e les estudam por semana. ·rudar a e tcact . - d
ao e!> expectativas atraves cia segumte equa<;ao e
festando sua_s .
.Para melhorar_a exaticlao etas estimativas ' constru·tmos
t
regressao mulupla:
uma lmha de regressao, na fonna de uma equa~ao de regressa 0
que permita estimar valores de uma variavel a partir clos val
• ores' p ~ b + bJ+ b)(,+ b.fCl + b,X.l + b/(1 + e
0
cia outra. 0 formate geral desta equa~ao e Y'= a+ b ()(), onde
a e b sao valores computados, X e urn valor numa variavel e on de
Y' e o valor estimado na outra. Os valores de a e de b sao Escore final do desempenho do aluno
F
computados para m inimizar as diferen~as entre valores reais
Escore inicial do desempenho do aluno
de Y e as estimativas correspondentes ( Y ') baseadas no valor I
conhecido de X. 0 somat6rio etas diferen~as ao quadrado entre XI ~
Composto da pn1tica de orienta(;ao c apoio
valores reais e os estimados de Y c chamado varia{:ao nao x = Composto do dominio do professor sobre o
J
explicada, porque representa erros que persistem mesmo quando
contcudo
estimativas se baseiam nos valores conhecidos de X.
X = Composto do feedback especifico relacionado a
A variafilo explicada e a diferen~a entre a varia~ao total J
tarefa
e a varia~ao nao explicacla. Dividir a varia~ao explicada pela
X = Composto da apresenta(;ao clara e concisa das tarefas
varia~ao total procluz uma meclicla cia redufilo proporcional do 4

erro, correspondenclo a quanticlade semelhante na computar;ao b Peso da regressao

do lambda. No caso atual, esta quanticlacle e a correla~ao ao
quaclraclo, r 2 . Assim, se r = 0,7, entao rl = 0,49, significando
que aproximaclamente metade cia varia~ao foi explicada. Na
pr<'ltica, compu tamos r e nao r 2 , porque a correla~ao produto-
momento pode ter sinal positive ou negative, dependendo da
di re~ao cia rela~ao entre as duas variaveis. (Computar r 2 e ex'tfair
a raiz quadrada semprc produz uma quantidade positiva.) Veja
um manual de estatfstica para o metoda de calcular r, apesa r
de que a maioria clos leitores certamente tem acesso a programas
de informatica projetados para faze-lo.
Esta discussao pocle ter sido exageraclamente esratfstica,
mas a vida social e tao complexa que o modele de regressfiO
linear simples nao basta para representar o verdacleiro estado
clas coisas. Como vimos no Capitulo 14, e possfvel, usando tabe-
las de porcemagem, analisar mais de cluas variaveis. Aumenrando
o numero de variaveis, estas tabelas se tornam mais compli-
cadas e diffceis de ler. 0 modele de regressao e uma boa alter-
nativa para tais casas.
e = Residuo
Note qu e, e m Iu ga r de uma umca va riavel X numa
regressao linear, h a d iversos X e tambem diversos b em vez
de um s6. Ye rg tambem optou por representar a como bo
nesta equa~ao , com 0 mesmo significado discutido acima .
Finalmente, a equa~ao termina com um fator residual (e),
que representa a raiz quaclrada da varifmcia em Y nao expli-
cada pclas va riaveis X analisadas.
Come~ando com esta equa~ao, Yerg calculou os valores
de diversos b, pa ra mostrar as contribui~oes relativas clas varias
variive is independentes na determina~ao dos escores finais clos
desempenhos estudantis. Ela tambem calculou o coeficiente de
correla~oes m(tltiplas como inclicador do quanta as seis variaveis
P_re:iram os escores finais. Este procedimento segue a mesma
l~gtca cia correla~ao bivariada simples discutida antes e e tradi-
c~onalmente escrito como R maiusculo. Neste caso, R = 0,877,
Stgnificando que 77% cia variancia (R2) nos escores finais se
explicam pelas seis variaveis agindo em conjunto.
Regressoo Parcial b c; forma
~m
se ap r1c'a cam da
a analise de regrcssao. Dados devem ser
'
mais simples que melhor descreva
apre:.·enrados . (portanto regressoes - 1·meares sao
- usa da's
.Ao _explic:r o modele de elabora~ao, demos aren~ao • d s re ~us • ,
0 s d~
1 0 cnte) Analise de moressao curuilmea oferece
especwl a rela~ao entre duas variaveis • quando un1'a te rce1ra
. . . f quentem · o
._ , tllll!> re . d uma nova op~ao, mas sem resolver de todo
vanavel teste se mantem constante. Assim podemos exam· pesqulsa or
. ~ ' 1nar 0 ao blema. Nada o faz.
efeJto de educa~ao sobre preconceito com idade se mantendo 0 pro
constante, testando o efeito independente de educarao J>
.. ~ '~· · ara
lSto, computamos a rela~ao tabular entre educa~ao e preconceito Precau~oes com a Analise de Regressoo
separadamente para cacla grupo de iclade.
da analise de regressao para inferencias estatfs-
Refjressoes p~rciais se baseiam no mesmo modele 16gico. 0 uso· nos mesmos supostos fe1.tos d a ana•t•1se d e> corre-
·cas se baseJa ~ . ~
A equa~ao resummdo a rela~ao entre variaveis e compurada u '_ stragem aleat6ria simples, ausenCia de erros nao
com base nas variaveis teste permanecendo constame. Como la~ao· amo .
· · e dados de intervalos continuos. Ja que a pesqUJsa
no caso do modele de elabora~ao, o resultado pode entao ser amostr:J.IS
. 'fi ocial raramente satisfaz completamente estes supostos,
comparado com a rela~ao nao controlada entre as duas varia- Clentllca S '1.
deve-se rer cuidado na avalia~ao dos resultados nas ana 1ses
veis, para esclarecer mais a rela~ao total.
de regressao.
Tambem as linhas de regressao - lineares ou curvilfneas
.
Regressao Curvilinea _ odem ser uteis para inte!polafiiO (estimando cases no me1o
dofobservados), mas sao menos confiaveis quando usadas .?ara
Ate agora discutimos a associa~ao entre variaveis repre- extrapo/afiiO (estimando cases alem da faixa de observa~oes).
sentada por uma linha reta, embora em mais de cluas dimen- Reconhecer esta limita~ao das extrapola~oes e importante por
soes. 0 modele de regressao e ainda mais gem! que nossa dais motives. Primeiro, voce provavelmente encontrara equa~oes
discussao ate agora implica. de regressao que parecem fazer predi~oes il6gicas. Uma equa~ao
Se voce conhece geometria, sabe que fun~oes curvilf- ligando horas de estudo e medias escolares, por exemplo, parece
neas podem ser representadas por equa~oes. Por exemplo, sugerir que alunos que estudem 100 horas por semana devem
a equa~ao )(2 + Y2 = 25 descreve um cfrculo com raio 5. Elevar tirar nota 15, quando o maximo e 10. Esta falha na capacidade
variaveis a grandezas maiores que 1 rem como efeito produzir preditiva nao desqualifica a equa~ao, mas dramatiza o faro de
curvas e nao linhas retas. Na pesquisa empfrica, nao ha razao que sua aplicabilidade e limitada a uma certa faixa de valores.
para s upe r que a rela~ao entre todas as variaveis sera linear. Segundo, pesquisadores por vezes vao alem desta limita~ao,
Em alguns cases, a analise de regressao curvilfnea pode fazendo inferencias fo ra da faixa de observa~oes, merecendo
propiciar melhor comp reensao das rela~oes empfricas que crfticas por agir assim.
qualquer modele linear.
Emretanto, lembre que uma linha de regressao rem duas
fun~oes. Descreve um conjunto de observa~oes empfricas e oferece Analise de Trajet6ria
um modele geral para fazer inferencias sobre a rela~ao entre
duas variaveis na popula~ao representada pelas observa~oes. Analise de trajet6ria e urn modele causal para entender
Uma equa~ao muito complexa procluz uma linha erratica rda-;oes entre variaveis. Baseia-se na analise de regressao, mas,
passando por cada ponte individual. Neste sentido, descre- comparada com outros meios, pode oferecer urn quadro grafi-
vendo perfeitamente as observa~oes empfricas. Mas scm garantia cameme mais uti! das rela~oes entre diversas variaveis. An{tlise
de que esta linha prediria adequadamente novas observa~oes de trajet6ria supoe que os valores de uma variavel sao causa-
ou que representaria significativamente a rela~ao entre duas des pelos valores de outra de modo que e essencial disringuir
. va nave1s
entre -- · ·mclependentes' e dependentes. Ev1·dentemente,
variaveis. Assim, teria pouco ou nenhum valor inferencial
este requisite nao se aplica apenas a analise de trajet6ria, mas
]a discutimos antes a necessidade de cquilibrar detalhe e ela prove um modo original de exibir os resultac1os exp1·1canvos
A ·
utilidade na redu~ao de daclos. Pesquisadores procuram oferecer Para interpretas;ao.
a representa\;ao mais fie! e mais simples de seus dados. Isto
 mbem mostra que anti-semitismo e atingid? ~ais
Lembremos como o modclo de elabora~ao foi repres iagrarna ta , da ortodoxia e cia hostilidade reilglosa.
od atraves · 1
tado no Capitulo 15. A 16gica cia interpreta~ao podc sera ~n­ diretame~te d z hostilidade religiosa mesmo sem part!Cu a-
ssu11
diagramada: orrodoX'a pro_l~d de religiosa gera hostilidade secular.
a hoStl' a
Variavel Varia vel nso10 e •
Variavel flGURh 17-3
independente interveniente dependente . dos fontes religiosos do onti-semitismo
01 ogromo
A 16gica desta apresenra~ao e que uma variavel indepen-
clente tern urn impacto sabre uma variavel intervenienre que -.03
-- ----------
por sua vez, tern urn impacto sabre uma variavel clependenre. A
-- --
analise de trajet6ria constr6i paclroes semelhantes de rela~oes
entre variaveis, mas o cliagrama tfpico de trajet6ria contem muito --------
mais variaveis do que as mostradas acima.
Alem de diagramar uma rede de rela~oes entre as varia-
veis, a analise de trajet6ria mostra as for~as destas rela~oes,
calculaclas a partir de uma analise de regressao que produz
numeros amllogos as rela~oes parciais no modelo de elabora\;ao. fONI£ - SIARK, Rodney, fOSI£.
Estes coeficientes de trajet6ria, ou pesos beta como sao tambem GLOCK, Chorle1 Y.• QUINLEY. Ho
Wayward Shepherdr - Prejuditc
conhecidos, representam as for~as das rela~oes entre pares Probfonl Clergy. Copyrighl «
de variaveis , mantendo co nstantes os efeitos das demais ligo B' noi Brilh Anfidifamotc
variaveis no modelo. Reproduzido tom perminoo (
Por exemplo, a analise na Figura 17-3 focaliza as causas Harper & Row.
religiosas do anti-semitismo entre membros de igrejas cristas. Da
esquerda para a clireita, as variaveis no diagrama sao (1) orto-
doxia, ou ate que ponto as pessoas aceitam cren~as convencionais
sobre Deus, Jesus, os milagres bfblicos etc.; (2) patticularismo, a
cren~a de que a "unica fe verdadeira" e a da pessoa; (3) aceita~ao
do ponto de vista que os judeus crucificaramJesus; (4) hostilidade
religiosa para com os judeus contemporaneos, por exemplo acre- Um ultimo come ntano sobre a analise de trajet6r_ia.
ditar que Deus os esta castigando ou que serao condenados a Embora seja um modo 6timo de lidar com complexas cacle,as
menos que se convertam ao Cristianismo; e (5) anti-semitismo causats. e redes de vanavets,
. ' . d eve-se entender que a analise
. , de
.
secular, como acreditar que judeus sao desonestos nos neg6cios, trajet6ria por si mesma nao mostra a ordem causal das vana~et_s.
desleais a seu pals etc. De infcio, os pesquisadores que fizeram Tambem nao foi gerada po r computador. 0 pesquisado: ~ectdlu
esta a na lise propuseram que o anti-semitismo secular e_ra a cstrutura de rela~oes e ntre as variaveis e usou ana hse por
produzido movendo-se assim atraves das cinco varh1ve ts~ · - · q ue se
computador para calcular os coeficientes de tra)etona
ortodoxia causava particularismo, que causava a visao dos aplicam a estrutura decidida.
judeus hist6ricos como crucificadores, que causava hostilidade
religiosa contra os judeus contemporaneos , que resulta"a
finalmente em anti-semitismo secular. ~n ali s e fatorial
0 diagrama de trajet6ria conta uma I11stona· - · diferente.
Por exemplo, os pesquisadores encontraram que a cren(a ~~ Analise fatorial e uma abordagem da analise multivariad_a
papel hist6rico dos judeus como crucificadores de Jesus pare diferente da analise de regressao. Sua base estat~stica e tao malS
sem importancia no processo. E, embora particularismo pare!(~ complexa e tao diferentc das discussoes antenores que pede
. .. secu at,
ser parte do processo que resulta em anti-semtttsmo

uma discussao geral. Analise fatorial e usada para desc b .
-
pa d roes . - nos va1ores d e d'tversas variaveis e o rtr
d e vana~oes
cialmente pela gera~ao de dimens6es artificiais (fatores)' qssen.
. . ., ue se
correlactonam altamente com dtversas das vanaveis rea 1·• U
s. rn
computador deve ser usado para esta opera~ao complexa.
Suponha que um arquivo de dados contenha dt'verso:;
indicadores de preconceito de sujeitos de uma pesquisa. Cad
item deve dar alguma indica~ao de preconceito, mas nenh u a
sera urn indicador perfeito. Alem disto, todos OS itens deve~
estar altamente correlacionados empiricamente. Na analise
fatorial dos dados, o pesqu isador cria uma dimensao an ifi.
cia! com a lta correla~ao com cada item que mede preconceito.
Cacla suje ito recebe um valor nesta climensao artifi cial e este
valo r cleve ser urn born precl itor clos atributos observados
em cada item.
Suponha agora que a mesma pesquisa apresente d iver-
sos inclicaclores de al iena~ao clos sujeitos. E provave l que a
analise fa torial tam bem gere uma dimensao artificial altamente
correlacionada com cada urn destes itens.
0 resultad o de u rn programa de analise fatoria l con-
siste em colunas representando fa tores cliferentes (dimens6es
artificiais) gerados a partir das rela~6es observaclas entre varia-
veis mais as co rrela~6es entre cacla variavel e cada fator
(chamaclas cargas fato riais). No exemplo acima, e provavel
que urn fa tor represente mais ou menos preconceito e um outro
represente ma is ou menos a liena~ao. Itens medinclo p recon-
ceito te riam a ltas cargas no (ou correla~6es com) o fator
preconceito e baixas cargas com o fa tor aliena~ao. Itens meclinclo
aliena~ao mostrariam o paclrao oposto.
Na pn1tica, porem, a analise fatorial nao ocorre assi m.
Em vez clisso, as variaveis sao insumos do programa, resulranclo
numa serie de fatores com cargas fatoriais apropriadas. Deter-
mina-se ent.:~o o sig nificado de um determinaclo fator com base
nas va riaveis com a lta carga nele . A gera~ao de fatores nao se
refere ao sig nificado das variaveis, apenas as suas associa~oes
empfricas. Dais criterios sao considerados: (1) urn fator deve
explicar uma parte relativamente grande cia variancia encontracla
nas variaveis, e (2) cacla fator deve ser mais ou mcnos indepen-
dente de cada urn dos outros fatores. Vejamos um exemplo.
Muitos pesquisadores estuclaram o problema cia delin-
ql.it!ncia. Quando cle e vista com profundiclade, clescobre-~e
que ha mu itos tipos diferentes de cle linqOentes . Mo rns
Forslund fez um swveycom ~llunos de colegio numa cidadezinha
. .. ~ ·a z Set
de Wyoming, para criar uma tipologia da d e I mque nct, ·
, . edia aos estudantes que dissessem se haviam
estionan o p , ·e de aros de delinquencia, submete ndo
qll.... eti d o uma sen ma ana'lise fatorial cuJ·os resultad os estao-
co•..
depois as re P
s ostas a u , • _ .
cliversos atos de delinquencia estao hstad os
b la 17-1. 0 s f · ·
oa i a e ' e os n(tmeros representam as cargas atona ts nos
" esquerda . 'dos na analise. Forslund nomeou as
... f res consu ut
quarro ato _ eu usei parenteses nos itens de cada fator
dimensoes, e . .
quatro , lh destes names. Forslund ass1n1 resumtu
que o
levaram a esco a
seuS
resultados:
, adroes bern distintos de atos de delinqi.iC:ncia sc
Qu,ttro P .• .
. . amostra total. Em ordem de vana nCJa
dlsttnguem na
. ada eles foram nomeados: 1) atos con tra
cxp I 1c , .
·edade inclu indo vandalismo e furto; 2) mcor-
pro pn , • . .
rigibilidade; 3) uso de drogas e evasao cscolar; 4) ~ngas.
.< · t e talvez surprcendentc que vandahsmo e
r:. mteressan e, '
furtos apare.;:am juntos no mcsmo fator. Aparentcmcntc,
os colcgiais que praticam atos contra proprieda_:lc tend~m
a se c nvolver em vandal ismo e furtos. E ta mbem
·mteressa n te observar que drogas ' alcool c evasao escolar
se e ncaixam no mesmo fator. 3
Depois de dete rminar este padrao geral, Forslund fez nova
analise fatorial se para ndo rapazes e mo~as. Essencialmente os
rnesmos padr6es e mergiram em ambos os casas.
Penso que este exem plo mostra que a an~ili~e fatorial c
urn metoda eficiente para descobrir padr6es predommantes. num
numero grande de variaveis. Em vez de o pesquisador ser obngaclo
a cornparar inumeras con·ela~5es - simples, parciais c m(tlti~las --;
para descobrir padr5es, pode-se usar a analise fatorial para tsto . E
urn bom exemplo cia utilidade dos computadores.
A analise fatorial tambem apresenta dados numa forma
que pode ser interpretada pelo leitor ou pesquisador. 0 leito r
consegue facilmente descobrir altas cargas de variaveis num
fator, detectando grupos de variaveis, ou clescobrir em que fatores
uma va riavel tern ou nao tem carga alta.
A analise fatorial tambem rem desvantagens. Primeiro,
como observamos fatores sao gerados independentemente de
qualquer significado substantive. Frequentemente, pesquisa-
dores enconrram fatores produzindo cargas mu ito altas n um
grupo de variaveis substantivamente dlspares. Por exemplo ,
Podem enconrrar que preconceito e religiosidade tern alras
cargas positivas num fator, enquanto educa~ao aprcsenta
u .· - .
~
ma carga negativa igualmente alta. Ce11amente as tres vanavets
 do muitas vezes a analise fatorial e criticada em
sao altamente correlacionadas segun-r·cas ' Ja comentamos que, para ter 1egtttmt . . 'da d e,
. .. ~ . • mas o que 0 fa t or 1.eprcse .
Com mutta. frequeneta,
f
pesquisadores ~ nta~
inexperientes aca b arao b~ses 1 floSO 1 ·
deve poder ser desconfirmada. Devemos poder
c hamar tats atores de "falta de educarao
1r
preconc ·
eno-religi Par urn" hip6rese
. . em que condi<;:6es a hip6tese sena . desprovada.
ou outra coisa semelhante sem sentido. osa" espt:•ctftcar quais dados usamos, a ana- 1·tse fatona· 1 procluz
_ · porra . .
r-130 ~ em fo rma de facores. Assim, se o pesqUlsador mda-
111
solll\·a~ d - es nestas variaveis?", a resposta sera sempre sim.
0
_• pa rre com codas as analises fatoriais, mas, no uso cia
g:tr ··h'l
lhBELA17-1 ,..13l nao focor·al para fins exploraconos, , . os fatores gerados
Analise fatoriol: atos de delinquencio (broncos) ao:\lise aror ' 1
. ..
~ necessariamente stgntftcado.
0 ao rem Minha opiniao sabre analise fatorial e a mesma que tenho
Atos contra Drogos/ Eva sao
propriedade lncorrigibilidode escolor Brigos s modes complexes de analise. Ela pode ser uma
sobre our [O .
Ato de Delinquencia fetor I fetor II Fater Ill fetor IV uito (nil para o pesqutsaclor, e seu uso deve set.
ferrame· don[a 0 1
• sempre que pucler aJudar. .
Quebrar Himpadas de paste 0,669 0,126 0,119
os pesqUisadores a com-
0,167 encora]a _
Quebrar janelas 0,637 0,093 0,077 0,215 preender um conjunto de daclos. Mas n~o se_ e~que<;:a que um
Quebrar cercas, varais de instrumento e s6 isto, nunca uma solu<;:ao magtca.
roupa 0,621 0,186 0,186 0,186
Furtar coisas ($2 a $50) 0,616 0,187 0,233 0,068
Tirar ar de pneus 0,587 0,243 0,054 0,156
hn6lise de Varioncia
fUJtar coisas (acima de $50) 0,548 -0,017 0,276 0,034
A analise de variancia aplica a 16gica cia signifidincia
Jogar ovos, lixo etc. 0,526 0,339 -0,023 0,266
estatistica, ja cliscuticla antes. Fundamentalmente, os casas estu-
fUitar coisas (a baixo de $2) 0,486 0,393 0,143 0,077
dados sao combinadas em grupos representando uma variavcl
FUJtos na escola 0,464 0,232 -0,002 0,027
independente, e 0 grau de diferencia<;:aO entre OS gntpOS C anali-
Usar Carro sem pedir ao dono 0,461 0,172 0,080 0,040 sado em termos de uma variavel dependence. 0 grau de diferen-
Pintar, pichar 0,451 0,237 0,071 0,250 ciac;ao dos grupos e comparado com o padrao de distribui~ao
Desobedecer aos pais 0,054 0,642 0,209 0,039 aleat6ria: podemos esperar tais diferen<;:as se alocarmos casas
Estragar mesas, muros 0,236 0,550 -0,061 0,021 aleatoriame nte aos diversos grupos?
Xingar para se desfomtr 0,134 0,537 0,045 0,100 Examinemos su cinta e rapidamente duas formas comuns
Desobedecer ao professor, de am\lise de varifmcia, a saber, analise de variancia de mao
regente 0,240 0,497 0,223 0,195
1lnica e de mao dupla.
Desafio aberto aos pais 0,232 0,458 0,305 0,058
Trotes telef6nicos 0,373 0,446 0,029 0,13
Fumar maconha 0,054 0,064 0,755 -0,028 hnalise de Varioncia de Mao Unica
Usar outras drogas pam se Suponha que queremos comparar niveis de renda de
divettir 0,137 0,016 0,669 0,004 Rep ubl'1canos e Democratas, para ver se os Republtcanos
· de
Assinar dispensa no boletim 0,246 0,249 0,395 0,189 faro sao mais ricos. Selecionamos uma amostra de individuos
Beber na ausencia dos pais 0,049 0,247 0,358 0,175 e 0 ? questionario perguntamos (1) com qual partido polltico
Faltar a escola 0,101 0,252 0,319 0,181 se tdentificam e (2) sua renda total no ultimo ano. Calculamos
Bater em alguem (briga) 0,309 0,088 0,181 0,8431 as rendas medias ou meclianas de cada grupo, descobrindo

-
Brigas vale-tudo 0,242 0,266 0,070 0,602 _ iue 05 Republicanos na amostra tem renda media anual de
10,9 8,4 21 mil e os Democratas de $19 mil. Claramente, os Republi-
Varian cia 67,2 13,4
canos da amostra sao mais ricos que os Democratas, mas esta
~~~~~~ t· fORSlUN~. Mo~ris A. Pollerm of Oelinquenry Involvement. An Empirirol Typology, lrobolho apresentado no Reunuio Anuol do Western
0 Jon of SocJologuts and Anthropologisls. Lethbridge, AlbeJto, 8 de fevereiro de 1980. Atabelo acimo lei adaptado do pagina 10.
 A Figura 17-4 ilustra as duas possibilidades. Veja que,
diferen~a
. , e "significativa"? A diferenra
"' de $2 n1·1 . pro
1 sena
- distribuit;;:oes, os Republicanos tem renda media de
se tivessemos criado dois grupos por seler:-
,.ao a1eatona?
, . vavet, oas '~~ 1 5 oemocratas de $19 mil. Na Parte A, a maioria clos
$2 1 11~li;anos rem rendas relativamente perto cia media de $21
05
A am1lise de variancia responde esta perg Unta usa. d
~ (de renda po , n o a R~Pt~ a maioria dos Democratas rem renda petto cia media de
oA •

vanancw. A variancia de uma distn'bu't~o

mede em que medida os valores num con junto d ' ; exemplo) 111' 1• . Mas a Pa rte B mostra um quadro diverse. Apesar das
agrupados
.
pr6ximos da media ou se dt'sr n'b uemevamuirores1estao $19'd.!11! 1.dos grupos serem as mesmas da Parte A, tanto Repu-
mtuto baixo em rela~ao a ela. o a to ou me. ,as quanta Democratas mostram rendas que variam de muito
alta a uito baixa , com canst. cl e rave_
bhC:l 0 05 ' I JU.stapos;t;;:ao
. . - nas cl'tstr~-
.
111
. - es dos particles. Em termos tecmcos, ha um grau mats
fiGURh 17-4 b Uic;' 0
alto de variancia na Parte B do que na Parte A.
Oois padroes de distribuitco de renda de Republicanos e Oemocratas
os dados na Parte A da Figura 17-4 ciao a impressao de
uma diferent;;:a genuina de renda entre Republicanos e Demo-
A 8 craras. Nao estariamos tao certos com os claclos da Parte B, no
Variancia baixa Variancia alta
$50,000 I
entanto; neste caso, parece mais provavel que as varia~6es normais
I • produzidas por erro de amostragem aleat6ria poderiam ter
I • • produzido medias de $21 mile $19 mil.
I
I • Na analise de vanancia, calculos estatisticos, e nf10
I
• impressoes, sao usaclos na tomada de decisoes. A cliferen~a
I • observada nas medias e expressa como multiplos e frat;;:oes
I •• • padronizadas da variancia observada. ]a que a variancia na Pane
Cada ponte representa I
a renda de urn individuo I • A e menor que na Parte B cia Figura 17-4, $2 mil representam
I I
•
• • uma diferen~a maior na Pmte A que na Parte B. A cliferen~a
• ••
resultante nas medias - paclronizada pela variancia - e entao
• verificada numa tabela estatistica padrao mostranclo a clistri-
• • buit;;:ao te6rica destes valores, como vimos na cliscussao anterior
• •
sobre significancia estatistica. Enfim, concluimos que a clife-
• • • rent;;:a e significativa em algum nive l de significancia. Podemos
• •
ro
'0
lii $25,000
:·
•
• descobrir, por exemplo, que erros de amostragem teriam produ-
zido uma diferen~a tao grande quanto esta apenas uma vez em
•• •
•••• ••
0::
mil. Diriamos e ntao que a clifere nt;;:a era "sign ificativa no
-•.• •••
Media=$ 21 •ooo •. •. •
.• IMedia = $21 ooo • patamar de 0,001".
·:
•• ~ . - $ 19,000:.
• Med1a- • . ....!.!..Media=$ 19 ooo Simplifiquei os cilculos deste exemplo em favor cia 16gica
e ..., I •• : '
b~sica do procedimento. Na pratica, atualmente, tais calculos
•• I • •
• •• I •~ • sao realizados por programas de computaclor.
• •
• I
I
•.
•
•
:
0 caso mais simples da clifcrent;;:a entre duas medias e
• • I .• • muitas vezes chamaclo de "teste t". Com mais de dais grupos,
I : • os ~alculos se tornam mais complexes, porque mais compa-
• I
I
••
.• .•
: ~ac;oes sao necessfuias. Basicamente, e preciso comparar as medias
•• dos grupos umas com as outras e examinar a variat;;:ao clos valores
• I •
••
• I
I
•
•
_c cada grupo. 0 resultado final da analise, como foi no caso mais
• Stmples, e expresso em termos de significancia estatistica - a
I
probabilidade das cliferenras observadas resultarem de erro de
$0~~~------~----~~----------------------- an10stragem na sele~ao aleat6ria.
"'
Rep Dem Rep Dem
 . s os que ganham $30 mil ou menos usam caneta,
hnalise de Varioncia de Mao Duple . escnrore .
seJS · cia de $55 mil ou mais usam computador.
oS corn ren
A analise de variancia de mao unka representa uma fom a
1
e tanto raramente a vida e tao simples, mesmo em
No en • .
de analise bivariada (partido politico e renda foram as duas
nplos s1m plificados · Vamos complicar um pouco as. co1sas.
· _
variaveis do exemplo). Vimos porem que pesquisadores de exe~ ura _g apresenta os seis escritores numa conf1gura~ao
17
survey muitas vezes fazem analises multivariadas. A analise de A Fig ais complicada em termos de idade e renda. Ob-
pouco n1
variancia de mao dupla permite o exame simultaneo de mais 001 - e posslvel tra~ar uma linha separando caneras e
serve que na0
de duas variaveis. Suponha, por exemplo, que desconfiamos ores nem por idade nem por renda.
que as diferen~as de renda entre Republicanos e Democratas computad '
seja fun~ao de educa~ao. Nossa hip6tese e que os Republicanos
sao mais escolarizados que os Democratas, e que pessoas esco- fiGURh 17-5
larizadas, independentemente de partido, ganham em media Seis escritores: tres escrevem a moo e hes com computodores
mais que pessoas com menos escolaridade. Uma analise de
mao dupla faria a triagem dos efeitos das duas variaveis expli-
cativas, de forma semelhante a cia e labora~ao e as das corre-
Ja~oes e regressoes parciais ja discutidas.

hnalise Discriminante
Analise discriminante e uma versao interessante de varias
tecnicas examinadas neste capitulo. Sua l6gica se assemelha a
cia regressao multipla, exceto que a variavel dependente pode fiGURh 17-6
ser nominal; lembre que a regressao requer variaveis de inter- Proje,ao grofico dos seis escritores em termo s de idodc c rcndo
vale. Vejamos urn exemplo.
A Figura 17-5 representa seis escritores, rres dos quais
escrevem a mao (caneta), enquanto os outros tres redigem num
computador. (Sei que ha outras alternativas, mas este e um exemplo
simples.) Nossa tarefa e verificar a diferenp no metodo de
redigir. Podemos predizer se urn determinado cscritor usa
caneta ou computador? Q)
'0
ro
A Figura 17-6 explora duas variaveis que podemos logi- :E! 30
camente esperar ter impacto na forma dos escritores redigirem.
!dade pode fazer diferen~a, porque os escritores mais velhos se
25
261---=---=-~~
. ................ g
~
acostumaram a escrever a mao e podem rer dificuldades de se ~

adaptar a nova tecnologia, enquanto os mais jovens cresceram

usando compuradores. Renda pode fazer diferen~a. porque
computadores sao mais caros que canetas. A Figura 17-6 projeta
cada escritor no grafico baseado em idade e re11da. Veja se, a
I -o
partir do grafico, voce consegue chegar a alguma cone usa 19 25 30 55 70 80
que possa explicar a diferen~a no merodo de escrever. Renda
. . a cone )usao
- que voce tirOU· (milhares de $$/ano)
A F1gura 17-7 esclarece ma1s
desres
S6 renda parece ser um bom preditor, pelo mcnos no caso
 FIGURA 17-7 fiGURA 17-9
Apenos rendo e suficiente para predizer a metoda de escrever Seporondo conetos dos computodores

~ [g
~
~

[g
~
[g ~

19 25 30 55 70 80 Renda
Renda
(milhares de $$/ano)

Se estudarmos com mais cuidado a Figura 17-8, desco-

briremos que e possivel tra~ar uma linha separando canetas
FIGURA 17-8 e computadores. Apenas ela nao e perpendicular a nenhum
Podrao ligeiromente mois complicodo dos eixos no grafico. A Figura 17-9 mostra a linha que o faz.
Para aprove itar esta linha, e necessaria encontra r urn modo
de predizer quais escritores ficam de que !ado da linha. E o
que mostra a Figura 17-10.
Ao fazer uma linha nova perpendicular a linha de sepa-
rac;:ao, podemos calcular onde cada escritor se encaixara na nova
dimensao composta. Este calculo teria uma forma semelhante
as equa~;oes de regressao. A equa~ao seria mais ou menos
Q)
"'0
assim:
('tJ
32

Nova dimensao =a+ (b x idade) + (c x renda)

Um programa de computador de analise discriminante seria

capaz de tamar os valores de idade e renda, examinar suas
re l a~~
oes com o metoda de escrever e gerar uma equac;:ao que
Permitiria predizer o metoda de redac;:ao de outros escritores,
bas<.!ado
em suas idades c rendas.
Renda
 fiGUR~ 17-10
Proje,ao dos seis escritores em novo dimensoo
Nova dimensao
[g] [g]
.. ~
..~
Renda
Modelos Log-Lineares
Suponha que queremos saber se orientac;:ao polltica se
relaciona com filiac;:ao particlaria. Por exemplo, os liberais tendem,
mais do que os conservadores, a ser Democratas? Dividindo
nossa amostra em dois grupos - liberais e conseiVadores -,
podemos calcular o percentual de Democratas em cada gru-
po. Se acharmos urn maior percemual de Democratas entre os
liberais, podemos concluir que de faro orientac;:ao polftica e
filiac;:ao partidaria sao relacionadas.
Neste exemplo e nas analises de tabelas dos Capfrulos
14 e 15, todas as variaveis depcndentes analisadas eram
dicotomicas, ou seja, tinham dais atributos. Mas, quando .a
variavel dependence nao e dicotomica, as coisas ficam ma~s
complexas. Suponha que, alem de Democratas e Republt-
canos, nossa amostra inclufsse Independentes, Socialistas
11
e Libertarios. Nao faz mais sentido examinar o percent 0 '
·s e conservadores Democratas, como tambem nao
de iibe~dat examinar apenas os percentuais dos filiados a qual-
c. senn o
1az · dos outros grupos. Olhar para cada grupo separacla-
q uer um ultaria em tabelas d emats · para a ·mterpretac;:ao.
-
tnente res I' . ., I I' .
siruac;:ao se comp tea mats se a vanave exp tcattva
A ·cotomica. Se acrescentarmos "mod era d os a l'bII
1 era1s.
0
;)O f Of d I
·adores ou examinarmos os efeitos interativos de
e consef'' . ·ariaveis explicativas, como rac;:a ou reI'1gtao,
·- na equac;:ao
-
outra!i
,. '' as rabelas de porcentagem resultantes se tornanam .
poItUC:l, •
.tOCfl·..• eJmente complicadas.
Modelos log-lineares oferecem uma soluc;:ao potencial a
ta complexiclade . Esta tecnica, que envolve dlculos loga-
~~micos bem elaborados, e baseada na especificac;:ao de modelos
que descrevem as inter-re lac;:oes entre variaveis e_ na comparac;:ao
entre freqOencias esperadas e obseiVadas de celulas de tabela .
(A 16gica e semelhante a do qui-quadrado.) H. T. Reynolds
descreve o processo:
No infcio da analise log-linear, como na maioria dos
procedimentos estatfsticos, o investigador propoe um
modelo que ele acha que se ajusta aos dados. 0 modelo
e um enunciado hipotetico sobre como um conjunto de
variaveis se inter-relacionam. Ap6s escolher o modelo, etc
estima as frequencias esperadas numa amostra do tamanho
certo se o modelofosse verdadeiro. Em seguida, ele com para
estas estimativas, F, com os valores esperados. 4
Ao especificar os modelos a serem tesrados numa analise
log-linear, o pesquisador considerara relac;:oes diretas entre a vari-
avel dependence e cada variavel independente, relac;:oes entre
pares de variaveis independentes e relac;:oes entre tres variaveis
(mais ate, dependendo do numero total de variaveis), como no
~odelo de elaborac;:ao. Consideremos urn caso de tres variaveis,
ttrado do exemplo anterior.
Podemos suspeitar que a filiac;:ao partidaria de uma
pef~soa C"panido") seja func;:ao de sua orientac;:ao polftica ("fila-
so ta") e rac;:a. Os componentes deste modelo incluem entao: (1)
0
efeito direto d e filosofia em partido (2) o efeito direto da rac;:a
em pan·d 1 o, (3) o efeno . ,
n de rac;:a em filosofia (4) o efeito de rac;:a
a relac;:ao entre filosofia e partido (como' no modelo de ela-
bora - )
Embc;:ao e (5) o efeito de filosofia na relac;:ao rac;:a e partido.
ex l~ra. cada um destes componentes tenha algum poder
uP. cat,vo • a ana' !·1se 1og-1·mear prove um me1o d e 1
A • ·c1entt·r·1ca r
q ats sao . 1mportantes
.
tna1s e quais, por questoes praticas,

podem ser ignorados. Na analise log-linear OS calculos sao
muitos e complexos, mas os programas de informatica pode
faze-los muito bem. rn
Parece crescer a popularidade da analise log-linear nas
ciencias sociais, embora seu uso ainda seja menor que 0 de
outros metodos discutidos neste capitulo. E uma tecnica relati-
vamence nova e nao sao muitos os cientistas sociais treinados
para usa-la.
Duas sao as limiCa\;oes principais da analise log-linear.
Primeiro, sua 16gica supoe certas premissas matematicas que
um determinado conjunco de dados pode nao satisfazer (este
e um tema complexo demais para abordar aqui). Segundo, como
acontece com ourras tecnicas sumariantes, os resultados da
analise log-linear nao permitem a apreensao imediata e intu-
itiva que e possfvel em compara\;Oes de porcentagens OU de
medias. Sendo assim, metodos log-lineares nao seriam apro-
priados, mesmo se estatiscicamence justificados, em casos onde
a analise pode ser feita por simples tabelas percentuais,
devendo seu uso ser reservado para situa\;oes complexas nas
quais analises tabu lares nao sao suficientemente fortes.
Completamos assim nossa discussao de algumas das
tecnicas analiticas mais comumente usadas por cientistas
socia is. Apenas tocamos a superffcie de cada uma delas e ha
muitas outras que nem foram abordadas. Minha inten\;aO foi
oferecer-lhe uma visao previa de algumas das tecnicas que
podem depois ser estudadas com ma is profundidade, alem
de familiariza -lo com estas tecnicas caso venha a encontra-las
ao ler relatos de pesquisas.
Resume
Neste cap itulo, sondamos mais profundamenre as
possibilidades de analises complexas e quantitativas de
dados de pesquisas de survey. Nao procurei treina-lo no
uso destas tecnicas, apenas familiariza-lo com elas. Talvez
voce queira aprender mais profundamente sobre alg~~:
ou pelo menos ser capaz de lidar eficazmente com relatono
' ' , . descriras
de pesquisa que usam estas tecnicas. As tecnJCas .
sao apenas algumas das mais populares 110Je em
. c1 1a em
. ao gera 1
pesquisas de survey, e penso que ciao uma b oa v1s
das possibilidades.
Analise de regressao representa as rela\;oes entre variaveis
'"orma de equa\;6es, que podem ser usadas para predizer
sob a 1' ,
alores de uma variavel dependente com base nos valores
05
v a ou mais variaveis independentes.
de um
A equa\;ao basica de regressao, para uma regressao
. ·simples rem a forma Y= a+ bX. Neste caso, Yeo valor
/z 11 ea1 ,
. ado) cia variavel dependente, a e um valor constance e
1
(esun
be ourro valor numenco, - · '
que emu 1Ctp
· 1·tea d o por X , ova1or d a
\'ariavel independence.
Equ a~oes de regressao sao computadas com base numa
rnha de regressao, a linha geometrica que representa, com a
~enor quancidade de discrepancia, a localiza\;ao real de pontos
num grafico. Analise de regressao multipla resulta numa equa\;ao
de regressao, que escima os valores de uma variavel depen-
dence a partir dos valores de diversas variaveis independentes.
Analise de regressao parcial examina os efeicos de diversas
variaveis independences, com o efeito de cada uma delas
expresso separadamente, quando os efeitos das demais sao
mantidos constantes.
A analise de regressao curvilinea permite que a linha de
regressao mais bem ajustada nao seja uma linha reta. Consegue-
se a curvatura da linha de regressao permitindo que os valores
clas variaveis independentes sejam elevados a potencias maiores
que 1, por exemplo, ao quadrado, ao cubo etc.
Analise de trajet6ria e um metodo de apresentar grafi-
camente as redes de rela\;oes causais entre diversas variaveis,
ilusrrando d e fo rma grafica as "trajet6rias" principais das
variaveis arraves das quais as variaveis independentes causam
as depende ntes. Coeficientes de trajet6ria sao coeficientes de
regressao padronizados que representam rela\;6es parciais
entre vari;iveis.
, Analise fatorial, s6 exequfvel com computador, e um
metoda a nalftico para descobrir as d imensoes gerais repre-
sc_:nradas por u m conjunto de variaveis reais. Estas dimen-
soes gerais, ou fatores, sao dimensoes hipoteticas calculadas
que ~ ~
d nao sao representadas perfeitamente por -nenhuma
a:: v~ria veis empfricas estudadas, mas que sao fortemente
rat o c_1 a~as a grupos de variaveis empfricas. Uma carga
J• onal tndicaog
eu f rau d e assocm\=aO
. - entre uma vanave
., I empmca
,.
m ator.
~oes Analise de variancia se baseia na compara\;ao de varia-
entre entre e dentro de grupos e em determinar se diferen\;as
aleato~:UP~s podem ter ocorrido razoavelmente em amostragem
senra Ja Stmples ou se e mais razoavel concluir que repre-
m uma rela~ao genufna emre as variaveis envolvidas.
 Analise discriminante procura explicar a variat;a
0
alguma varHivel dependente, encontrando uma dimensao de
pasta h'tpoteuca
- . que separa categonas
. da variavel depende corn-
Resulta numa equa~ao que atribui escores as pessoas com bnte.
na dimensao hipotetica e permite predizer seus valore ase
,
d epend ente variave1.
s na
Capitulo 18
Modelos log-lineares oferecem um metoda para analis
rela~oes complexas entre variaveis nominais com mais de d ~r
atn'b utos ca d a. Ots

Notes
'Adaptado de YERG, Beverly J. Renections on the Use of the RTE Model
in Physical Education. Research Quaterly for Exercise a11d Sport, p.4 2,
mar. 1981.
2
FORSLUND, Morris A. Patterns of Delinquency Involvement: An Empirical
Typology, apresentado no Enconrro Anual da Western Association of
Sociologists and Anthropologists, Lethbridge, Alberta, 8 de fevereiro, 1980.
3 Ibidem. p.4.
4
REYNOLDS, H. T. Analysis of Nominal Data. Beverly Hills, CA: Sage,
1977. p.76-77.
leituras Adicionais
HENKEL, Ramon E. Tests ofSignificance. Beverly Hills, CA: Sage,
1976.
HILDEBRAND, David K., LAING, James D ., ROSENTHAL,
Howard. Analysis of Ordinal Data. Beverly Hills, CA: Sage,
1977.
IVERSEN, Gudmund R., NORPOTH, Helmut. Analysis of
Variance. Beverly Hills, CA: Sage, 1976.
KIM, ]ae-On, MUELLER, Charles W. Introduction to Factor
Analysis. Beverly Hills, CA: Sage, 1978.
KNOKE, David, BURKE, Peter J. Log-Linear Models. Beverly Hills,
CA: Sage, 1980.
LEWIS-BECK, Michael S. Applied Regression: An Introductioll.
Beverly Hills, CA: Sage, 1980.
REYNOLDS, H. T. Analysis ofNominal Data. Beverly Hills, CA:
Sage, 1977.
0 Relat6rio da Pesquisa de Survey
Ate aqui, consideramos as atividades envolvidas na
jeitura da pesquisa. Agora, discutiremos uma questao frequen-
remente negligenciada: o relat6rio do survey. Se o survey nao
for comunicado apropriadamente, sed.io em vao os esfor~os
feitos na sua feitura.
Para come~ar, bons relat6rios cientffico-sociais exigem
bom conhecimento da lingua. Sempre que pedimos aos
"numeros para falarem por si", eles tendem a permanecer
mudos. Sempre que usamos terminologia ou constru~ao
indevidamente complexas, dificultamos a comunica~ao.
0 relat6rio cientifico tem varias fun~oes, e e born !em-
bra-las. Primeira, o relat6rio comunica a uma audiencia um
corpo de dados e ideias espedficas. Ele deve fornece-los de
maneira clara e com detalhes suficientes para permitir uma
avaliat;ao bem-informada. Segunda, o relat6rio cientffico deve
ser vista como uma contribuit;ao ao conhecimento cientffico
geral. Humildemente, voce deve sconsiderar o relat6rio da
sua pesquisa como um acrescimo ao que e conhecido sabre
0
comportamento social. E, fmalmente, o relat6rio deve estimular
e orientar futures inqueritos.
Algumas Considera~oes Basicas
Dentro destas diretrizes gerais relat6rios diferentes seJVem
a d'f
1 '
• erenres fins. Um relat6rio apropriado para um fim pede ser
tnapro . d
Pna o para outro. Esta se~ao !ida com algumas das
consideraro-e
~ s b'astcas
· re 1attvas
· a- red a~ao
- correta d o re 1atone.
- ·
 extos de U<J 1atn ' ou mo!lografias sao ouua forma de
flllC lalt··~,.., 1tt" e •'t, e r ~tiH~l envolvlcl num pr01et0
Antes oe ta.,, un •ar • voc.... J c·ve se pe .
.._> '"'''ll'''' e 011 ,plexo . c1a ulli obrc- comentarios sobre sua analise
ll~li J·•up· t
quern 0 iera. f OftllaHllt:tH,..., VI ce 1JI:'\ t' i81.Jntar Ill l (. r
, o lraCJ (1~>::: ( :;d(JS IJlll leX(O Cit. ll l)alhO e Uma
. .. . en r (• Ctenlt<.. 'JO - >
· . voce ~ tas
e k lgO:.. ')r e..-:(p er ·,cte\'cn·lo r)ar o r r:olllelros, 1.. • ::,
...~ .:xpc:fHuc-JitalLollt u1 ' pc-1 llo i•t1plfc lode comen-
. zer 't.t ... :;.,
1 - '"' ~ , ,,_, , , '1 ,_
'"' t.f\. ''v '.J'- (.o )J 11~ 1 •)(]
l
\._ l11H,;]1(0 exlv::. ~ c ~r..w a ulu tami.J 111 po<.lt' 1 'Jtiar do Lamanho, e
~~p
t d!V< L I ........ s lc- .>Ul•JII (l l>!tl f•'
•J •
Ih .
lt[(JS _.. ,,.
. • ,.t '
l d
•tl\. t- u::, etalh:td
__,I; ap 1c:osentar c uas as < c::::.... oJJt'll·•:. ll.t pe~quisa ou apena~
11H~llte. lgttall t!llle, p CJe U:...tf t 1 11.• h'}" t'L'· ,...' I1 •n'IS t· . a da::. . .-,La Jt::[)•Jtas,:~u pluf,,.,lufl. 11.1u e'>la ctn JOgo num
. ·• ••· • cntca c1a
Que usana p::tra L' na auCJ"n~i..t le le 1 C>'- v "r de tra,-..alh e 1> ade de apresentar
"" · · • • . ' xemplo u 111 l.l de jus•ificar,
pesc i..ltsador de marJJett:Zf!. ao ., ···en?r r:ar . 1111 . · l< 0
~ I . ... ... . . . . ~ •len~e. deve
exo tear as ·otsas <.0111 m:us cieta ll'"'" dr1 ,., 11 . . 'J-as c ')l!lO tal e Pt dmclo av:; lw<;oes.
·- • .., . - ., t <;PI Ia nt>cessano
p>~r,l llmJ ::111 Lt>nr;;J dP 1 ,, ,{IJJi~;:~.lnn->-;; r!1-• mroi,,,,i; .1] c; nrf)jpt. ~<; fip npc;n>ll ··1 I'P 1tit•· 11 Pffi tra!J 1 lhOS a
A,.,
I • "'' I , 1
ent?rlr.<; Pt"' Pnrf" ltl"r t<; '" ·rti<;<:tnn'l i" fre-J iif'nte•nente
t' a'r:r.1er cH~nci:l e S"fV 1 aq ""1Pc;mn p rnnr'\<:•tn lr." tPvtno; ·le tr~ba.!'lo Voc-e
). ljJ
• $ sur osi~oes
1
.• - t..t
r ec; nt<'lf" nP<:rr-")P 't':l<: ,•• 'Viae: l(lC: rnlPe;l<; e tedir que
'" r, ·,'I' confundir men P<Tl AnP<:~r rl( r m· ni n dn<: W1h1l1oo; ~rofic;sionai<:
:>~ ,.,•.., ·~ ·tr- - -ub t' ·
• • " l s aneta , dep nr:i"n 0 rl-: nrc ~nt7'1 "in r:lnc; Pt1rnntros sugerimos
oce al~ ~ Ol!C'O ::I""' mvpc; (I(> ~al:1r ( 1-'m:li<; Fmbora urn texto
trabalho ~' sc;· ir P V I ' ' n ravec; rjp vari:1<; f"()ndUSOeS tentatiVa<;
form 1 f? Tammr · J articipa:1tes rl~ ron•er~nria '1:-Jn devem c;Pr for~ados a senta1
o que j3 fni f'"-rrt:o lnvintes int.-'ressados podem sempre
!:ste:J cm;ir'cs se ap!ic~m ~ re!a•o.-·cs escritos e mais de.~l!-les mais , .. i-..... , e os desinteressados podem
\·e. L.::is . .::::--:. ":":1:o, :! i:att.;.<:.za do :·e!J.t6rio 2 ~i1:1uenciada pela
f01111~ que VOCe ·~.sar.
Provave.mer.te, o re.at6rio •.. -ts comum urn artigo e
Uma vci.·t:=uaue ul. rel .... rc.JO.-> J.JV(It: tesu!t;..r de urn projero n 1m peri6chco academKo Novamente, o tamanho
lii'>+U"'-a•... u
d e pesqUJsa.
. l'ara co.nc~a1, voce podt. querer preparar uma curta VOCe deve examinar OS tamanl.OS Je Jrtigos publicados
nota de pesquisa para publJca~ao num peri6dico tecnico ou no peri6dico em questao. Entretanto, como orien-
academico. Tais relat6nos devem ter aproximadamente de uma geral, 25 paginas digitadas e um bom tamanho. A se~ao
a cinco pagmas (digitadas em e~pa~o durJo) e ser concisos e capitulo sabre a organiza~ao do relat6rio se baseia prima-
direros. Voce 11ao consegutr<. aprcsentar o esrado do campo 11illnetllte na estmtum de um attigo de peri6clico, portanto nao
detalhadamente em pouco e1.pa~o. e suas notas metodol6gicas mais ~adn ::gc ..::l, excetc p r~ sugerir que os trabalhos
~lllesttais<it! esrudames devem c;er escritoc; neste modelo. Como
deverao ser breves. Basicamente, voce deve dizer por que acha
geral urn trabalho semesr:al que daria um bom artigo de
que uma nota tao pequena se JUstifica por suas descobertas, e
~110clico tambem se"ia um bon. rrabalho.
quais foram estas descobertas.
UI:"~ l:v~c:, f> cla r"' • .-epresent« ~ fonna mais prestigiada de
Frequente:nente, e p:-eciso fazer relat6rios para os
<n:tarclrin de pe~q,;.:S2 Ter" rnd~l" a c- vantagens do trabalho
parrocinadores da pesquisa. Estes variam muito de tamanho.
- tamanho e detalhes - . mas deve ser um documento
Na prcpara~ao do felat6rio, voce <.!eve ccnsiderar quem vai
bem-acabado. Uma vez que a publicac;ao em livro de
li~-lo - cientistas ou leigos - e a razao do patrodnio do
de oesquisa lhes da L rna aparencia de mais subs-
projeto. :E ma polfnca e falta de educa~ao incomodar os e valor, voce tem uma obnga~ao maior para com sua
patrocinado-es com descobert:;.s qt:e nao tern valor ou interesse .,.,..,.~lf'n,.;, Apesar c'e- esperar receber comentarios dos colegas,
para eles. Ao :nes.no te;:npo, pode ser uti! resumir o que ~ levan do-~ a re ,·er suas ideias, voce deve lembrar que
pesquisa acre.,centou ao conhecimento ciemffico b:isico (se e menos sofisticados pode.m ser levaclos a aceitar suas
que t.cia acresu::ntou algo). ~CObf'rt<> acriticamente
 Objetivo do Relat6rio
Ja consideramos, acima os diferentes prop- ·
. d ' osnos da
pesqUisa e survey. Ao preparar o relat6rio, voce deve le
estas diferen~as. rnbrar
Alguns relat6rios podem focalizar p rimaria
l - d - . _ . mente a
exp orafao e urn topiCo. Sao merenres a este obJ'etivo as
- . . . conciu-
soes expenmenta1s e mcompletas. Voce deve indicar 1
, d·~ . . . , c aramente
a au IencJa o ObjetJvo explorat6rio do estudo e a
J' · - d 1 pontar as
IrnJta~oes e e. Urn aspecto imporrame de urn relat6ri
_ .· _ . .d o exp1ora-
touo 1
. e sua uti 1 ade em mostrar o caminho para pesq u1sas
· ma .s
1 voce pode achar diffcil resumir, principalmente se sua
refmadas sabre o assume.
A maioria dos estudos tem urn objetivo descritiuo
1 - · d , e os
re atonos estes estudos terao um elememo descritiv y, •
d d' . . .l d o. oce
eve ~stmgUJr CLue a osameme as descri~oes que se aplicam
apenas a an:ostra das. q_ue se aplicam, por inferencia, a popula~o.
Se forem fe1tas descn~oes inferenciais, voce deve dar a audiencia
alguma indica~ao da possfvel magnitude de erro delas.
Muitos relat6rios tern urn objetivo explicatiuo; voce quer
mostrar rela~oes causais entre variaveis. Dependendo da audiencia
provavel do relat6rio, voce deve delinear cuidadosamente as regras
da explica~ao que sustentam seus calculos e conclusoes; como
no caso da descri~ao, de aos leitores alguma oriema~ao sabre a
certeza relativa das suas conclusoes.
Finalmeme, alguns relat6rios de pesquisa podem ter o
objetivo de propor afdO. Por exemplo, estudando as rafzes do
preconceito, voce pocle querer sugerir maneiras de reduzi-lo,
baseado nas descobe1tas da pesquisa. Este objetivo freqUen-
temente leva a problemas complicados, ja que seus pr6prios
valores e orienta~oes podem ihterferir em suas propostas. E
perfeitamente legftimo que suas propostas sejam motivadas
por valores pessoais, mas voce deve assegurar-se de que as
a~oes especfficas que propoe sejam garantidas pelos seus
dados. Farranto, tenha cuidado especial em mostrar claramenre
a 16gica pela qual voce saiu dos daclos empfricos em direqao
a a~ao proposta.
Organiza~ao do Relat6rio
Embora a organiza~ao de relat6Iios difira urn pouco qua nto
a forma e ao prop6sito, e possfveJ sugerir Uffi formate generiC?
para se apresentar dados de pesquisa. Os comenrarios a segUJf
Jjcam mais d iretamente a um arrigo de peri6dico, mas,
se ap 1 umasmodifica~oes, tambem se aplicam a maioria dos
cornag de re1atones
-· d e pesqUJsa.
.
forma toS
Prop6s ito e Resumo
come~ar com uma introdu~ao rapida ao prop6sito do
do e as principais descobertas da analise sempre ajucla os
estu . 'eli co, .Jsso po d e ser fe1to
leitores. Num artigo d e peno . na forma
de um resume.
analise envolveu considecivel trabalho de detetive, com desco-
bertas importances revelando-se ao fim de dedu~oes imagi-
nativas e manipula~6es de dados. Neste caso, voce pode querer
conduzir os leitores atraves do mesmo processo excitante,
narrando o processo de descoberta com suspense e surpresa.
Se este formate de relat6rio fornecer urn quadro precise do
processo da pesquisa, acredito que tenha consideravel valor
instrutivo. Mesmo assim, alguns leitores podem nao estar inte-
ressados em acompanhar toda a narra~ao da pesquisa, e desco-
nhecer o prop6sito e as conclusoes gerais antecipadamente pode
dificultar para eles compreender o significado do estudo.
Urn antigo ditado forense diz, "Diga-lhes o que voce
ira dizer-lhes, diga-lhes, e diga-lhes o que voce lhes disse."
Voce se saira bern seguindo este ditado na prepara~ao clos
relat6rios da pesqu isa.
Revisao da Literature
Como todo relat6rio de pesquisa deve ser posto no con-
texte do corpo geral de conhecimento cientffico, voce sempre
deve indicar o nde seu relat6rio se encaixa neste quaclro. Ap6s
apresentar 0 prop6sito geraJ do estudo, VOCe deve atualizar OS
leitores sabre as pesquisas anteriores na area, apontando para
as concorc:Iancias e discordancias com as pesquisadores anteriores.
. Em alguns casas, voce pode querer questionar ideias
bVIam~nte aceitas. Reveja cuidadosamente os estudos que
_ aram a aceita~o dessas ideias e depois indique os fatores que
nao foram considerados ou falacias 16gicas em estudos anteriores.
do Quando quiser resolver uma discordancia entre pesquisa-
res anteriores, organize sua revisao da literatura ao redor dos
Pontos d ·
ern s .e VISta opostos. Resuma a pesquisa que ap6ia urn Iaclo,
egu1da a que ap6ia o outro e sugira as razoes do desacordo.
 Ate ceno ponro, su,t revJsao <.Ia lnerarura ser concluiu que sistemas administrativos mantem uma media
fu - b.bl' - ve a u
n~ao t 10grahca pan, os lello res, tnclexando a e rna de crescimento de 5 a 6o/o ao ano, indcpcndentemente do
ante-Jar sobn.. • !gum telll.t •l«;) ~.-:..,a r~.:VJ< L p squt a trabalho a ser feito. Parkinson estava ceno no que disse c
. .,, u !Jvu~.- ser
!>tva, c. voct. Je\e e\H<it 1..;)~.-ft.•c• Llllt J t t \.:"-C~.:s-
devemos creditar-Ihe toda a honra por tmciar urn estudo
d . . . , '•'o•« v ,,,r,vct
. e tr.es pagJnas Jnenctull«•ldu l(Jdu:. u.~ -:Mudos r • Ulur,o serio sobre e<;te importante t6pico.1
tu n~ao- b'bl' ,,..
1 Jog.au~.- ...tbr .... i1ge>~t I 1, . II '.)'"\ Iv,<; E,)s"
..._ v' <..: ~1.. 1 Ill'- 101 c e
por urn a bibJ,ogJ afia nc.. f. 1d du rei r-"·r· ~ ... ~..u,, " ·1 Vejamos alguma~ f1, , 111.. 1"~ ...~..~;tt. 'eis dc: usat v t.aoa1l.o
,t u 10; a revtsav d I
ratura deve focalizar somcnre os ec;ru·' . a HC'- de Gall num texto.
~ . uos que ttve 1em
vancta para o seu c.,tudo. re 1e-
Acettavel: John Gall, ~,;m ::.cu tiaba.lio sobn.. Sys:ema11tics,
faz urn paraldo bcm-humorado entre sistemas e bebl:s:
fvitando o PI agio "Sistemas sao como bebes: quando voce consegue urn,
voce o tern. Eles nao vao 'mbora 1\.o contn1rio, eles sao
Ao relatar o trabalho de nutros cleixc. claro que d'
que. E essencial evitar 0 plag10 qut €. 0 roul;o de 'd~ Jsse 0 de uma persistencia not:lvel. Eles nao apcna~ persistem;
1 eJas e/ou
Palavras c1e outros- mtencional
· ·
ou aciclenralmente- . eles crescem."2
senta~ao dessas ideias e palavras como se fossem sua~ ~ple­
examma-lo com mais detalhes.
e
este ~r~blema e comum algumas vezes pouco claro,. va::~ Aceitavel: John Gall aclverte que sistemas sao como bebes.
Crie urn sistema e ek permanccera. P10r aincla, Gall sugere,
Eis as principais regras com rela~ao ao phigio: os sistemas continuan. a crescer cada vez ma is.3

• Voce nao pocle usar as palavras cxatas cle outro autor Acettavel: Tambem e sugericlo que sistemas tern uma
sem po-Ias entre ast)as e scm inclicar a fonte cia cita~iio, tendencia natural a persistir, e mesmo crescer e ir alem
de forma que os J, tlores possam localizar a cira~ao no dos limites (Gall 1975, p.33) 4
contexte origmal mo regra geral, de a fonte dt: 1oda
cita~ao de oit J ot ~. ab pal:.lvras Eis, agora, alguns usos inaceitaveis do mesmo material,
reflerindo alguns erros comuns.

• Niio e aceiravel edttar ou parafrasear as palavras de Inaceitavel: Neste trabalho, quero vcr algumas clas
outra pessoa e ap-esentar a vcrs·t J revista como sPu caracterfsticas dos s1stemas sociats que criamos em nossas
proprio trabalho.
organiza~oes. Primeiro, sistemas sao como bebes: quando
voce consegue urn, voce o tem. Elcs nau vao embora. Ao
• Finalmcnte, niio e aceitavel apresenrar ideias de outros contrario, eles sao de uma pcrsistencia notavel. Eles nao
como suas pr6prias iclcias - mesmu usando palav;a~ apenas persistem; eks crcsccm.~
completamcnte dtferentes para expressa-l:t~.
Inaceittivel: Neste trabalho, quero ver algumas das
Urn exemplo explic~ melhor o qut:. e c que .i1ao e acei-
ta vel no uso do trabalho de outro. Cons: ·c ..e seg:·';J.·e rrecho caracterfsticas dos sistemas sociais que criamos em nossas
original. organiza~oes. Primeiro, os sistemas sao muito pareciclos
com crian~as . quando vocC! consegue uma. cla ~ sua. Elas
Sistemas sa0 ·nn"' bebC·!<· q-.:::n(o voce cc-segue .. • nao vao embora; elas pcrsistem. Elas nao ap(!r1as persistcm,
voce o ren>, '"'ir-s ·io v;ic c-tb"ra Ac contrtr'c, elcs si'Cl na verdaJe: elas crescem.6
de uma pt•rsisti'n .,,, n-::-·1vd .c·,,s niic- an{'aa:-: ae;siste-1·
cles cresr·en . ·:, >. ..,.,..o:d.. 'I"J r··esc~··n, ci•~•p:·~~a-, i·~i•CS btaceittJve/; Neste !rab:1lho. QlH'ro vt r algumas d1s
(J pr)tPnchi (;t~ cre~.:cip,,•ntt' tie- ,..;[...:i(•rq:1' ;'"UI eXf'lr\ql<.Jn ~:~ f'<H"<~rte•·l<.:ticas dos "istc• m:~s <.:ociai<.: que criam0s nn n<l"5""
IT1 p lirom·" por ·uki s n, qu
 organiza\;oe1;. Uma coisa que percebi c que uma ve-.
.. que
voce cria urn sistema, ele parece nunca ir embora 0
· corrc
exatamente o contra rio: eles tern uma tendenci:J. a ere.
seer.
Podemos dizer que os sistemas sao muito parccidos a
crian~as oeste aspecto. 7
Cada exemplo inaceitavel acima e urn exemplo de phigio
e sao delitos serios. Temos que admitir que ha "areas cinzentas','
Algumas ideias sao mais ou menos de domfnio publico, na~
"pertencendo" a ninguem. Voce pode ter uma ideia que ourra
pessoa ja escreveu. Se tiver duvidas com relas;ao a alguma
situas;ao espedfica, discuta-a com seu orientador.
Discuti esse t6pico detalhadamente porque e importance
que voce situe sua pesquisa no contexte do que outros fizeram
e disseram; o uso impr6prio do material de outras pessoas e um
delito serio. Dominar a atribuis;ao adequada de ideias e parte do
seu "amadurecimento" academico.
Desenho e fxecu~ao do fstudo
Urn relat6rio de pesquisa com descobertas e conclusoes
interessantes pode ser causa de frustras;ao se voce nao conse-
guir expor o desenho metodol6gico e a execus;ao do estudo. A
validade das descobertas cientfficas depende muito cia maneira
como os daclos foram coletados e analisados.
Ao relatar o desenho e a execus;ao de urn projeto de survey,
inclua sempre o segu inte: a populas;ao, a molclura e o metoda
de amostragem, o tamanho da amostra, o metoda de coleta clos
dados, a taxa de respostas obtidas e 0 metodo de proces-
samento e analise clos daclos. Com a experiencia, voce sera
capaz de relatar estes detalhes em espas;o relativamente pequeno
sem omitir nada do gue os leitores precisam para a avalia~iio
do estudo.
~nal i se e l nte r p reta~ao
Tendo posto o estudo na perspectiva da pesqUlsa · pre'via
~ de,·e
e tendo descrito seus desenho e execu~ao, voce
apresentar os dados. A se~ao sobre diretrizes para relatar a
analise infonnara mais sobre esta questao. Mas JembremO!>
algumas ideias gerais.
~ e a mantpu
A apresentas;ao . Iapo- d os d a cl os, e sua inter-
~ . , . E' f strante
preta~ao, devem ser mtegradas num todo logtco. ru
·• res descobrirem uma cole~ao de an~Hises e desco-
os Iet..o
para ntemente nao relacionadas, com a promessa de que
.....rras a pare . d I , .
..,... tas soltas serao amarradas mats tar e no re atono.
_,.~,s as pon ,
tu-- da analise deve fazer sentido na hora que e rela-
r ... da etapa ~ ·1· ·
"" voce deve apresentar sua razao para uma ana tse parttcu-
tada. tar os dados relevances a ela, interpretar os resultados
1at apresen
' · · dicar para onde nos levam os resultados.
e depots 10
Resumo e Conclusoes
Seguinclo o ditado antes citado, voce ~eve garantir o
do relat6rio da pesquisa. Deve evttar rever cada
resumo edfica mas deve rever tod as as stgm· ·r·tcattvas,
·
desco berta esp •
mostrando novamente sua significancia geral.
o relat6rio deve ser conclufdo declarando o que voce
obriu sobre o tema em questao e para onde deverao apontar
desc d ·od·
fururas pesquisas. Uma revisao rapida de a~ig~s e pen tc~s A
recentes provavelmente mostraria alta freqi.iencta de ?correncta
desta decla ra~ao conclusiva: "Esta clara que prectsamos de
muito mais pesquisa." Esta e provavelmente uma conclusao
sempre verdadeira, mas de pouco valor a menos que voce p~ssa
oferecer sugestoes pertinentes sobre a natureza das pesqUlsas
futuras. Reveja as limitas;oes do seu proprio estudo e sugira
maneiras de pesquisadores futures evitarem estas limita~oes.
Direhizes para Rel atar as ~nalises
A apresentas;ao das analises dos dados deve dar o maximo
de detalhes sem parecer confusa. Isso pode ser alcans;ado exami-
nando-se continuamente os objetivos descritos abaixo.
Os dados devem ser a presentados de modo a permitir
aos leitores fazer as recomputas;oes que quiserem. Par exemplo,
no caso das tabelas de porcentagem, os leitores devem ser
capazes de fundir categorias e recalcular as porcentagens. Eles
devem ter informas;ao bastante para permitir percentuar a tabela
na dires;ao oposta a sua.
Todos os aspectos da analise devem ser descritos com
detalhes suficientes para permitir a um analista secundario
d~plicar a analise a partir do mesmo corpo de dados. Isto sig-
nifica ser capaz de criar os mesmos Indices e escalas, produzir
: mesmas tabelas, chegar as mesmas equa~oes de regressao,
ter os mesmos fatores e cargas de fatores etc. E claro que
~ssa recria~ao raramente sera feita mas se o relat6rio for apre-
Resumo
~entado de torma a pemut1r que se ta<;:a 1sso, seus leitores esra.
Mo muit n 'liS ben ·qt ipados p ua av'llia-lo. .:qu'ts:-t perfeiramente projetad:1, cuidaclosamenre
t Tma pe.. ··
da e hrilhantemente analisada nao tern vahdade a rne-
Seus le { levem poder rephcar compleramente toda ae'-ut:l ~ possa comunicar suas descobertas aos outros.
a pcsquisa de maneir:J indcpendcnte. Devem pode1 identificar nOS que, volcetentoll dar algumas dirctrizes gerais e cspeclficas
,1 111esrna po1 ul.1('i "), !>Pleci.... ctJ d 1 mc:.n1a man~:in -:; :smo e captnJ o . - l, . ,
Est ste ob)etivo. Seus melhorcs glllas sao ogtC.l,
ra alcanr;ar e . .J. •
tamanho de amostra, coletar dados da mesma maneira, executar P3 ' t'dade Nao h·\ subsututo para a pwuca .
clareu'l e hones t .
as mesm.ts analts.~s e ver se chegam ~s me.smas conclusoes.
Lembre a discussao anterior na qual dissemos que a replicabi- Notes
lidade e uma nor"1a ~ssencial da ciencia em geral. Urn t1nico n S stemantics. How Systems Work and Espt!cially How They
escudo nao prova coisa alguma; somente uma serie de esrudos •GALL.Joh . k!. p cket Books 1975. p.33-34. (Nota. VIII fez antes uma
Fail. New Yor . o . '
pode come~ar a fne-lo A menos que os escudos possam ser . • -omplem de Parkm:son.)
0
Cltat;:l '-
replicados, nao havera nenhuma serie significativa de estudos. . h· 1 na not.'\ de rodape· GAll, JOhn 5ystemalltics:
IJstO :;~:nJ acomp:In ,1{ O p k p k
Mencionei antes a importanc:ia de se intcgrar dados, ana- . ms Work and E· 1oeCially How They Fail. 1 w Yor : oc ·t:t
How Sv>te
lises e interpreta~oes no relat6rio. Podemos dar uma cliretriz Books. l-J75 P 33.
mais espedfica. Tabelas, graficos e figuras devem ser integrados J Jsto scria acompanhado por uma nota de rodape: G~, jolm. Systema tlti~
ao texto do relat6rio, aparecendo pr6ximos a par~~ 0 do texto How Syste!Tl!i Work and Especially How They Fat!. New Yorke I ockct
que os discute. EstuJantes, algumas vczes, descrevem suas Books, 1975. p 33.
analises no corpo do relat6rio e poem as tabelas no apendice,
4 Nota: este formato exigc que voce forne<;a a referenda bibliogroftca
ao final. 8 Este procedimento atrapalha muito o leitor. Como
completa em sua bibliografia.
regra geral, e melhor (1) descrever 0 prop6sito de se apresentar
uma rabel.t, (2) apresenta-la, e (3) reve-la e interpreta-la. ~ E ina..:d :1v _I cit..•r d!retamenl<.. o material oe J!gucm scm ttt;ar J:;p••:;
dar a fe•enct. ' t liop. <!fir.-; C" , • r
Seja explfdto 10 tirar conclus6es. Apesar de as pesquisas
serem geralmentc feitas para cirar conclusoes gerais, voce deve 6 ~ maceitavel cd•tar o trabalho de outra pessoa c aprescnta-lo como scu.
apontar CUldadosameme as bases especificas para elas. Senao, 7 E inaceitiw•t p1rafrasear as ideiac de qlguem 'aprcsenci-tas como suas.
voce pode levar o leitor a aceitar conclusoes infundadas.
1Devo 01zer que algun:. editore:. preferem receber textos dessa mancira,
Mostre as quahficar;oes ou concHroe.s garantid'ls na avali- porquc pessvas caiCI~.;ntes vao processar os materiais groficos e de texto
-ar;ao das conclusoes. Tipicamente, quem fez o swvey esta em durante o processo da edu;ao. Com os atuais processadores de _tcxto,
melhor posic;ao para conhecer os lirnitcs c as incertezas das porem, nao e diffcil criar duas versoes de urn u·abalho- urn para le1tores,
condusoes, e\roce deve dar ao leitor 1 vantagem desse conheci· outro para pubitca~ao.
menta. Nao fa7.e·lf> pude desorientar pesquisas futuras e resulmr
em perda de verbas p;:tra p"squisa'>.
Conduirei corn uma (k•dar.t(.:i'io ja feita no infcio do capi· l.eituras Adicionais
tulo. Os relat6rios de pPS< uisas devern ser escritos no melhor
estilo literario possfvel. EscreYer claramente e mais facil para uns BART, Pa;.;line, FRANKEL, Linda. The Student Sociologist' 5
do que para O'.ltJOS, e r se• 1 ·nais diffcil do que ec;crever :Ju'll. Handbook r~)Prwiew, . Scott, Foresna 198 . I

Portanto, revise se,1.pre o que er,neveu BEI.J<EP, T PQ!la,.,.l r..TJSTA"PC)fll\j 1 lhir. Pncr>1111terwilh Sorio!OP.V'
·r· e TP"'Tl "Pap,r. '~r "~"~r"J':!"CO: Boyd and Fraser, 1976.
GRUBER, james, PRYOR,Judith BERGE PatricJ·a Mat ·
' • · ena~
Methods for Sociology Research. New York: Neal-S and
1980. c 11U01an,

U, Tze-Chung. Social Science Reference Sources: A Practical Gu·

Westport, CT: Greenwood Press, 1980. Ide. APesquisa de Survey no
Contexte Social
ChPiTULO 19
h fTICA NA PfSQUISA Df SURVEY
ChPiTULO 20
0 CONSUMIDOR INfORMAOO Of PfSQUISh Of SURVEY

Na maior parte, este livro abordou as habilidades para

fazer pesquisa de survey. Foram feitos todos os esfon;os para
situar este metoda de pesquisa no contexte da c iencia em
geral. Os ultimos capftulos refletem minha opiniao de que
mesmo esta perspectiva nao e suficientemente abrangente.
Os comentarios preparat6rios da introdu~ao do livro
apontaram as maneiras pelas quais a pesquisa de survey afeta
) a vida de todos n6s, pesquisadores ou nao. Portanto, nao
basta conside rar a pesquisa de survey apenas como uma
tecnica cientffica neutra. Em vez disso, devemos estar dentes
do conrexto social no qual os surveys sao conduzidos.
0 Capitulo 19 discute a etica em pesquisa, e como ela
se relaciona aos metodos do survey. Uma discussao das dire-
tr!~es eticas gerais em pesquisas de survey e seguida por uma
~ene de exemplos de situa\=OeS de pesquisa envolvendo quest6es
eticas. Mesmo que poucas situa\=6es possam ser conside-
radas inequivocamente eticas ou antieticas, acredito que
uma considera\=ao atenta delas o tornara mais consciente
dos compli cados problemas eticos que freqOentemente
Os pesquisadores de survey tem que enfrentar.
 .
1 '!.!1'~ .. - ... : .. ' .... . · ' ~~~
- '
.,.
."
t ; '· ...
1

J\ t ( l r r 11 h ~ r 1 r.; c n r 1 a

Um man ual teorir~ mtf"'tt r ·ip n t :Jr ,.... < >!"'l cr- 1Pt nf ' 1" riP
pf'SqlJi"a ri P <;t lrtJPl! rl ::J ri a ~ n PStl o rl::~n P ._,., f'r'l<; 1 '11>1 in> ., ;Pn•
iclP·ll dP !..rrnn O" ~11 't> t:'' r
no es. )JfOCUfel enratiZ:'lf QU, ha van as ('UeStOeS adrn tr ;stratlvas
e praticas envolvlddS O ll ffi rra ceSSO lp r>e<;C'l 1'- ' (< f,),-mu OUe
nfro f> pOSSfve\ <;egl' tr PXat<JmP I" tf'! 11 111 n1n r!eln i c e1f 0
peso uisador bem-info rm2rl " ri PVP esr·1r rien te r:~~--~a" limi-
ta~oes e ser capaz de ec:nilibra fat" r~"s " 'n ~ .s at 'OS e
cientfficos para chegar ao rrelhor como ·on isso oossivel
Este cap~t" " ar o rri:: ~~t!'::!. re:::tric;"~ c:-~ ctent.ficn ~"
questoes eticas na pesq ui::::: de :;w·;,·ey Esta:: que.:;:oes ni:.o s~c
parte do metodo c:(;ntf'ko I :t.c:smo assim, fcrm~.m Uui grupc de
nom1as que. OS cienciSla.o Ja .naioria das discip!inas sav obri-
gados a seguir. Em muiws l:asos, essas normas ericas entran~
) em conflito direto com os procedm,entos cientfficos, assim como
com questoes administrativas. Voce deve estai cier.te dos pos-
sfveis conflitos para pode. cor.duzir um .. pesqu:sa mais
cientffica e '11ais etica .
A ciencia em si e amoral. A let cia graviClacle e a correla~ao
entre educa~ao e preconceito nao sao nem morais, nem imora1s.
Entretamo, os cientistas nao sao amora1s, nem o sao quem pode
usar os resultados da pesquisa cientffica. A pesquisa cientffica
~ode ser conduzida e/ou usada para prop6siros 'llora·s ou
lffiorais. E claro, a moralidade de urn homem e a imoralidade de
0
.utro. Sao li~oes que os hstcos nucleares apre noeram antes e os
CJentistas socials ainda estao aprendendo.
Nao ha como assegurar a uf' todos o <; oentista. ser1o
sempre moth.·ados po r questcws etirqs q ando emba rcn m rwma 1
 pesquisa cientffica, nem ha como assegurar que as de b
. -r·1cas serao
etentt - usadas com prop6sitos eticos E sco enas
podemos mostrar urn corpo de normas eticas mais
· ntretanto
' ...ede111 a
- , . ou menos
consensual em relas;:ao a fettura de pesquisas Est -
,. e capnuio
apresenta alguns dos problemas eticos mais cornu '
. ns naPes-
qutsa de survey e sugere algumas solus;:oes eticas p
_ ara eles
que nao comprometem perigosamente a qualidade ''cientffi ,
da pesquisa. ca
Participa~oo Voluntaria
A pesquisa de survey quase sempre e uma intrusao
'd d na
~I a_ .aS pessoas. 0 entrevistador batendo a porta OU 0 ques-
ttonano chegando pelo correio assinala o infcio de uma ativi-
dade que os respondentes nao pediram e que pode requerer
gran.~e quantidade de tempo e esfors;:o. Alem disso, o survey
frequentemente pede ao respondente revelar informa~ao
pessoal - atitudes e caracterfsticas pessoais - que podem
nao ser conhecidas por seus amigos ou associados. 0 survey
necessita que ele revele tal informas;:ao a um complete estranho.
Outros profissionais, como medicos e advogados, tambem
requerem tal informas;:ao. Mas elas podem ser justificadas pelo
faro de a informas;:ao ser necessaria para o interesse pessoal do
cliente a quem requerem a informas;:ao. Pesquisadores de survey
raramente podem usar esta justificativa. Assim como os pesqui-
sadores medicos, podemos apenas dizer que nossa pesquisa
pode, no futuro, ajuclar as pessoas em geral.
Um princfpio fundamental cia etica na pesquisa medica e
que a participas;:ao experimental deve ser voluntaria. A mesma
norma sea plica a pesquisa de survey. Ninguem deve ser for-
s;:ado a participar. Mas esta norma e bem mais facilmente aceita
na teoria do que na pnitica. Novamente, a pesquisa medica
permite urn paralelo util. Muitas drogas experimentais sao testa-
das em prisioneiros. Nos casos mais rigorosamente eticos, os
prisioneiros conhecem a natureza - e os possfveis perigos -
do experimento, sao infonnados que a participas;:ao e absolu-
tamence voluntaria e sao ainda instrufdos de que nao devem
esperar nenhuma compensas;:ao especial (como uma liberdade
condicional precoce) pela participas;:ao. Mesmo nestas condis;:oes,
os voluntaries sao freqi.ientemente motivados pela crenqa de
que terao beneffcios pessoais de sua cooperas;:ao.
Quando os professores em aulas introdut6tias de sociologia
os alunos que preencham questionarios que eles espe-
t"- alisar e publicar, devem sempre enfatizar aos estudantes que
ram an·cipas;:ao em surveys e- comp1etamente vo luntana. - · Mesmo
a part l
l - - ..
. nuitos estuc antes vao remer que, se nao parttetparem,
asstm, 1
cas serao afetaclas durante o curso. Neste caso, os profes-
suas no . d as sans;:oes
- 1mp
. l'tcttas
. e tomar as
devem estar consetentes
sores
rovidencias necessanas - · para torna-- 1as o-b vtas.
· Po d em sa1r · da
p enquanto os questionarios estiverem sendo preenchidos e
1
ga
w s numa caixa, ou ped ir aos a Iunos que envtem · ·
pos . _ . os questto-
,
nirios pelo correio ou os pon11am numa catxa proxima a porta
quando e ntrarem na sala, na proxima aula.
Nesta situas;:ao, os professores devem ser encorajados,
se for apropriado, a envolver os alunos no processamento e na
analise dos dados, dando-lhes uma experiencia de aprendizado
pessoalmente valiosa. E clare que os alunos deverao receber
cn!dito em qualquer relat6rio publicado sobre o estudo. (Esta
tecnica nao deve ser usada como um metodo para obter mao-
de-obra barata.)
A ideia de que a participas;:ao em surveys deve ser
voluntaria vai diretamente de encontro a uma preocupas;:ao
cientffica. Se tecnicas estatlsticas forem usadas legitimamente
na analise dos dados, entao cada membro da amostra aleat6ria
deve parricipar. Mesmo com pianos estatlsticos menos rigorosos,
voce desejara uma alta taxa de respostas para assegurar uma
amostra razoavelmente representativa. Portanto, mesmo nao
podendo eticamente requerer a participat;ao, voce geralmente fara
o possfvel para obte-la.
Num survey por entrevistas, os entrevistadores geralmente
sao treinados a persuadir pessoas indecisas. "S6 levara alguns
segundos", "Os resultados do escudo serao valiosos para as pes-
seas residentes nesta area" e "Posso voltar em momento mais
convenience?" sao frases importances do vocabulario do entre-
vistador. 0 d iretor da pesquisa clescobrira alguns entrevista-
dores mais persuasivos do que outros, e estes provavelmente
scrao designados para ir arras de membros da amostra que
recusaram o pedicle inicial de participas;:ao. (A experiencia mostra
que uma entrevistadora gravida de oito meses e mais bem-sucedida
do que a media neste senticlo.) 0 limite entre a persuasao etica e a
coer~o e imprecise.
Nu m survey pelo correio, voce normalmente envia
correspondencias de acompanhamento aos membros cia amostra
que nao responderam ao pedido inicial de participat;ao. Geralmente,
 as correspondencias de acompanhamento sao seg 'd
. . Ut as d
ape 1os espeCJats por coopera~ao· novamente 0 I' · e
_ , _ _ , ' , urure enrr
persuasao e a coerpo nao e muito preciso. ea
~em Prejufzo para os fnhevistados
A pesquisa de swvey nunca deve preJ·udicar os . cct
d . < emrevts-
ta os que se voluntanaram a cooperar. Talvez 0 exem 1
1 d 0 , • Po mats
c aro esta no11na na prattca tenha a ver com revela . c
- . r IO!Or-
ma~ao que envergonhana os respondentes ou co1oca ·
· . .. na em
nsco suas vtdas famtltares, suas amizades empregos e . . , · da pesquisa. Um pastor leu os questtonanos da amostra
d' . _ , . . ' , asstm
pot t:nte. Esta sttua~ao sera dtscuttda em maiores detalhes
0
na se~ao sobre anonimato e confidencialidade.
Tambem e possfvel que os emrevistaclos sejam prejudi-
caclos durante a entrevista, e voce clevc estar ciente de
'b Tel d sta
posst 1 1 a e e evitar que isso ocorra. Mesmo com 0 emrevis-
taclor mais profissional (ou seja, neutro), os entrevistados
poclem se senrir incomoclaclos em relatar comportamento
desviado e a titucles que consideram pouco comuns, ou admitir
baixos salarios, receber pensao do governo, e coisas deste ripo.
Os surveys freqi.ientememc for~am os respondences a
enfrentar aspectos de si mesmos que eles normalmente nao
consicleram. Em retrospectiva, alguns comportamentos do
passado podem parecer injustos ou imorais, e eles podem
agora se a rrepender destes comportamentos. Assim, o swvey
pocle ser uma fonte de agonia pessoal para os respondences.
Eles poclem come~ar a achar que nao sao tao mora is e eticos
quanto deveriam, e este pcnsamento pode incomoda-los.
)
Nao ha maneira de se proteger contra tais possibilidades.
Mas alguns itens do questionario rem maior probabilidade de
produzir tais reap3es do que ourros, e voce deve ser sensfvel a
isto. Sc um item river probabilidade de produzir rea~oes desa-
graclaveis nos respondenres, voce deve rer fortes razoes cien-
tfficas para fazer tal pergunta. A menos que seja vital para os
objetivos de pesquisa, remova este item. Se ele for essencial
e sensfvel, voce se vera em terrcno eticamente perigoso e
sofrera sua propria agonia.
Apesar de o faro quase sempre passar despercebido,
respondences podem ser prejudicaclos pela analise e relarorio
clos dados. De vez em quando, eles Ieem os livros publicados a
partir do survey de que pa1ticiparam. Respondentes razoavefmenre
. d serao capazes de se localizar em Indices e tabelas
sofjt::.·uca os aracterizados - apesar de nao estarem 1'dentt·r·t-
·e \'erem c ., . . li .
e s pelos nomes - como fanaticos ' impatnottcos, IITe gtosos
c:tdOS lh das hipo'teses esta descoberta pode incomod:i-los e
Name or ' . , .
etc. . 1agens que rem deles mesmos. Aincla que o propostto
~~r as m ~
;11nc . seJ·a explicar por que algumas pessoas rem precon-
cb pesqUJsa -
,.ros e ourras nao.
Uma vez, fiz um survey com mulheres da Igreja Episcopal
. alifornia Pedi aos pastores de uma amostra
do No rte d a C .
. . que d istribufssem questionarios para uma amostra
das tgreJaS
'f' dos membros os coletassem e os devolvessem ao
espect tea ' . , .
escntono
de devolve-los e fez um sermao enfatico e rigoroso para a
antes ..
ra- dizendo que muitos deles eram ateus e mam para
congrega . ,. 0 ' . .
. c
0 tnlerno.
Mesmo que o pastor nao conhecesse a tdenttdade
dos respondentes que deram as respostas, parece certo que
muitos destes foram pessoalmente feridos por isto.
Como a participa~ao voluntaria, nao prejudicar os entre-
vistados e uma norma facil de aceitar em teoria, mas diffcil de
assegurar na pratica. Sensibilidade com a questao e experiencia
com suas aplica~oes podem melhorar seu desempenho.
Anonimato e ~ i g il o
A situar;ao mais clara envolvendo a prote~ao do interesse
e bem-estar dos respondentes se relaciona a prote~ao de suas
ide ntidades. Se revelar suas respostas pode p rejudica-los de
alguma maneira, e ainda mais importante seguir esta norma.
Duas tecnicas - anonimato e sigilo - ajuclam a proteger a
idemidacle dos respondentes, embora as duas sejam freqi.ien-
tememe confundidas.
Anonimato
Um respondente pode ser considerado an6nimo
qua ndo voce mesmo nao consegue relacionar uma dada
resposta a algum respondente. Isto significa que um respon-
dente de survey por entrevista nunca podera ser considerado
anonimo, porque o entrevistador colhe a informa~ao de urn
entrevisrado identificavel. (Isto supondo que sejam seguidos
metoclos padrao de amostragem.) Um excmplo de anonimato e
 ue um survey for confidencial, em vez de
um survey pelo correio no qual nenhum numero de identifi , sempre q responsavel por torna-lo - cIaro ao 1espon-
·
- . - . ca~ao A

voce e
-

f"d . I"
e post~ no questtonano antes de seu retorno ao escrit6rio .010
lln60 1 ' "anonimo" significando "con 1 encta
pesqUisa. da v sa r 0 term 0
dente . d
deve ser rolera o.
E clara que o anonimato complica os pianos de a ~~ 0 ao
panI1amento para aumentar as raxas de resposta. Se voce na ldentidade lnferida
0
sabe quem
, de sua amostra niio respondeu o questionario , nao
,
po d era entrar em contato apenas com niio-respondentes. M m survey realmente anonimo, as vezes e
como alternativa, voce pode enviar o quesrionario novam ente as, Mesmo nu . .
"cl r·r· "r um respondence pnnctpalmente em
para todos os membros da amostra original, pedindo aos !vel I en 1 tc... ' - " .
·- d . que poss - bertas Se ele lis tar sua ocu pac;;:ao como prest-
Ja respon eram que tgnorem o segundo questionario, ou voce qu esroes a .h"a ABC" e 6bvia sua tdenttdac
. . Ie. AIgumas
pode usar a tecnica do cartao postal discutida no Capitulo 9. d te da Compan 1 , .
en ' l"se multivariada de questoes fechadas permtte a
Apesar das dificuldades de garantir o anonimato em vezes, a ana t
algumas situac;;:oes e melhor voce pagar 0 prec;;:o necess5rio. identificac;;:ao. A •

ossibilidade sempre existe em survey, anontmo

Por exemplo, em escudos sabre uso de drogas entre estudantes Essa P
- . - e possfvel elimina-la. completamente.
A

universitarios, voce pode preferir niio saber a identidade dos
respondences, por duas razoes. Primeira, garantir o anoni-
mato pode aumentar a probabilidade e a honestidade das
respostas. Segunda, voce pode niio querer encarar a possi-
bilidade de ser quesrionado pela pollcia quanta aos names
dos usuaries de drogas. No segundo caso, um survey anonimo
ira lhe poupar rer que escolher entre (1) violar sua promessa
aos respondences, (2) arriscar ir para a prisao por ocultar
evidencia criminosa, ou (3) rezar para que os questionarios
acidentalmente peguem fogo e sejam destrufdos.
Sigilo
Num survey confidencial, voce e capaz de identificar
as respostas de uma cena pessoa, mas prometeu que nao o
fara. Por exemplo, num survey por entrevistas, voce poderia
'
I tornar publica a renda dos respondences, mas garanriu que
nao 0 faria.
Varias tecnicas podem ajuda-Io a manter a promessa.
Para comec;;:ar, os entrevistadores e outros com acesso a
identificac;;:iio dos respondences devem ser treinados sabre
suas responsabilidades eticas. Assim que possfvel, rodos os
nomes e/ou enderec;;:os devem ser removidos dos questionarios
e substitufdos por numeros de identificac;;:ao. Urn arquivo-mesrre
de identificac;;:ao deve ser criado, ligando numeros a names
para permitir a correc;;:iio posterior de informac;;:ao falrante ou
contradit6ria, mas este arquivo nao deve ficar disponfvei.
exceto por razoes legftimas.
Mas voce
ou nao, nao . - ·r·
ve tentar fazer tais identtftcac;;:oes, e certt tque-se e
d
nunca de ·pede pesquisa tambem , nao - o fac;;:a. A1'em d tsso,
·
que sua equt .
nao relate dados agregados de tal modo que os letto~es
possam faze-to. Por isso, o Departamento do Censo Notte-
Americano nao relata dados agregados contendo menos do
que quinze casas por celula numa tabela.
ldentifica~oo £scondida
Ocasionalmente, se garante anonimato aos respondences,
mas na verdade eles sao identificaveis. Algumas vezes, o
enderec;o de retorno do escrit6rio da pesqu isa tem um
"numero de caixa postal" d iferente para cada respondence.
Outras vezes, os pesquisadores poem numeros de identifi-
cac;;:ao embaixo dos selos coladas nos envelopes de retorno.
Provavelmente, alguns pesquisadores ja escreveram numcros
com suco de limao.
Suspeito que virtualmente em todos estes casas - e eles
sao provavelmente poucos- os pesquisadores tentaram man-
ter o sigilo dos dados e nao fizeram nada que prejudicasse
os respondences. (Tenho a impressao que os pesquisadores
mais convencidos de sua "moralidade" pessoal sao os mais
dispostos a fazer isto.) Qualquer que seja a motivac;;:ao ou 0
valor ciemffico, tais praticas sao inaceitaveis. Se um survey
for confidencial, cliga. Nao minta. Finalmente, rodos os surveys
devem ser pelo menos conficlenciais.

i2

ldentifica~ao da finalidade e do Patrocinador
rel;~\=ftO ao pro~. .
,\S segut
Muiras vezes, enfrentamos o dilema de se o respond ..
. . . ' ente nada so
souber a ftnahdade e/ou o patroctnador cia pesquisa, isso pode
afetar as res pastas que clara. Em casas mais extremos , POder biltd:t e
afetar a probabiliclade de coopera~ao. Se o entrevistador se
apresemar como fazendo urn estudo sabre preconceito, podemos
inferir que o entrevistado tamara cuidado para nao parecer
preconceituoso. Se o patrocinaclor do estudo for identificado com
a previclencia social, as respostas de quem recebe beneffcios
cia previdencia podem ser modificadas para se prevenir contra
a perda dos beneffcios. Se a universidade local river rna repu-
ta~~IO entre a popula~ao - digamos, como resultado de
demonstra~oes estudantis - , urn survey patrocinado por ela
pode sofrer oposi~ao e produzir baixa taxa de respostas.
Quase qualquer especifica~ao de finalidade e/ou
patrocinador tera algum efeito sabre as taxas de respostas
e sabre as respostas dos participantes, afetando a quali-
dade cientffica dos dados e as conclusoes a serem tiradas.
Aincla assim, enganar o respondente levanta uma imponante
questao etica.
Minha opiniao e que voce deve ser honesto com OS
respondentes sabre o patrocinador do estudo. Se ele estiver
senclo feito por urn depanamento de pesquisa cia universidacle
para o governo estadual, isto deve ser bern enfatizado na
apresenta~ao do entrevistador (ou na carta de introdu~ao
que acompanha urn questionario auto-administraclo). Alem
disso, me preocupam especialmente as organiza~oes fictfcias
- names de escrit6rios de pesquisa criados somente para
um estudo em particular.
Honestidade a este respeito nao e apenas mais etico, mas
tambem pratico. Sempre que voce tentar enganar OS respon-
dentes com rela~ao aos patrocinadores da pesquisa, corre o risco
de a verdade ser conhecida durante o estudo. Nesse caso, isto
levara o estudo a sofrer mais do que se fosse feito abertamente
por uma agencia ou patrocinador de ma reputa~ao.
Honestidade sabre o prop6sito do estudo e mais diffcil,
porque a pesquisa frequentemente servi.ra a varios prop6sitos
analfricos. Portanto, voce nao pode ser completamente honesto
com os respondentes, ja que nao pode antecipar compleramente ~s
finalidades do survey. Uma declara~ao precisa sabre os pro~o­
sitos basicos do survey provavelmente afeta as respostas mUlto
mais do que a descoberta do patrocinador.
. I' tendo a ser urn pouco mais liberal em
E111 VISta c tSto, - .
osito do survey do que em rela~ao ao patrocmto.
arecem boas: (1) Voce nao deve revelar
·ores duetnzes p r·
- 'to do estuclo que possa afetar a con ta-
bre o propost .
(2) Ao mesmo tempo, deve chzer aos
. d das respostas. - . I
e pucler sabre os proposttos, quando ta
rc:spon dentes o
_ . qu muita chance de afetar as respostas. (3)
ao nao uver , . d
informa~ - b rop6sito clevem ser mais genencas o
. , lica~oes so re o p . - .
As exp _. ( ) Nao de razoes ftcttctas para o estuclo.
que espectftcas. 4
Analise e Relat6rio
. mo voce tem obrigac;oes eticas para com OS
Asstm co .
tem tambem obrigac;oes ettcas para com seus
respon d ente S, ·c1
. cl munidade cientifica. Estas nao sao sempre canst e-
lettores a co - ·
- . da e'tica portanto fa~o alguns comentanos.
radas no clomtmo , ,
Ao fazer um survey rigoroso, voce conhece melhor as
deficiencias tecnicas dele do que qualquer outra pesso~ e cleve
. f m1a-las. Se proximo a conclusao do estudo, voce desco-
~ri~ que algum,subgrupo cia populac;ao foi omi:iclo cia ~mostra,
tome este fato conheciclo do leitor. Se voce acreclt.tar que
varios respondentes nao compreencleram be~1 um lt~m do
questionario, informe isto aos leitores tambem. Quatsquer
defeitos no desenho do estuclo ou cia am'ilise que possa ter
efeito sabre as conclusoes devem ser informados abertamente.
As descobertas negativas devem ser relatadas, se e~ti­
verem re lacionadas a analise. Infelizmente, persiste urn mtto
de que, em relat6rios cientificos, somente as desc?~e.rtas
positivas devem ser relatadas (os editores de penodtcos
algumas vezes tambem sao culpados por isso). Entretanto,
do ponto de vista cia comunidade cientifica, saber que duas
variaveis nao estao relacionadas uma com a outra frcquente-
menre e tao importante quanta saber que estao. Algumas
vezes como na discussao do The American Soldier do Capitulo
15, a' falta das correlac;oes esperadas pode ser ainda mais
uti!. Nao ha razao para ficar envergonhado pela descoberta
de que duas variaveis nao estao relacionadas entre si.
lgualmente, tome cuiclado para nao cair vitima da tenrac;ao
de "livrar a cara'' descrevendo clescobertas empiricas como pro-
dutos de uma estrategia analftica pre-planejacla, quando isso
nao foro caso. Muitas descobertas aconteccm por acaso, mesmo
que pare~am 6bvias em retrospecto. Decorar tais eventos
 com descri\;oes de hip6teses fictfcias nao e apenas deson OCODIGO
, esto
mas tambem tende a enganar os pesquisadores inexperie t '
- n~e
leva-los a achar que toda pesquisa cientffica e pre-planejada.
. , · s da Pratica Profissional na Condu9ao do Nosso
Se aparecer uma associa\;ao inesperada entre variaveis I. pnnctpiO
ela deve ser apresentada como inesperada. Se toda a estrateg~ rrabalho .
analftica for radicalmente reestruturada durante o estudo 0 1 · A. oevemos ter o cuidado adequado no desenvolvtmento
. . ettor
deve ftcar sabendo. Essa revela~ao e benefica, porque, assim os de pesquisa e instrumentos de survey, na coleta,
de desen h d
outros pesquisadores saberao que outra estrategia, aparente~ S amento e na analise de dados, dando to os os pas-
no proces · ·· I'd d d
mente funcional, nao e apropriada para 0 estudo em quesc arios para garantir a conftabtltdade e a va 1 a e os
ao.
Em gera I, a ctencta progride atraves da honestidade e e atrasada
.A •
50s neceSs
resultados.
pelos enganos motivados pelo ego.
1. oevemos recomendar e empregar somente os
instrumentos e metodos de analises que, em nosso juizo
Urn C6digo de ftica Profissional profissional, sejam adequados para a pesquisa.

Uma vez que as questoes eticas na pesquisa social 2. Nao devemos escolher instrumentos de pesquisa e metodos
sao importances e ambfguas, a maioria das associa~oes de analises por sua capacidade de levar a conclus6es
profissionais criou e publicou c6digos formais de conduta enganosas.
que descrevem o que e considerado urn comportamento
profissional aceitavel e o que e inaceitavel. Como ilustra~ao, 3. Nao devemos, conscientemente, interpretar resultados de
apresento na Figura 19-1 o c6digo de conduta da Associa~ao pesquisas, nem tacitamente permitir interpretaQ6es
Americana de Pesquisa de Opiniao Publica (AAPOP), uma inconsistentes com os dados disponiveis.
associa~ao interdisciplinar de pesquisadores de survey
academicos e comerciais.
4. Nao devemos, conscientemente, atribuir as interpretaQ6es
mais confianQa do que a que os dados verdadeiramente
fiGURh 19-1 merecem.
Codigo de etica e pr6ticas profissionais
B. Devemos descrever nossos dados e descobertas de forma
Nos, membros da Associa9ao Americana de Pesquisa de precisa e apropriadamente detalhados em todos os relat6rios de
Opiniao Publica, subscrevemos os principios descritos no se-
pesquisa , seguindo os padr6es de exposi9ao minima especiti-
guinte c6digo. Nossos objetivos sao apoiar uma pratica etica
cados na Se9ao Ill.
bern fun dada na feitura da pesquisa de opiniao publica e no uso
desta pesquisa para fazer politica e se tomar decis6es nos C. Se algum dos nossos trabalhos tor objeto de investiga9ao
setores publicos e privados, assim como melhorar a compreensao formal devido a den uncia de viola9ao deste C6digo, executada
publica dos metodos de pesquisa de opiniao publica e o uso com a aprova9ao do Conselho Executivo da AAPOP, devemos
adequado dos resultados de tais pesquisas. fornecer informa9ao adicional sobre a pesquisa com o detalha-
Nos comprometemos a manter altos pad roes de compe· mento necessaria, para que urn colega pesquisador possa fazer
temcia cientffica e integridade na condu9ao, analise e rela- uma avalia9ao profissional da pesquisa.
t6rio do nosso trabalho, em nossas rela96es com os respon·
dentes do survey, com nossos clientes, com os usuarios
da pesquisa para prop6sitos decis6rios e com o publico em
geral. Tambem nos comprometemos a rejeitar todas as tarefas e
designa96es que requeiram atividades inconsistentes com os
principios deste c6digo.
 II. Principios de Responsabilidade do respondente por suas respostas. Tambem nao
Profissional ern
Nossas Relagoes com as Pessoas. divulgaremos ou usaremos os nomes dos respondentes
A. o Publico: para fins que nao sejam os da pesquisa, a menos que
os respondentes nos deem permissao para faze-lo.
1. Se tivermos conhecimento do aparecimento em . .
d e senas
· · d.1storgoes
- de nossa pesquisa d PUblrco
br • evemos Ill. padrao para Divulgayao Mfnima .
pu 1camente revelar o que for necessaria para . .
t · d. t - · ·
a1s 1s orgoes, mclumdo uma declara~'ao na im
corng1r Boas prciticas profissionais obrigam todos os pesqUisa-
• . y prensa de opiniao publica a incluir, em qualquer relat6rio de resul-
no corpo leg1slat1vo, na agemcia reguladora ou '
dores . - · · b
.
.
descobertas d1storcidas.
•
grupo apropnado, ante o qual foram apresentad
outro
as as ~~ d de P .
esqu isa algumas mforma~toes essenc1a1s so re como
. .
a pesquisa foi feita. Pelo menos os segumtes 1tens devem ser

B. Clientes ou Patrocinadores: divulgados:

1. Ao trabalhar para um cliente particular, manterem
fd . I OS
con 1 enc1a. toda informagao de sua propriedade obt"d
1 a
so bre .o cI1~nte e sobre a condugao e descobertas da
pe~qUisa fe1~a para o cliente, exceto quando a divulgagao
da mformagao for expressamente autorizada pelo cliente
ou quando a divulgagao se tornar necessaria nos termo~
da Segao 1-C ou II-A deste C6digo.
2. Conheceremos as limitag6es de nossas tecnicas e
capacidades e aceitaremos somente os trabalhos que
pudermos razoavelmente esperar realizar dentro dessas
limitag6es.
c. A Profissao:
1. Reconhecemos nossa responsabilidade em contribuir
para a ciencia da pesquisa de opiniao publica e em
disseminar o mais livremente possivel as ideias e as
descobertas que surgirem de nossa pesquisa.
1. Quem patrocinou a pesquisa e quem a conduziu.
2. A redagao exata das perguntas feitas, incluindo o texto
de qualquer instrugao ou explicagao precedente para o
entrevistador ou para os respondentes que possam
afetar a resposta.
3. Uma definigao da popula9ao estudada e uma descrigao
da moldura da amostragem usada para identificar esta
populal):ao.
4. Uma descri9ao do procedimento de selegao da
amostra, fornecendo uma indicagao clara do metodo
pelo qual os respondentes foram selecionados ou se
estes foram inteiramente auto-selecionados.
5. Tamanho das amostras e, se aplicavel, taxas de
resposta e informa9ao sobre os criterios de aceita9ao e
procedimentos de triagem.

2. Nao mencionaremos nossa filiagao a AAPOP como 6. Uma discussao da precisao das descobertas, incluindo,
evidencia de competencia profissional, uma vez que a se apropriado, estimativas de erros de amostragem e
Associagao nao certifica pessoas ou organizagoes. uma descrigao de qualquer procedimento de ponderal):aO
D. 0 Respondente: ou de estimativa usado.

1. Nos esforgaremos para evitar o uso de praticas ou 7. Quais resultados se baseiam em partes da amostra, ao
metodos que possam prejudicar, humilhar ou seriamente em vez de na amostra total.
enganar os respondentes de um suNey.
8. 0 metodo, o local e as datas da coleta de dados.
2. A menos que o respondente abra mao da confiden-
cialidade para usos especificados, manteremos sigilo fON!E: American Associolion lor Public Opinion Research, 1989. Usodo com permisscio.
sobre toda informagao que possa levar a identificagao
8
ftica - llustra~6es Relevantes
A etica cia pesquisa de survey, ou de qualquer pesquisa
cientffica, nao e muito bem definida. Neste capitulo, indi-
quei relativamente poLJCas diretrizes claras, e a maior parte
delas esta sujeita a debates, porque representam minha pr6pria
orienta~ao pessoal.
Minha maior preocupa~ao e sensibiliza-lo para as ques-
toes eticas na pesquisa de survey. Ser capaz de reconhecer
as questoes eticas em Situa~oes reais de pesquisa e muito
ma is imporrante do que decorar algumas normas eticas.
Pensando nisso, concluimos o capitulo descrevendo varias
situa~;oes de pesquisa, a maioria delas real e algumas hipote-
ticas. A maioria delas pode ser debarida honestamente. Voce
deve identificar as questoes eticas dessas situa~;oes e consi-
dera r os passos que podem ser dados para que a pesquisa
seja a mais etica possivel.
1. Como instrutor em pesquisa de mercaclo, voce pede a
seus alunos que completem qucstionarios que usara na
analise de um problema de pcsquisa que lhe interessa.
2. Num estudo sobrc as atitudes de recem-formaclos em
Direito, voce faz um acordo com a Ordem clos Advogados
do Estado para incluir um question[trio nas provas da
Orclem. Completar o questionario seria uma exigencia
para o credenciamento.
3. Voce concorda em fazer um survey para uma prefeitura.
Como o governo municipal nao esta sendo bem aceito
pela popula<;ao, VOCe instrui OS entrevistadoreS a dizcrcm
2
que estao fazenclo a pesquisa para a Universidade.
4. Sua analise clos dados produziu tantas surpresas que
suas hip6teses iniciais foram totalmente alteradas pelas
. · r As
descobertas que apareceram em sua analise pre I tmtna ·
conclusoes finais sao tais que voce se envergonha de niio
ter come<;ado com hip6tescs apropriadas. Para se salvar,
voce escreve seu rclat6rio como se o tivesse.
.
5. Ap6s um survey por entrevtstas sob re comporramento
dcsvianre, policiais lhc ordcnam que t·c~ entt·r·tq uc os
entrevistados que relataram haver participado do saque a
lojas durante um tumulto recente. Para nao agir como
cumplice, voce cumpre a ordem.
6. Ao completar sua analise, voce descobre que vinte
e cinco das duas mil entrevistas foram falsificadas pelos
entrevt·stadores
' · Voce decide ignorar este fato em seu
relat6rio.
7. Uma pessoa que nao foi selecionada para a amostra do
survey entra em contato com voce e insiste em ser
entrevistada. Voce faz a entrevista e depois joga o
questionario fora.
8 . voce obtem uma lista dos assinanres da National Review
para um cstudo sobre comportamento do consumicl~r. ~s
questiom'irios sao enviados para esse grupo com a expltca<;ao
de que eles foram "selccionados aleatoriamente".
9. A compatibilidade racial e considerada essencial para
um estuclo sobre 0 preconceito racial. Entretanto, isso
sign ifica que, na grande cidade sendo estudada, os
entrevistadores da minoria estarao trabalhando em condi<;c3es
geralmente piores do que os entrevistadores brancos.
10. Num survey sobre educa<;ao superior, voce quer
examinar os efeitos de varios fatores de background sobre
o desempenho academico. Para medir o desempenho, voce
obtem a media dos alunos na dirctoria cia univcrsiclade.
11. Garante-se aos respondentes que o questionario que
estao responclendo e anonimo. Na verdade, foi escondido
um numero de serie no questionario, para permitir a analise
de outras informa<;oes coletadas sobre os respondentcs a
partir de outras fontes.
12. Num estudo sobre comportamento sexual, voce deseja
superar a relutancia dos respondcntes em rclatar o que
clcs podcm considerar comportamento aberrante. Entao,
 voce usa o seguintc item: "Todos se masturb
am de v.
em quando; com qual freqi.if:ncia voce se m , b ez
astur a?"
13. E dito aos respondentes de urn swve" q
- . :.r ue o estud0
esta sendo fetto para determinar como as pessoa, .• ,
, _ _. sse sentem
com rela{:ao a uma sene de questoes publica - N
, -. s. a verdade
voce esta mteressado em determinar as fonte- d . '
s e opost~iio
a urn determinado assunto.
14. Voce descobre que 85% do corpo discent
. . 1 uma
e ce
untverstdade fumam maconha regu larmente A bl" -
· pu tca~ao
dessa descobcna com cet1eza provoc·u·a' muito ce 1b
ate na
comunidade. Ja que voce nao planeja analisar detalhadameme
o uso de drogas, decide ignorar o fato.
15. Voce assina urn contra to para fazer urn estudo e preparar
urn relat6rio para urn patrocinador sobre cerro tema. Voce
descobre que os dados ciao uma oportunidade para examinar
urn tema relacionado, mas que nao e de interesse do
patrocinador. Voce usa a verba do projeto para cobrir os
custos cia analise e a prepara~ao do trabalho, que voce
apresenta na reuniao de uma associa~ao profissional.
16. Para testar ate que ponto os rcsponclentes tenta riam
salvar a cara expressa ndo atitudes sobre questoes das
quais estao mal informaclos, voce pede atitudes sobre
uma questao fictfcia.
17. Um quest ion;lrio de pesquisa circula entre os
estudantes como parte da clocumenta{:iio para a
matrfcula na universiclade. Apesar de niio se clizer aos
alunos que eles clevem preencher o questionario, espera-se
que eles acreditem que clevem, garantinclo uma maior
taxa de resposta.
Resumo
os reqUls Hos da pesquisa cielllfjica exigem muita
. ·nadia e criatividade do pesquisador. As restri-;cSes ad.minis-
unagl ... .. . . .
.. s e pniticas frequenrememe compltcam amda mats as
tr:.tt1' a
. nc i.Inpedindo procedimentos ideais de pesquisa. As quesrcSes
CO IS,..,,
,euc.-
. as podem significar urn peso extra em suas costas. Ao
brir que nao ha tempo nem dinheiro suficienre para
descO
r melhor estudo possfvel, voce pode chegar a urn
faz e 0
compromisso brilhante, administrativamente vi:ivel e cien-
rificamenre adequado, para dep o is descobrir que ele vio la
prindpios eticos.
como repeti em todo o livro, a boa pesquisa ciemffica
e freqi.ienremente diffcil de ser executada. A pesquisa cientffica
etica pode ser ainda mais diffcil, mas voce nao pode desconsiclerar
essas questoes. Voce deve fazer pesquisa cientificamente
adequada, aclminisrrativamenre vi:ivel e eticamente defen-
savcl. Voce nao deve violar OS direitos e o be m-estar dos
cidadaos tentando ajuda-los.
Not as
1 Quando o livro foi primeiramente publicado em 1973, v{trios revisores
se opuseram a inclusao de um capitulo sobre etica em pesqu isa. Em
rcsposta aos meus coment;\rios sobre "os clireitos clos responclentes",
lembro-me de um revisor que disse: "E sobre os clireitos da ciencia?"
Entretanto, descle entao penso que nenhum manual sobre pesquisa social
foi publicado sem alguma abordagem substancial das questoes eticas. Em
minha opiniao, isso e um sinal sauclavel.
2
Lembre-sc do Capitulo 9 em que a pesquisa metodol6gica mostrou que
o patrocfnio de pesquisas pela universiclacle aumenta a taxa de respostas.
Leituras Adicionais
BEAUCHAMP, Tom L., FADEN, Ruth R., WALLACE JR., Jay,
WALTERS, LeRoy. Ethical Issues in Social Science Research.
Baltimore: The Johns Hopkins Press, 1982.
DIENER Edward , CRANDALL, Rick. Ethics in Social and
Behavioral Research. Chicago: University of Chicago Press,
1978.
 GOLLIN, Albert E. In Search of a Useable Past Public Op · .
Quarterly, v.49, p.414-424, outono 1985. . znzon
MACRAE JR., Duncan. 1be Social Function ofSocial Scienc N
Haven, CT: Yale Universiry Press, 1976.
MCGUIRE, Steven. A Feminist Ethic for Science Huma ·
e. ew
Capitulo 20
21
Society, p.461-467, novembro 1984. . ' zYand

RICHTER JR., Maurice. Science as a Cultural Process. Cambrid

MA: Schenkman, 1972. ge,

ROPER, Burns W. Some Things That Concern Me Public Q1n · .

I v.48, p.303-309, outono 1983. ·
Q uartery, r-mzon
0 (onsumido r lnformado de Pesquisa de Survey
SJOBERG, Gideon. Ethics, Politics, and Social Research
Cambridge, MA: Schenkman, 1967. ·

Pode ter havido mementos durante a leitura deste livro

em que voce achou que o material nao era apropriado para
voce e pode ate achar diffcil acreditar agora que urn dia sera urn
pesquisador de surveys profissional. Provavelrnente voce esta
cerro. Em bases per capita, nao ha tantos pesquisadores de survey
assim no rnundo.
Sao peque nas as chances (p < 0,001) de, algum dia,
voce ser responsavel pelo desenho e execu ~ao de urn survey
probabil fstico de area, de multiplas etapas, sobre a for~a de
trabalho da na~ao, para determinar se ha urna rela~ao estatis-
ticamente significativa entre genera e renda entre subgrupos
emparelhados de trabalhadores assalariados. Mas voce sabe,
basicamenre, o que isso significa e poderia dizer alga sobre
os varios passos de urn estudo como esse: desenho do ques-
tionario, arnostragem, coleta de dados, calculo das rendas
medias para OS empregados em horario integral OU rneio-
honlrio etc. Mesrno se precisar rever este e outros livros para
~efrescar a memoria em alguns detalhes, profissionais fazem
•sso o tempo todo.
Ta lvez voce nunca dirija sozinho urn grande survey,
mas sera capaz de avaliar· as pesquisas de outros. Voce se
tornou 0 que e chamado, algumas vezes, de "consumidor infor-
mado". Nao e uma posi~ao insignificante, porque voce estara
exp OSto a pesquisa de SU1'Vey quase tO d OS OS ct·taS para 0
rest
·
0 d
e sua vida. Voce lera relat6rios de surveys em JOrnms · ·
e re Vtstas,
· 'd.
escutara sabre pesquisas de survey no ra to e na
televis'ao, e os pollticos e industriais lhe d.trao
- o que a "Pesquisa
mostra". Portanto, e importante que voce seja capaz de se proteger
e de separar o joio do trigo se, algum dia, for plantar seu
pr6prio trigo.
Neste capitulo, dou algumas dicas de consumidor para
voce usar na revisao de relat6rios de pesquisas de survey. Em
parte, essas diretrizes servem como uma revisao de quase rudo
o que foi dito ames. Sinta-se a vonrade para usar essa set;ao
:omo urna revisao do livro, mas veja que minha intent;ao principal
e refort;ar sua capacidade de avaliar pesquisas de survey, e nao
sua capacidade de desenha-la e executa-la. Por isso, pulei varios
t6picos do livro e me concenrrei apenas nos t6picos para os
quais sao pertinenres as habilidades do consumidor. Contudo
organizarei o guia do consumidor de modo a seguir mais 0 ~
menos as mesmas linhas do resto do livro.
Sempre que voce se deparar como que o "survey mostra"
podera fazer as pergunras listadas a seguir. Nem toclas a~
perguntas se aplicam a todos os surveys, mas a lista lhe propor-
ciona o suficienre para que voce possa escolher.
Desenho do Pesquisa
• Qual foi a finalidade do estudo: explora~ao, descri~ao,
explica~,:ao ou uma combina~ao? 0 desenho da pesquisa
foi adequado a sua finalidade?
• Quem conduziu a pesquisa? Quem pagou por ela? 0
que motivou o estudo? Se as conclusocs corresponderem
aos interesses do patrocinador ou do pesquisador, isso nao
as desqualifica, mas ainda assim voce dcve ficar bem atento.
• Qual foi a unidade de an;llise~ Ela foi apropriada a
finalidade do estudo? As conclusoes tiradas da pesquisa
sao apropriadas para a unidadc de analise? Por exemplo,
os pesquisadores pesquisaram domicilios e terminaram
fazendo afirma~;oes sobre individuos, ou vice-versa?
• Este estudo e interseccional ou longitudinal? Fique atenro
as afirma~oes Iongitudinais fciws a partir de observa~ocs
interseccionais.
• Se foram coletados dados longitudinais, certifique-se de
que tenham sido feitas medidas comparativas em cada ponto
do tempo. As mesmas perguntas foram fcitas em cada vez?
• Se foi feito urn estudo de paincl, verifiquc o numero de
pessoas que sairam ("esgotamento de paine!") durante o
estudo.
Medi~oo
• Quais sao os nomes dos conceitos sob estudo?
• Os pesquisadores delinearam diferentes dimensoes das
variaveis, quando preciso?
• Estas distin~oes foram mantidas durante a analise e o
relat6rio?
• Quais indicadores foram escolhidos como medidas
daquelas dimensoes e conceitos? Cada indicador e uma
medida valida do que pretende medir? De que rna is poderia
o indicador ser uma medida? E uma meclida confiavel? A
confiabilidade foi testada?
• As mediclas das variaveis correspondcm ~~ maneira como
outros pesquisadores as mediram? Se nao, os pesquisadores
atuais tem boas razoes para inovar?
• Exatamente como sao rcdigidas as perguntas do
questionario? Tome cuidado com pesquisadores que
parafraseiam as perguntas.
• Todas as perguntas sao feitas de forma clara e nao
ambigua? Etas poderiam ter sido mal interpretadas pelos
respondentes? Se sim, o que poderiam significar as respostas
dadas, alem do que os pesquisadorcs prcsumiram?
• Os respondentes sao capazes de responder as perguntas
feitas? Se nao, eles podem rc:;ponder assim mesmo, mas
as respostas podem nao significar coisa alguma.
 • Ser:'i que alguma clas qucst6es tern dupla resposta? p
· :.. ~'Ocure
conJUn<;ues como ee ou. Esta sendo perguntado aos rcsp
dentes sc eles concordam ou discordam de dua . '<1-~n­
s 1 C1as
quando eles podem preferir concordar com urna ,
cllscordar da outra?
• As perguntas tern termos negatives? Se .
sun, os
respondentes podcm ter interpretado mal as perg
untas e
respondido inadequadamcnte.
• Ha perigo de descjabilidade social em alguma das
perguntas? Sera alguma resposta t'io
• certa ou ta-, o crrada
que os respondentes possam ter rcspondido com base no
que as pessoas pensariam deles?
• Como regra geral, c bom testar todos os itens do
questionario, fazcndo as perguntas a si mesmo, para ver
como voce as responderia. As clificuldades que voce tiver
em responder podem tambem se aplicar a outros. A seguir,
t~nte supor diferentcs pontos de vista (por cxemplo,
liberal versus conservaclor, religiose versus irreligioso) e
pergunte como as questocs soariam para algucm com esse
ponto de vista.
• Quais sao os nfveis de medi<;ao - nominal ordinal
intervalos ou razao - das vari<1veis? Eles sao ~s nfvci~
apropriados?
• Se foram feitas perguntas fechadas, as categorias de
respostas fornecidas foram apropriadas, em numero
suficicnte e mutuamente cxcluclentcs?
• Se foram feitas perguntas abenas, como foram
categorizaclas as respostas? Os pesquisadores se protegcram
contra seus pr6prios vieses na coclifica<;ao das respostas?
• Foram usadas mcdi<;oes compostas, por exemplo, Indices,
escalas e tipologias? Sc sim, elas siio apropriadas i'1 finalidade
do estuclo' Elas foram construfdas corretamcnte?
~moshagem
• Fazer amostragem era adequado ou deveriam ter sido
c estudados todos os elementos?
• Foi feita uma amostra probabilistica? Se niio, tome cuiclado
com as conclusoes tiradas do estudo, principalmente
qualquer afirma<;ao descritiva.
• Sobre qual popula<;ao os pesquisadores desejam tirar
conclusoes?
• Qual moldura de amostragem foi usada? Ela e uma
representa<;ao adequada cia popula<;iio que interessa ao
pesquisador? Quais elementos da popula<;ao foram omitidos
da moldura da amostragem, e quais elementos estranhos a
ela foram inclufclos?
• Quais tecnicas especfficas de amostragem foram
empregadas: amostragem aleat6ria simples, amostragem
sistematica ou amostragem por conglomeraclo? Os
pesquisaclores esuatificaram a moldura cia amostragem antes
de amostrar? As variaveis de estratifica<;iio foram escolhidas
sabiamente? Ou seja, elas sao relevantes para as variaveis
em estudo?
• Qual 0 tamanho cia amostra selecionacla? Qual foi a taxa
de respostas? lsto e, qual porcentagem da amostra que
respondeu? Ha qualquer cliferen<;a provavel entre os que
responderam e os que nao responderam?
• Mesmo supondo que os respondentes sao representatives
dos selecionados para a amostra, qual e o erro de
amostragem a ser esperado de uma amostra desse tamanho?
Os pesquisadores informaram o erro de amostragem?
• Os pesquisaclores testaram a representativiclade,
comparando, por exemplo, a distribui<;iio de sexo entre a
popula<;ao e os respondentes, ou suas iclades, etnia,
e:;colaridade ou renda?
 • E, finalmente, os individuos cstudados (ou outra unidadc
de analise) represcnram a maioria da popula\=ao da
qua 1
foram selecionados? Ou seja, as conclusoes tiradas <Ia
amostra nos dizem algo sobre uma popula\=aO significativa
incluindo os seres humanos em geral? ' pesquisa anterior sabre o tema? Esta pesquisa acrescenta,
~nal ise dos Dodos
• Quais tecnicas cstatisticas foram usadas na analise dos
clados? Elas sfto apropriadas aos niveis de medi\=ao das
variaveis envolvidas?
• Os pesquisadores fizeram todas as amilises relevantes?
Todas as variaveis apropriadas foram examinadas? Teria
sido importa nte, por exemplo, replicar os resultados
separadameme para homens e mulheres?
• E passive! que a correla~ao observada entre duas variaveis
tenha sido causada por uma terceira variavel antecedeme,
tornando espuria a rela\=ftO observada?
• Foram usados testes de significftncia estatistica? Se sim,
fo ram interpretados corretamcntc? A significftncia estatistica
fo i confundida com significftncia substantiva?
• Alguma descoberta cia pesquisa realmente faz cliferen~a?
E importante? Alguma diferen\=a obscrvada e ntre subgrupos,
por exemplo, e uma cliferen\a grande e significativa' Ha
qualquer implica\ao para a\iio? Nem todas as descobertas
precisam ter implica\6es para a a\aO, mas esta implica\ao
e uma medida para avaliar pesquisas.
• Os pesquisadores foram muito alem das descobertas feitas
ao tirarem conclusoes e implicac;oes?
• Existem fa! has 16gicas na analise c interpreta\=iiO clos daclos?
Relot6rio dos Dodos
• Qs pesquisadores situaram esse projeto no contexto de
modifica, replica ou contradiz estudos anteriores?
• Em geral, os pesquisadores relataram exaustivameme os
detalhes do desenho c da execu\=ao do estudo? Ha partes
do relat6rio particularmente vagos ou incompletos?
• Os pesq uisadores relataram fal has ou limitar;oes no
desenho e na execu\=i'iO do estudo? ITa sugestoes para
melho res pesquisas sobre esse t6pico no futuro?
Confio que esta lista de c hecagem possa ajuda-lo na
revisao e ava lia~ao dos surveys q ue voce encontrar em suas
arividades diarias. Espero que voce tenha aproveitado esse
livro e que ele o tenha ajudado na sua aprendizagem. Tenho
um gosto especial pe la pesquisa de survey, e foi um grande
prazer companilhar com voce essa poderosa tecnica de pesquisa.
Leituros Ad ici onoi s
BABBIE , Earl. Social Research for Consumers. Belmont, CA:
Wadsworth, 1982.
FELLIN, Phillip, TRIPODI, To ny, MEYER, Henry]. (Ed.). Exemplars
of Social Research. Itasca, IL: F. E. Peacock Publishers, 1969.
GOUIN, Albert E. Polling and the News Media. Public Opillion
Quarterly, v.S1, p.S86-S94, inverno 1987.
GROVES, Robert M. Research on Survey Data Quality. Public
Opinion Quarterly, v.51, p.S156-S172, inverno 1987.
HUFF, Darrell. How to Lie witb Statistics. New York: W. W. N01ton,
1954.
JAFFE, A.]., SPIRER, Herbert F. Misused Statistics. Straight Talk
for Tw isted Numbers. New York: Marcel Dekker, 1987.
lAZARSFELD, Paul F., SEWELL, William H., WILENSKY, Harold
L. (Ed.). The Uses ofSociology. New York: Basic Books, 1967.
SUDMAN, Seymour, BRADBURN, Norman. The O rganizational
Growth of Public Opinion Research in the United States.
Public Opinion Quarterly, v.51, p.S67-S78, inverno 1987.
TRIPODI, Tony, FELLIN, Phillip, MEYER, Hen! Th
ment ojSocialResearch. Itasca IL· FE P y]. e Assess-
1969. '' . . . eacock Publishers
'
B B L 0 G R A f

A010ND, Gabriel, VERBA, Sidney. The Civic Culture. Princeton,

NJ: Princeton University Press, 1963.
ANDERSON, Barbara A., SILVER, Brian D., ABRAMSON, Paul
R. The Effects of the Race of the Interviewer on Race-Related
Attitudes o f Black Respondents in SRC/ CPS Nationa l
Election Studies. Public Opinion Quarterly, v.S2, p.289-324,
outono 1988.
BABBlE, Earl R. ScienceandMoralityinMedicine. Berkeley, CA:
University o f California Press, 1970.
BABBlE, Earl. Observing Ourselves. Essays in Social Research.
Belmont, CA: Wadsworth, 1986.
BABBlE, Earl. Social Research for Consumers. Belmont, CA:
Wadsw01th, 1982.
BABBlE, Earl. The Practice of Social Research. Belmont, CA:
Wadsworth, 1989.
BAINBRIDGE, William Sims. Survey Research: a Compute r-Assisted
Introduction. Belmont, CA: Wadsworth, 1989.
BART, Pauline, FRANKEL, Linda. The Student Sociologists Hand-
book. Glenview, IL: Scott, Foresman, 1981.
BEAUCHAMP, Tom L. et a !. Eth ical Issues in Social Science
Research. Baltimore : The J ohns Hopkins Press, 1982.
BECKER, Leonard, GUSTAFSON, Clair. Encounter with Sociology:
The Term Paper. San Francisco: Boyd and Fraser, 1976.
BEVERIDGE, W. I. B. The Art of Scientific Investigation. New
York: Vintage Books, 1950.
BILLIET, J acques, LOOSVELDT, Gee rt. Improvement in the
Qua lity of Responses to Factual Survey Questions by
Interviewers. Public Opinion Quarterly, v.52, p.l90-211,
verao 1988.
 BISHOP, George F., TUCHFARBER, Alfred ]., OLDENDICI<
Robert W. Opinions ~n Fictitious Issues: The Pressure t~
Answer Survey Questions. Public Opinion Qumterly, v.
50
p.240-250, verao 1986. '
BLALOCK, Hubert. Social Statistics. New York: McGraw-In!
1979. I 1
BRADB~, Norman M., SUDMAN, Seymour e S6cios. ImproVing
Intervzew Method and Questionnaire Designs. San Francisco:
Jossey-Bass, 1979.
BROWNLEE, K. A. A Note on the Effects of Nonresponse on
Surveys. journal ofthe American Statistical AssocialioH, v.52,
n. 177, p.29-32, 1957.
BUTTERFIELD, Herbert. The Origins of Modern Science. New
York: Macmillan, 1960.
CARMINES, Edward G., ZELLER, Richard A. Reliability and Validity
Assessment. Beverly Hills, CA: Sage, 1979.
COCHRAN, William G. Sampling Techniques. New York: John
Wiley & Sons, 1963.
COLE, Stephen. TheSociologicaiMethod. Chicago: Markham, 1972.
CO ZBY, Paul C. Using Computers in the Behavioral Sciences. Palo
Alto, CA: Mayfield, 1984.
DAVIS, James A. Elementary Survey Analysis. Englewood Cliffs,
N] : Prentice-Hall, 1971.
DIENER, Edward, CRANDALL, Rick. Ethics in Social and Behavioral
Research. Chicago: University of Chicago Press, 1978.
DILLMAN, Don A. Mail and Telephone Sumeys: The Total Design
Method. New York: John Wiley & Sons, 1978.
DONALD, Marjorie N. Implications o f Nonresponse for the In-
terpretation of Mail Questionnaire Data. Public Opinion
Qua1terly, v.24, n.1, p.99-114, 1960.
DURKHEIM, Emile. Suicide: A Study in Sociology. New York:
Free Press, 1951.
DURKHEIM, Emile. The Rules ofSociological Method. New York:
Free Press, 1962.
EDWARDS, Perry, BROADWELL, Bruce. Data Processing 2nd.ed.
Belmont, CA: Wadsworth, 1982.
FELLIN, Phillip, TRIPODI, Tony, MEYER, Henry]. (Ed.). Examples
ofSocial Research. Itasca, IL: F. E. Peacock Publishers, 1969.
ORSLUND, Morris A. Patterns o f Delinquency Involvement:
f An Empirical Typology. Trabalho apresentado na Reuniao
Anual da Western Association of Sociologists and Anthro-
pologists, Lethbridge, Alberta, 8 fev. 1980.
FOWLER, H . W. A Dictionary of Modem Englisb Usage. New
Yo rk: Oxford University Press, 1965.
FOX, Richa rd ]., CRASK, Melvin R., KIM, Jonghoon. Mail Survey
Response Rates. Public Opinion Quarterly, v.52, p.467-491,
inverno 1988.
FRANKEL, Martin R., FRANKEL, Lester R. Fifty Years of Survey
Sampling in the United States. Public Opinion Quarterly,
v.51, p .S127-S138, inverno 1987.
FREEMAN, Linton. Elementary Applied Statistics. New Yo rk: Jo hn
Wiley & Sons, 1968.
GALL, John. Systemantics. How Systems Work and Especially How
They Fail. New York : Pocket Books, 1975.
GLOCK, Charles Y. (Ed.). Survey Research in the Social Sciences.
New Yo rk: Russell Sage Foundation, 1967.
GLOCK, Charles Y., RINGER, Benjamin B., BABBlE, Earl R. To
Comfort and to Challenge. Berkeley: University of California
Press, 1967.
GLOCK, Charles Y., STARK, Rodney. Christian Beliefs and Anti-
Semitism. New York: Harper & Row, 1966.
GLOCK, Charles Y., STARK, Rod ney. Religion and Society in
Tension. Chicago: Ra nd McNally, 1965.
GOLD , Julius, KOLB, Will iam. A Dictionary of the Social
Sciences. New York: Free Press, 1964.
GOLDEN, Patricia (Ed .). The Research Experience. Itasca, IL: F.
E. Peacock, 1976.
GOLLIN, Albert E. In Search of a Usable Past. Public Opinion
Quarterly, v.49, p.414-424, outono 1985.
GOLLIN, Albert E. Polling and the News Media. Public Opinion
Quarterly, v.51, p.S86-S94, inverno 1987.
GORDEN, Raymond L. Interviewing: Strategy, Techniques, and
Tactics. Homewood, IL: Dorsey Press, 1969.

GOYDER, John. Face-to-Face Interviews and Mailed Quesrton-
naires: The Net Difference in Response Rate. Public o'P1·nzon
• Meridian Books, 1959.
Quarterly, v.49, p.234-252, verao 1985.
GROVES, Robert M., MATHIO\'V'ETZ, Nancy A. Computer Assisted
Telephone Interviewing: Effects on Interviewers and
Respondents. Public Opinion Quarterly, v.48, p.356-36
9 f~r Twisted Numbers. New York: Marcel Dekker, 1987.
primavera 1984. '
GROVES, Robert M. Research on Survey Data Quality. Public
Opinion Quarterly, v.51, p.S156-S172, inverno 1987.
GRUBER,James, PRYOR, Judith, BERGE, Patricia. Materia/sand
Methods for Sociology Research. New York: Neal-Schuman
1980. ,
HAMMOND, Phillip (Ed.). Sociologists at Work. New York: Basic
Books, 1964.
HANSEN, M. H., HURWITZ W. N., MADOW, W. G. Sample Survey
Methods and Theory. New York: John Wiley & Sons, 1953. 2 v.
HEISE, David (Ed.). Microcomputers in Social Research. Beverly
Hills, CA: Sage, 1981.
HENKEL, Ramon E. Tests ofSignificance. Beverly Hills, CA: Sage,
1976.
HILDEBRAND, David K., LAING, James D., ROSENTHAL,
Howard. Analysis of Ordinal Data. Beverly Hills, CA: Sage,
1977.
HIRSCHI, Travis, SELVIN, Hanan. Principles of Survey Analysis.
New York: Free Press, 1973.
HOLST!, Ole. Content Analysis for the Social Sciences and
Humanities. Reading, MA: Addison-Wesley, 1969.
HORNIK, Jacob, ELLIS, Shmuel. Strategies to Secure Compliance
for a Mall Intercept Interview. Public Opinion Quarterly,
v.52, p.539-551, inverno 1988.
HUFF, Darrell. How to Lie with Statistics. New York: W. W. Norton,
1954.
HUNT, Morton . Profiles ofSocial Research: The Scientific Study
of Human Interactions. New York: Basic Books, 1985.
HYMAN, Herbert. Survey Design and Analysis. New York: Free
Press, 1955.
William Apes Angels, and Victorians. New York:
IRVI NEI • I
JVERSEN, Gudmund R.,. NORPOTH, Helmut. Analysis of
Variance. Beverly Htlls: Sage, 1976.
PIRER Herbert F. Misused Statistics. Straight Talk
JAFFE A· J ., S '
Margaret Platt Througb the Maze: Statistics with
]END REK ' . 85
Computer Applications. Belmont, CA: Wadsworth, 19 .
KAHN, Robert L., CANNELL, Charles F. The Dynamics of
Interviewing. New York: John Wiley & Sons, 1967.
KAPLAN, Abraham. The Conduct ofInquiry. San Francisco: Chan-
dler Publishing Co., 1964.
KIM, ]ae-On, MUELLER, Charles W. Introduction to Factor Analy-
sis. Beverly Hills, CA: Sage, 1978.
KISH, Leslie. Chance, Statistics and Statisticians. journal of the
American Statistical Association, v.73, n.361, p.1-6, mar.
1978.
KISH, Leslie. Survey Sampling. New York: John Wiley & Sons,
1965.
KNOKE, David, BURKE, Peter]. Log-Linear Models. Beverly Hills,
CA: Sage, 1980.
KROSNIC, jon A., ALWIN, Duane F. A Test of the Form-resistant
Correlation Hypothesis: Ratings, Rankings and the Measure-
ment of Values. Public Opinion Quarterly, v.52, p.526-538,
inverno 1988.
KUHN, Thomas S. The Structure ofScientific Revolutions. Chicago:
University of Chicago Press, 1970.
LABOVITZ, Sanford, HAGEDORN, Robert. Introduction to
Social Researcb. New York: McGraw-Hill, 1971.
LAVRAKAS, Paul J. Telephone Survey Metbods: Sampling,
Selection and Supervision. Beverly Hills, CA: Sage, 1987.
lAZARSFELD, Paul F., PASANELLA, Ann K., ROSENBERG, Morris
(Ed.). Continuities in "The Language of Social Research".
New York: Free Press, 1972. sec;;oes III-IV.
LAZARSFELD, Paul F., ROSENBERG, Morris (Ed.). The Language
ofSocial Research. New York: Free Press, 1955. p.15-108.
 LAZARSFELD, Pau l F., SEWELL, William H., WILENSKY, Harold
L. (Ed.). The Uses ofSociology. New York: Basic Books, 1967.
LEWIS-BECK, Michael S. Applied Regression: An Introductio
Beverly Hills, CA: Sage, 1980. n.
LOFLAND, John. Analyzing Social Settings. Belmont, CA·
Wadsworth, 1984. · REYNOLDS, H. T. Analysis ofNomi11al Data. Beverly Hills, CA:
LOPATA, Helena Znaniecki. Widowhood and Husband Sancti-
fication. journal of Marriage and the Family, p.439-4SO
maio 1981. ' Functions. New York: Basic Books, 1965.
MACRAE JR., Duncan. The Social Function ofSocial Science. New
Haven, CT: Yale University Press, 1976.
McCALL, George, SIMMONS, ]. L. (Ed.). Issues in Participant
Observation: A Text and Reader. Reading, MA: Addison-
Wesley, 1969.
MCGUIRE, Steven. A Feminist Ethic for Science. Humanity and
Society, v.8, p.461-467, nov. 1984.
MERTON, Robert K. (Ed.). Sociology Today. New York: Basic
Books, 1959.
MERTON, Robert K., LAZARSFELD, Paul F. (Ed.). Continuities
in Social Research: Studies in the Scope and Method of "The
American Soldier". New York: Free Press, 1950.
MILLER, Delbert. Handbook of Research Design and Social
Measurement. New York: Longman, 1983.
MITCHELL, Arnold . The Nine American Lifestyles. New York:
Warner Books, 1983.
MORRISON, Denton, HENKEL, Ramon (Ed.). Tbe Significance
Test Controversy. A Reader. Chicago: Aldine-Atherton, 1970.
OKSENBERG, Lois, COLEMAN, Lerita, CANNELL, Charles F. In-
terviewers Voices and Refusal Rates in Telephone Surveys.
Public Opinion Quarterly, v.50, p.97-111, primavera 1986.
OPPENHEIM, A. N. Questionnaire Design and Attitude
Measurement. New York: Basic Books, 1966.
PAYNE, Stanley. The Art of Asking Questions. Princeton, NJ:
Princeton Un iversity Press, 1965.
PUBLIC OPINION QUARTERLY, v.51, n.4 (Parte 2). Esta edi~ao
comemorativa dos 50 anos da publica~ao (inverno 1987)
contem diversos artigos revendo a hist6ria das pesquisas
de survey.
RAY, William, RAVlZZA, Richard. Metbods Toward a Science of
Behavior and Experience. Belmont, CA: Wadsworth, 1985.
REESE, Stephen D. et al. Ethnicity-of-Interviewer Effects Among
Mexican-Americans and Anglos. Public Opinion Quarterly,
v.50, p.563-572, outono 1986.
Sage, 1977.
RICHARDSON, Stephen A. et al. Interviewing: Its Forms and
RICHTER JR. , Maurice. Science as a Cultural Process. Cambridge,
MA: Sche nkman, 1972.
ROPER, Burns W. Som e Things That Concern Me. Public
Opinion Quarterly, v.48, p .303-309, outono 1983.
ROSENBERG, Morris. The Logic of Survey Analysis. New York:
Basic Books, 1968.
SCHEAFFER, Richard L., MENDENHALL, William, OTT, Lyman.
Elementary Survey Sampling. North Scituate, MA: Duxbury
Press, 1979.
SCHUMAN, Howard, PRESSER, Stanley. Questions and Answers
in Attitude Surveys. Experiments on Question Form, Wording
and Context. New York: Academic Press, 1981.
SELLTIZ, Claire et a!. Researcb Metbods in Social Relations. New
York: Ho lt, Rine hart & Winston, 1959.
SHANKs,]. Menill, TORTORA, Robert D. Beyond CATI: Generalized
and Distributed Systems for Computer-Assisted Surveys,
pre parado para o Bureau of Census, Primeira Conferencia
Anual de Pesquisas, Reston, VA, 20-23 de mar. 1985.
SHARP, Vicki. Statistics for the Social Sciences. Boston: Lirrle,
Brown , 1979.
SJOBERT, G ideon. Ethics, Politics and Social Researcb. Cam-
bridge, MA: Schenkman, 1967.
SMITH, Tom W. The Art of Asking Questions. Public Opinion
Quarterly, v.S1, p.S95-S108, inverno 1987.
SMITH, Tom. That Which We Call Welfare by Any Other Name
Wo uld Smell Sweeter. Public Opinion Quarterly, v.S1, p.75-
83, Primavera 1987.
STEVENs, S. S. On the Theory of Scales of Measurement. Science,
V.} Q3, p.677-680, 1946.
STOUFFER, Samuel A. Communism, Conformity and Civil
Liberties. New York: John Wiley & Sons, 1955.
STOUFFER, Samuel A. et al. The American Soldier. Princeton,
A
NJ: Princeton University Press, 1949.
STOUFFER, Samuel A. Social Research to Test Ideas. New York:
p £ N 0 (
Free Press, 1962.
STRUNK, Jr., William, WHITE, E. B. The Elements of Style. New
York.: Macmillan, 1959.
SUDMAN, Seymour, BRADBURN, Norman M. Asking Questions:
A Practical Guide to Questionnaire Design. San Francisco:
Jossey-Bass, 1982.
SUDMAN, Seymour, BRADBURN, Norman M.. The Organiza-
tional Growth of Public Opinion Research in The United
States. Public Opinion Quarterly, v.51, p.S67-S78, inverno A Tabela de Numeros Aleat6ri os
1987.
TOBEN, Bob. Space-Time and Beyond. New York: E. P. Dutton,
1975. B frro fstimado de Amoshagem para uma
Binomial (Nivel de Confian~a de 95%)
TRIPODI, Tony et al. The Assessment ofSocial Research. Itasca, IL:
F. E. Peacock Publishers, 1969.
TZE-CHUNG Li. Social Science Reference Sources: A Practical ( Oishibui~ao do Qui-Quadrado
Guide. Westport, CT: Greenwood Press, 1980.
WALLACE, Walter. The Logic of Science in Sociology. Chicago:
Aldine-Atherton, 1971.
D Areas Normais de Curva
WARNER, Lloyd. Democracy in jonesville. New York: Harper &
Row, 1949.
WATSON, James D. The Double Helix. New York: The New
American Library, 1968.
WEEKS, Michael F., KULKA, Richard A., PIERSON, Stephanie A.
Optimal Call Scheduling for a Telephone Survey. Public
Opinion Quarterly, v.51, p.540-549, invemo 1987.
WHITEHEAD, Alfred North. Science and the Modern World. New
York: Macmillan, 1925.
YERG, Beverly J. Reflections on the Use of the RTE Model in
Physical Education. Research Quarterlyfor Exercise and Sport,
p.42, mar~o de 1981.
ZEISEL, Hans. Say It with Figures. New York: Harper & RoW,
1957.
 TABfLA Df NUMfROS ALfATORIOS

10480 15011 01536 02011 81647 91646 69179 14194 62590 36207 20969 99570 91291 907()()

22368 46573 25595 85393 30995 89198 27982 53402 93965 34095 52666 19174 3%15 99505

24130 48360 22527 97265 76393 64809 15179 24830 49340 32081 30680 19655 63348 58629

-12167 93093 06243 61680 07856 16367 39440 53537 71341 57004 00849 74917 97758 16379

37570 39975 81837 16656 06121 91782 60468 81305 49684 60672 14110 06927 01263 54613

77921 06907 06907 06907 27756 53498 18602 70659 90655 15053 21946 81825 44394 42880

99562 72905 72905 72905 98872 31016 7 1194 18738 440 13 48840 63213 21069 10634 12952

96301 91977 91977 91977 18876 20922 94595 56869 69014 60045 18425 84903 42508 32307

89579 14342 14342 14342 17453 18103 57740 84378 25331 12566 58678 4-1947 05585 56941

85475 36857 36857 36857 53060 59533 38867 63300 08158 17983 16439 11458 18593 64952

28918 69578 88231 33276 70997 79936 56865 05859 90106 31595 01554 85590 91610 78188

63553 40%1 48232 03427 49626 69445 18663 72695 52180 20847 12234 90511 33703 90322

09429 93%9 52636 92737 88974 33488 36320 17617 30015 08272 84115 27156 30613 74952

10365 61129 87529 85689 48237 52267 67689 93394 01511 26358 85104 20285 29975 89868

07119 97336 71048 08178 77233 13916 47564 81056 97735 85977 29372 74461 28551 90707

40719
51085 12765 51821 81259 77452 16308 60756 92144 49442 53900 70960 63990 75601
55157
02.368 21382 52404 60268 89368 19885 55322 44819 01188 65255 64839 44919 05944
64951
01011 54092 33362 94904 31273 04146 18594 29852 71585 85030 51132 01915 92747
5749
52162 53916 46369 58586 23216 14513 83149 98736 23495 64350 94738 17752 35156 3
581o4
07056 97628 33787 09998 42698 06691 76989 13602 51851 4610·1 88916 19509 2562S -

fONlf: Abreviada do Handbook of Tables for Probabilily and S/olislia.lecond Edilion. Cleveland: !he Chemical Rubber Company, 1968. Ediled by
William H. Beyer. Reproduzido com permissco dos edilares, !he Chemical Rubber Company. . a)
(conwut
 09172 30168 90229 0473 1 'i9193 22178 30-121 61666 9990-1 32812
9124 5 IIS828 143·16

S$492 22·121 74103 47070 25306 74468 26384 S81SI 066·16 2152·1 1~227 9690') •1-1592

05597 24200 13263 38005 9-13-12 28728 06912 1~012 (>1161 18196 221151
;12363
87637 8"'308 SIP31 002S6 45831 15398 41135 1036- o-6.'> 1 351AA IH510
27001

2883·1 07351 19731 92420 60952 61280 67658 32586 1!6679 'i0720 9·1953

24878 82651 66566 1-1~80 13300

72295 04839 96423
81S2S
68086 2M32 46901 20849 89768 81536 8(J6·i5 126'i9 92259 >7102 80121! 25280
1!}676 20~91

~7392 3906·1 66432 &1673 ·10027 32832 61362 %007 6-1760 61581 98153
(10742

04213 25669 26422 44407 410·18 37937 6390-1 ·15776 661}1 75·170 (>6520 901!9
05366
26418 64 117 94305 26766 259·10 39972 22109 71'i00 6-i'i68 91402 12116 69618
91921

04711 87917 n341 42206 35126 74087 99547 81817 42607 13808 766S'i 6202H 76630
00582
0072S 691184 62797 561"70 86324 88072 76222 36086 H-1637 93161 76038 6'i855 77919 8B006

69011 65795 95876 55293 18988 27351 26575 08625 •10801 59920 29&41 110150 12777 q8'i01

2S976 57948 29888 8860-1 67917 ·18708 18912 82271 65121 6977·1 33611 85%;1 03517

09763 83473 73577 12908 30883 18317 28290 O'i99H 416H>i 38917 H80'i0

91S67 42595 279;8 301}1 0402·1 86385 29880 99730 55536 29080 092'i0 79656 73211

17955 S6349 90999 49127 2004·1 59931 06115 20542 IR059 0200H ~ros 11;\SP 36103

<16503 18584 18845 49618 02304 51038 20655 58727 28168 15·175 'i6942 'i:\389 20562

92157 89634 78171 &1610 8283·1 09922 2541"' 25555 11116 35509 20-IUH

14577 62n5 35605 81263 39667 473S8 56873 56307 61607 49'iiB 89656 20103 77·190 18061

07523 33362 64270 01638 92m 66969 89420 0·1880 45'iB5 ll!IOl 46H>i0 ·1)-l)<)

63976 88720 82765 34476 17032 8751:19 40836 32·127 70002 70663 77775 693lt!
2a2n 39175 46-173 23219 699~5 66-91
53116 91970 25832 9 1t!l!i 19661 00102
54914 06990 672-15 68350 82948 11398 42878 80287 t!l!2(>7 ·m63 06511 97®9
29515 ·10980 07391 58745 25n4 22987 B0059 .:19911 96 1!19 ·11 151 I 1212 60697 59SH3

52210 8397·1 29992 65831 388'i7 50·190 8376'; 55657 1-1361 31720 562211
67412 33339 31926 J.i883 21-113 597•1 I 923'il 9~173 89286 35931 51900
00358 31662 25388 61642 3-1072 812·19 356·18 'i6!!91 l!W3 817t!l!

6s379 93526 70765 10592 OIS42 76463 5432!1 172-17 28865 11777 92277
10493 20492
38391 91132 21999 S9Sl(> Hl6'i2 16151 21923 8'i6U

(continua)
483
 16108 81899 04153 53381 79401 21438 83035 92350 36693 31238 59649 91754 72772 02338
18629 81953 05520 91962 04739 13092 97662 24822 94730 06496 35090 04822 86774 98289
73115 35101 47498 87637 99016 71060 88824 71013 18735 20286 23153 72924 35165 430-lo
57491 16~03 23167 49323 45021 33132 12544 41035 80780 45393 44812 12515 98931 91202

30405 83946 23792 14422 15059 45799 22716 19792 09983 74353 68668 30429 70735 25499

16631 35006 85900 98275 32388 52390 16815 69298 82732 38480 73817 32523 41%1

96773 20206 42559 78985 05300 22164 24369 54224 35083 19687 11052 91491 60383 19746
38935 64202 14349 82674 66523 44133 00697 35552 35970 19127 63318 29686 03387 59846
31624 76384 17403 53363 44167 64486 64758 75366 76554 31601 12614 33072 60332 92325
78919 19474 23632 27889 47917 02584 37680 2080 I 72152 39339 34806 08930 8500 I 87820

03931 33309 57047 74211 63445 17361 62825 39908 05607 91284 68833 25570 38818 46920

74426 33278 43972 10119 89917 15665 52872 73823 73144 88662 88970 74492 51805 99378

09066 00903 20795 95452 92648 45454 09552 88815 16553 51125 79375 975% 16296 66092
42238 12426 87025 14267 20979 04508 64535 31355 86064 29472 47689 05974 52468 16834

16153 08002 26504 41744 81959 65642 74240 56302 00033 67107 77510 70625 28725 34191

21457 40742 29820 96783 29400 21840 15035 34537 33310 06116 95240 15957 16572 06004
21581 57802 02050 89728 17937 37621 47075 42080 97403 48626 68995 43805 33386 21597

55612 78095 93197 33732 05810 24813 86902 60397 16489 03264 88525 42786 05269 92532

44657 66999 99324 51281 84463 60563 79312 93454 68876 25471 93911 25650 12682 73572

91340 84979 46949 81973 37949 61023 43997 15263 80644 43942 89203 71795 99533 50501

91227 21 199 31935 27022 84067 05462 35216 14486 29891 68607 41867 14951 91696 85065

50001 38140 6632 1 19924 72163 09538 12151 06878 91903 18749 34405 56087 82790 70925

65390 05224 72958 28609 81406 39147 25549 48542 42627 45233 57202 94617 23772 07896

27504 96131 83944 41575 10573 08619 64482 73923 36152 05184 94142 25299 84387 3-i925

37169 94851 39117 89632 00959 16487 65536 49071 39782 17095 02330 74301 00275 48280

11508 70225 51111 38351 19444 66499 71945 05422 13442 78675 84081 66938 93654 5989-i

52924
37449 30362 06694 54690 04052 53115 62757 95348 78662 11163 81651 50245 3-i971

97161 17869 45349 61796 66345 81073 49106 79860

46515 70331 85922 38329 57015 15765

32305 86482 05174 07901 54339 58861 74818 46942

30986 81223 42416 58353 21532 30502

63798 61995 46583 09785 44160 78128 83991 42865 92520 83531 80377 35909 81250

(continaa)
-
54238

484
 84846 99254 67632 43218 50076 21368 64816 51202 88124 41870 52689 51275 83556

32906 92431 09060 64297 51674 64126 62570 26123 05155 59194 52799 28225 85762
21sss
98782 07408 13564 59089 26445 29789 85205 41001 12535 12133 14645
60336
46891 24010 25560 86355 33941 25786 54990 71899 15475 95434 98227 21824 19585
-H937

63175 89303 16275 07100 92063 21942 18611 47348 20203 18534 03862 78095 50136
97656

01121 05418 38982 92237 26759 86367 21216 98444 08303 56613 91511 75928
06299
06486 03574 17668 07785 76020 79924 25651 83325 88428 85076 72811 22717 50585
79626

68335 47539 03129 65651 11977 02510 26113 99447 68645 34327 15152 55230 93448
85613
14367 61337 06177 12143 46609 32989 74014 64708 00533 35398 58408 13261 47908
18039

08362 15656 60627 36478 65648 16764 53412 09013 07832 41574 17639 82163 60859 75567

79556 29068 04142 16268 15387 12856 66227 38358 22478 73373 88732 09443 82558 05250

52608 82674 27072 32534 17075 27698 98204 63863 11951 34648 88022 56148 34925 57031

23982 25835 40055 67006 12293 02753 14827 23235 35071 99704 37543 11601 35503 85171

09915 96306 05908 97901 28395 14196 00921 80703 70426 75647 76310 88717 37890 40129

59037 33300 26695 62247 69927 76123 50842 43834 86654 70959 79725 93872 28117 19233

42488 78077 69882 61657 34136 79180 97526 43092 04098 73571 80799 76536 71255 74239

46764 86273 63003 93017 31204 36692 40202 35275 57306 55543 53203 18098 47625 88684

03237 45430 55417 63282 90816 17345 88298 90183 36600 78406 06216 95787 42579 90730

86591 81482 52667 61582 14972 90053 89534 76036 49199 43716 97548 04379 46370 28672

38534 01715 94964 87288 65680 43772 39560 12918 86537 62738 19636 51132 25739 56947

485
 ER~O ESTIMADO DE AMOSTRAGEM PARA UMA BINOMIAl
(NIVEL DE CONfiANCA DE 95%)

Como usar esta tabela: encontre a intersec;ao entre 0

tamanho da amostra e a distribuic;ao percemual aproximada da
binomial na amostra. 0 numero que aparece na intersec;ao
representa o erro amostral estimado, ao nfvel de 95% de confi-
anc;a, expresso em pontos percentuais (mais ou menos).

Exemplo: Numa amostra de 400 respondentes, 60%

respondem sim e 40% respondem nao. 0 erro amostral e esti-
mado a mais ou menos 4,9 pontos percentuais. 0 intervale de
confianc;a, portanto, esta entre 55,1 o/o e 64,9%. Estimarfamos
(95% de confianc;a) que a proporc;ao da populac;ao total que
diria sim esta em algum Iugar demro do intervale.

486
 Dishubukao Percentuol Binomiol

Jornonho do Amosho 50150 60/40 70/30 80/20 90/10

100 10 9.8 9.2 8 6

200 7.1 6.9 6.5 5.7 4.2

300 5.8 5.7 5.3 4.6 3.5

400 5 4.9 4.6 4 3

500 4.5 4.4 4.1 3.6 2.7

600 4.1 4 3.7 3.3 2.4

700 3.8 3.7 3.5 3 2.3

800 3.5 3.5 3.2 2.8 2.1

900 3.3 3.3 3.1 2.7 2

1.000 3.2 3.1 2.9 2.5 1.9

1.100 3 3 2.8 2.4 1.8

1.200 2.9 2.8 2.6 2.3 1.7

1.300 2.8 2.7 2.5 2.2 1.7

1.400 2.7 2.6 2.4 2.1 1.6

1.500 2.6 2.5 2.4 2.1 1.5

1.600 2.5 2.4 2.3 2 1.5

1.700 2.4 2.4 2.2 1.9 1.5

1.800 2.4 2.3 2.2 1.9 1.4

1.900 2.3 2.2 2.1 1.8 1.4

2.000 2.2 2.2 2 1.8 1.3

487
 OISTRIBUICAO DO QUI-QUAORAOO

Probobilidode
gl .99 .98 .95 .90 .80 .70 .so
1 .03157 .03628 .00393 .0158 .0642 .148 .455
2 .0201 .0404 .103 .211 .446 .713 1.386
3 .115 .185 .352 .58-l 1.005 1.424 2.366
4 .297 .429 .711 1.064 1.649 2.195 3.357
5 .554 .752 1.145 1.610 2.343 3.000 4.351

6 .872 1.134 1.635 2.204 3.070 3.828 5.348

7 1.238 1.564 2.167 2.833 3.822 4.671 6.346
8 1.646 2.032 2.733 3.490 4.594 5.527 7.344
9 2.088 2.532 3.325 4.168 5.380 6.393 8.343
10 2.558 3.059 3.940 4.869 6.178 7.267 9.342

II 3.053 3.609 4.575 5.578 6.989 8.178 10.341

12 3.571 4.178 5.226 6.304 7.807 9.034 11.340
13 4.107 4.765 5.892 7.042 8.634 9.926 12.340
14 4.660 5.368 6.571 7.790 9.467 10.821 13.339
15 5.229 5.985 7.261 8.547 10.307 11.721 14.339

16 5.812 6.614 7.962 9.312 11.152 12.624 15.338

17 6.408 7.255 8.672 10.085 12.002 13.531 16.338
18 7.015 7.906 9.390 10.865 12857 14.440 17.338
19 7.633 8.567 10.117 11.6;1 13.716 15.352 18.338
20 8.260 9.237 10.851 12.443 14.578 16.266 19.337

21 8.897 9.915 11.591 13.240 15.445 17.182 20.337

22 9.542 10.600 12.338 14.041 16.314 18.101 21.337
23 10.196 11.293 13.091 14.848 17.187 19.021 22.337
24 10.856 11.992 13.848 15.659 18.062 19.9~3 23.337
25 11.524 12.697 14.611 16.473 18.940 20.867 24.337

26 12.198 13.409 15.379 17.292 19.820 21.792 25.336

16.151 18.114 20.703 22.719 26.336
27 12.879 14.125
8 23.647 27.336
28 13.565 14.847 16.928 18.935
22.475 22.577 28.336
29 14.256 15.574 17.708 19.768
16.306 18.493 20.599 23.364 25.508 29.33~
30 14.953
Pore voices mois olios de gl. o expressoo ...f'l.X!- Vfgf.l pede ser usodo como urn desvio normal com vonancso
uinlorio,lembrondo que a proboblilidode do x2corresponde iJ unico cauda do curve normol.
fONIE: Agrodeco co fxeculor liler6rio do folecido lir Ronald A. fisher, f.R.I., ofronk Yoles, f.R.~.• eo lo~gmon Groud
lid., london, pelo permissoo poro publicor a lobelo IV do livro Slolislicol Toblel for Biologtcol, Agnculluro/, on
tfledicol Research. (6/h.ed., 1974.)
488
 Probobilidode
Df .30 .20 .10 .05 .02 .01 .001
1.074 1.642 2.706 3.841 5.412 6.635 10.827
2 2.408 3.219 4.605 5.991 7.824 9.210 13.815
3 3.665 4.642 6.251 7.815 9.837 11.341 16.268
4 4.878 5.989 7.779 9.488 11.668 13.277 18.465
5 6.054 7.289 9.236 11.070 13.388 15.086 20.517

6 7.231 8.558 10.645 12.592 15.033 16.812 22.457

7 8.383 9.803 12.017 14.067 16.622 18.475 24.322
8 9.524 11.030 13.362 15.507 18.168 20.090 26.125
9 10.656 12.242 14.684 16.919 19.679 21.666 27.877
10 11.781 13.442 15.987 18.307 21.161 23.209 29.588

11 12.899 14.631 17.275 19.675 22.618 24.725 31.264

12 14.01 1 15.812 18.549 21.026 24.054 26.217 32.909
13 15.119 16.985 19.812 22.362 25.472 27.688 34.528
14 16.222 18.151 21.064 23.685 26.873 29.141 36.123
15 17.332 19.311 22.307 24.996 28.259 30.578 37.697

16 18.841 20.465 23.542 26.296 29.633 32.000 39.252

17 15.51 1 21.615 24.769 27.587 30.995 33.409 40.790
18 20.601 22.760 25.989 28.869 32.346 34.805 42.312
19 21.689 23.900 27.204 30.144 33.687 36.191 43.820
20 22.775 25.038 28.412 31.410 35.020 37.566 45.315

21 23.858 26.171 29.615 32.671 36.343 38.932 46.797

22 24.939 27.301 30.813 33.924 37.659 40.289 48.268
23 26.018 28.429 32.007 35.172 38.968 41.638 49.728
24 27.096 29.553 33.196 36.415 40.270 42.980 51.179
25 28.172 30.675 34.382 37.652 41.566 44.314 52.620

26 29.246 31.795 35.563 38.885 42.856 45.642 54.052

27 30.319 32.912 36.741 40.113 44.140 46.963 55.476
28 31.391 34.027 37.916 41.337 45.419 48.278 56.893
29 32.461 35.139 39.087 42.557 46.693 49.588 58.302
30 35.530 36.250 40.256 43.773 47.692 50.892 59.703

489
 ARfhS NORMhiS Of CURVA

AREAl NORJitAII DE CURVA

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .I 103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1945 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224

0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
07 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621

1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .38 10 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441

1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 . 4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817

2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .1904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952

2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4972 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
.4985 .4986 .4986

-
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990

fONIE: Abreviodo do label a Ido Slalislical Tables and Formulas par A. ~old (New York: John Wiley &Sons, 1952). Usodo com a permissoo de John
Wiley &Sons, Inc.
490
 G L 0 s s R 0

A
omoslro Conjunto de re~1)0nde ntes sclecionados para estudo de forma
a garantir que o que for aprendido sobre os integrantes da amostra
tamb~m e ve rdade para a populafao da qual foram seleciona-
dos. Vcr Capltulos 3 e 5.

omoslro oleol6rio simples Tipo de amostra probabillstica na qual as unida-

des que formam uma populafiio rccebe m numeros; ge ra-se
entao um conjunto de numeros aleat6rios, e as unidades com
estes numeros sao inclufdas na amostra. Apesar de a teoria da
probabilidade e os calculos que ela prov~ suporem este m~todo
basico de amostragem, por motivos praticos ele ~ raramente usado.
Uma alternativa equivalente e a amostra sistematica, com infcio
alea t6rio. Ver Capitulo 5.
omoslro bolo de neve Metodologia de amostragem ll(io-probabi/[st ica
frequentemente usada em pesquisa de campo. Pede-se a cada
participante sugerir outras pessoas para serem entrevistadas. Ver
Capitulo 5.
omoslro de probobilidode de area Forma de amostra por COIIglomerado em
mti/tiplas etapas, na qual areas geograficas, como quarte1roes,
servem como unidade de amostragem na primdra ewpa. Unidades
selecionadas na primeira etapa da amostragem sao entiio llstadas
- todas as residf:ncias em cada quarteiriio selecionada:s sao
anotadas ap6s visita ao quarteiriio - , e estas listas siio
subamostradas. Ver Capitulo 5.
omoslro inlenCiono
· 1Ver amostra por;ulganumto
. ,
e Capuulo .,~
omoslro /!\I PS Metodo de igual proba bilidade de sele\iiO. Desenho de
amostrc1 em que cada membra da populafaO tcm a mt.!sma chance
de ser selecionado na amostra. Ver Capitulo 5.
 omoslro noo-probobilis\ico Amostra selecionada de forma nao sugerida pt:la
teoria da probabilidade. Exemplos incluem amostras por julga-
mento (intencionais), por quota e bola de 11eve. Ver Capitulo s.
omoslro par conglomerados em multiples efopos Amostra em multiplas etapas
em que grupos naturais [clusters) sao inicialmente amostrados,
com os membros de cada grupo selecionado sendo em seguida
sub-amostrados. Exemplo: selecionar num guia escolar uma
amostra de faculdades e universidades, conseguir listas dos alu-
nos em todas as escolas selecionadas e, em seguida, amostrar
alunos de cada uma. Este procedimento e discutido no Capitulo 5.
Ver ainda amostra probabi/istica por c/rea.
omoslra par cola Tipo de amostra 11ao-probabilistica em que unidades
sao selecionadas para a amostra com base em caracterlsticas
prc-espec ifi cadas, de modo que a amostra total tenha a mcsma
distribui\=aO de caracterlsticas que sc supoc cxistir na popula~ao
estudada. Ver Capitulo 5.
amaslra par julgomenlo Tipo de amostra niio-probabilistica em que voce
seleciona as unidades a serem observadas com base no seu proprio
julgamento sobre quais delas serao mais utcis ou representativas.
Tambem chamada amostra illtellcional. Ver Capitulo 5.
omoslra probabilislico Termo generico para amostra selecionada conforme
a teoria da probabilidade, tipicamente com algum mecanismo
de sele~ao aleat6ria. Tipos especfficos de amostras probabillstica
sao amostra probabilistica por area, amostra MIPS, PPT e
amostra sistematica. Ver Capitulo 5.
amoslra sis\emalica Tipo de amostra probabilf.~tica no qual cada unidade k ".
numa lista c selecionada para inclusao em amostra, por exmplo,
cada vigesimo quinto alu no na listada escola. Computa-se o k
d ividindo-se o tamanho da popula~iio pelo tamanho desejado
da amostra, e k e o i11terva/o de amostragem. Dentro de certas
limita\=oes, a amostragem sistematica c o equivalente funcional
da amostragem a/eat6ria simples c norma lmcnte mais facil de
fazer. Tipicamente, a primeira un idade e selecionada aleatoria-
mente. Ver Capitulo 5 e a amostra bola de neve.
amaslrogem de zonas eleilorois selecionodos Tecnica de amostragem niio-
probabi/istica as vezes usada em pesquisas ck opiniao polftica.
Baseada em padroes eleitorais passados, a pesquisa estabdecc
urn conjunto de zonas eleitorais que, no todo, parecem rcpre-
sentativas dos eleitores em toda a jurisdi(ao estudada. 0 risco c
que as zonas amostradas e/ou toda a jurisdi\=ao podem ter
mudado o bastante para que a amostra ja nao seja represenwtiva
do wdo. Ver Capitulo 5.
omo slragem par conglomerodo Ver a most ragem por cong/omerado em
nl!lltiplas etapas.
92
amos\ros poralelos Tecnica de desenho de pesquisa em que amostras de
popula\=oes relacionadas sao selecionadas para analise contextual.
Por exemplo, podcriamos selecionar para estudo uma amostra
de estudantes e tambem seus professores. Ver Capitulo 4.
compost~ dos valores mais_ alto e rna is
amplitude Medida de dispersiio
baixo de uma variavel num conJunto de observa\=oes. Na sua
turma, por exemplo, a amplitude c taria pode ser de 17 a 37. Ver
Capitulo 16.
analise bivariado Analise simultanea de duas variaveis para determinar a
rela~ao emplrica entre elas. A montagem de uma tabela percentual
s imples e a computa\=ao de um coeficiente de correla\=1iO
simples sao exemplos de analises bivariadas. Ver Capitulo 14.
analise de conleudo Mctodo de pesqu isa bascado na codifica\=ao de comu-
nica\=oes registradas, como livros, jornais, d iscursos, comerciais
de TV etc. Vcr Capltulos 2 e 5.
analise de regressoo Metodo de analise de dados em que as rela\=oes
e ntre variaveis sao representadas na fo rma de uma equacao,
chamada equa~iio de 1·egressao. Ver Capitulo 17.
analise de \raje\6rio Forma de analise multivariada na qual as re/afoes
causais entre variaveis sao a presentadas em fo rmato grafico.
Ve r Ca pitu lo 17.
analise de varioncia forma de analise de dados na qual a variancia de
uma variavel dependente e examinada para toda a amostra e
para subgrupos separados criados com base em alguma(s)
variavel( is) independente(s). Ver Capitulo 17.
analise discriminon\e Tccnica analftica que adapta a 16gica da analise de
regressiio para variaveis de nlvel nominal. Ver Capitu lo 17.
analise fo\orial Metodo algebrico complexo para determinar as dimen-
soes ou fato res gera is cxistentes num conjunto de observa\=oes
concretas. Ver Capitulo 17.
analise mullivariada Ana lise de rela\=oes simultaneas entre diversas
variaveis. Examinar simultaneamente os efeitos de idade, sexo
e classe social sobre religiosidade seria urn exemplo de analise
multivariada. Ver Capltulos 4, 15 e 17.
analise quanlilaliva Representa\=aO e manipu la\=aO numerica de obser-
va\=oes para descrever e explicar os fenomenos que tais observa\=oes
refletem. Ver Capitulo 3.
analise secundaria Forma de pesquisa na qual os dados coletados e pro-
cessados por urn pesquisador sao reanalisados por outro - muitas
vezes para uma finalidade diferente. Jsto e espccialmentc apropriado
nos casos de dados de sur·vey. Arquivos de dados sao reposit6rios
ou bibliotecas para armazenamento e d istribuicao de dados para
analise secundaria. Ver Capitulo 3.
 analise univoriodo Analise de uma s6 variiive/
. . . -
r· d
para ms escritivo conglomerado !clusted Agrupamento natural de unidades, usado em
DlSII"IbiiJfOCS defreqiiellcia, medias, e medidas de dispersa __s. amostragem por conglomerado em multiplas etapas. Exemplos:
exemplos de 'na a ·1·ISe UnJvariada
· 0 sao
diferente de analises b. nas Faculdades ha conglomerados de alunos; em quarteiroes ha
1· ' ' IVariad
e mu /war/ada. Ver Capitulo 14 e analise multivariada. a conglomerados de residencias. Ver Capitulo 5.
onanimota Descrevc um survey no qual a identidade d correlacoo Termo ambiguo usado para indicar o co-relacionamento ou
7 , , • o respondente
nao pode ser determmacla por ninguem nem mesmo p I d. correspondencia entre variciveis; quando os valores de uma
cl ( • e o •retor
.,.o Stllvey. Nota:. surveys por entrevista raramente sao
.- anon
• .
111105
variavel mudam, os valores da outra mudam padronizadamente.
J: que. o entrev•staclor normalmente conhece a idenridacle d~ Fala-se de co rrel a~ao positiva quando os valores das duas varia-
entrev•stado.) Ver Capitulo 19 e confidencial. veis aumentam ou diminuem juntos e de correla~ao negativa
quando os valores de uma variavel aumentam enquanto os da
ahibutos Caracterfsticas de pessoas ou coisas. Ver variciveis e Capitulo 7.
outra diminuem. 0 termo e tambem usado com s ignificado mais

c espedfico para se referir a correla~ao produto-momento r de

Pearson. Ver Capitu los 1 e 16.
cargo fatorial Em analise fatorial, mediclas cia correlafiiO entre um item correlocoo produto-momento Ver con·elafao e Capitulo 16.
e um dos fatores calculados. Ver Capitulo 17.
censo Enumeras;ao das caracteristicas de uma po"ti/arao Fr , ..
'1-' ,.. • equen- 0
te,mente, censo se assemeJha a survey, a cliferens;a sendo que
0 dedu,ao Modelo l6gico no qual expectativas especificas ou hip6teses
~enso coleta '.!ados c~e toclos os integrantes cia populas;ao,
sao desenvolvidas com base em princfpios gerais. Partindo do
enquanto o St11vey se l11111ta a uma amostra. Ver Capitulos 3 e .
5 princfpio de que todos OS reitores sao duroes, voce pode antccipar
codifica,ao Processo atraves do qual dados brutos sao transformaclos que este reitor nao o dcixara mudar de curso. Esta antecipas;ao
em forma paclronizacla adequacla para processamcnto e analise resulta de dedus;ao. Ver indufCtO e Capitulo 1.
em computador. Ver Capitulo 11.
defini,ao aperacional Defini~ao concreta e especffica de algo em termos
coeficiente de reproducibilidade Medida da extens710 pela qLI 1 das operas;oes at raves das quais observa~oes devem ser
d. . . , _ ' a um cscore
e escala pe11n1te a reconstru s;ao exata dos dados especificos categorizadas. A definis;ao operacional de "tirar nota A neste
que entraram na montagem da escaJa. Ver Capitulo 8. curso" poderia ser "responder corretamentc pelo menos 90% das
coeficiente de hajd6ria Medida da associas;ao entre duas variaveis numa questoes no exame fina l". Ver Capitulo 7.
analise de trajet6ria. Ver Capitulo 17. desconfirmabilidade Possibilidade de espccificar condis;oes sob as quais
conceito Ideia
.
ou imagcm me t· 1 1 ·
n a usac a para resum1r e representar um uma hip6tese e considerada falsa. A menos que uma hip6tese
conJun to de objetos, experiencias ou pensamentos. Por exem- seja desconfirmavel, nao pode ser genuinamente testada. Ver
pl~, o conceito "cadeira" reprcsenta um conjunto varia do de Capitulo 1.
obJetos. Conceitos tipicos das ciencias sociais sao "classe alta" e dimensoo Aspecto de uma variavel; por excmplo, podemos falar cia
"alienado". Vcr Capitulo 1.
"dimensao da crens;a" da variavel religiosidade ou da "dimensao
conceitua,ao Processo me11taJ - · d o qua 1 nO\'Oes
' atra ves - vagas e imprec1sas
· de politica externa" da variavel orienta~ao politica. Ver Capitulo
(cOI:cei/os) se tornam mais especificas e precisas. Imagine que 7.
v~ce. quer. estudar preconceito. 0 que qucr dizcr preconceito? discogem digital aleatoric Um aspecto do
ETAC. Computadores podem
!Ia tlpos d1ferentes de preconceito? Quais sao' Ver Capitulo 7. ser usados para gerar aleatoriamente conjuntos de numeros
confiobilidade Qualiclacl
' e· d e mctoc
- 1os- c.1e mechda
·
que sugere que os com sete algarismos, constituindo a amostra do survey, em
mesmos dados ' te 1··1am s1c.
·· 1o co 1eta d os cad a vez em repet1t
· 1as vez de selecionar names e numeros de assinantes telefonicos.
observa(;ocs do mcsmo fcnomeno. No contexto de um survey, Ver CapituJos 5 e 10.
esperamos que a pergunta "Voce foi a igreja na semana passada?" dispersao Distribuis;ao de valores em torno de algum valor central, como
teria' m'lis
' conf'ab'l'
'' ' 1cIa c.1e que a pergunta "Quantas vezes na vid a uma media. A amplitude e um exemplo simples de mcdida de
voce ja foi a igreja?" Nao confundir com l'a/idade. Ver Capitulo 7. dispersao. Poderiamos afirmar que a media de idade num grupo
e de 37,9 anos e que a amplitude varia de 12 a 89 anos. Ver
Capitulo 14.
didribuiciio omoslrol Ja que as caracterlsticas de uma amostra :;e aproxi-
mariio (mas nao pcrfeitamente) das caracterlsticas da popufa):iio
da qual cia foi sclecionada, isto se rcfere as aproxima~oes que
se produziriam se fosse selecionado urn grande numero de amos-
tras, cada uma dando uma estimativa desta caracterlstica para
wda a popula~ao. Yer Capitulo 5.
dishibui,ao de frequencia Descri~ao do numero de vczes que os varios
atributos de uma variavel sao observados numa amostra. Rela-
tar que 53% de uma amostra sao homens e 47% mulheres c urn
exemplo de distribui~ao de freqtiencia. Outro exemplo e infor-
mar que 15 das cidades estudadas tinham popula~oes abaixo de
10.000, 23, popu l a~oes entre 10.000 e 25.000, e assim por cliante.
Yer Capitulo 14.
elemento Em amostragem, os elementos sao as unidades que com-
poem a popu la~ao, como ind ivfduos ou e leitores. Yer Capitulo s.
enhevisto Encontro para coleta de dados, no qual uma pessoa (urn
entrevistador) faz perguntas a ourra (urn respondente). Entrevistas
podem ser feitas pessoalmente ou por telefonc. Ver Capitulo 10.
enhevistas por telefane assistidas por camputador (HAC) Adapta~ao de computa-
dores para estruturar e facilitar entrcvistas por tele fone, incluindo
sele~;lo de amostras, apresen ta~ao de queslionarios, registros e
analise de dados. Yer Capitulo 10.
equacoo de regressao Equ a~ao gerada para explica r e predizcr os valores
de uma variavel independence com base nos valo res de uma o u
mais variaveis dependentes. Se Y for sempre o dobro de X, a
equa~ao de regressao seria Y = 2X. A maioria das equa~oes de
regressao e urn pouco mais complexa. Ver Capitu lo 17.
erro noo·amoshal Imperfei~oes de qualidade dos dados, resultantes de
ou tros fatores que nao e rros de a most ragcm. Excrnplos: rna
compreensao das questoes pelos respondentes, registros err6neos
por entrevistadores e codificadores, erros de digita~ao etc. Ver Capi-
tulo 16.
erro padrao Desvio padrao de uma dist ribuifao de amostragem. Yer
Capitulo 5.
malo Tipo d e medida composta compreendendo diversos itens tendo
uma estrutura l6gica ou emplrica entre si. Exemplos de escalas:
distancia social de Bogardus, Cullman, Likert e Thursto11e. Dife-
rente de lndice. Yer Capitulo 8.
malo de dishincio social de Bogardus Tccnica de mccli~ao para determinar a
disposi~ao das pessoas em participarem de rela~oes sociais -
em varios graus de intimidade - com outros tipos de pessoas. E
uma tecnica particularmente eficiente na medida em que diver-
sas respostas discretas podem ser resumidas ::.em perda de nenhum
detalhe o riginal dos dados. Esta tecnica c descrita no Capitulo 8.
de Guttman Tipo de medida composta usada para resumir varias
esca Iaobserva~oes discretas e representar uma varzave
· - 1 ma1s • 1. ver
· gcra
capitulo 8.
Ia de Thurstone Tipo de medida composta construlda de acordo com
esco pesos atribuldos por "juizes" a diversos indicadores de algumas
variaveis. Ver Capitulo 8.
'k rt Tipo de medida composta desenvolvida por Rensis Likert
escaIa l I e · · 1
para melhorar' os niveis d e mecli~ao em pesqu1sa soc1al
. pe_ .o uso
de categorias padronizadas de respostas em quest10nanos de
surver•v !tens Likert sao os que usam categorias de resposta
como "concordo fortemente", "concordo", "discordo" e "discordo
forteme nte". Tais it ens pod em ser usados na montagem de
genuinas escalas Likert ou na constru~ao de outros tipos de
medidas compostas. Ver Capltulos 7 e 8.
esgatamenta de paine! Quando, em survey de paine!, a lguns respoudentes
nao partic ipam de todas as etapas do estudo. Yer Capitulo 4.
especificacaa (modele de eloboratao) Em geral, processo atraves do qual
conceltos se tornam mais espedficos. Termo tecnico usado em
conexao com o modelo de elaborafCiO, representando o rcsultado
cia elabora~ao no qual uma rela~ao inicialmente obse rvada e ntre
duas variaveis e replicada entre alguns subgrupos criados pela
varlavel d e controle e nao entre outros. Nesta situa~ao, terao sido
especificadas as condi~oes sob as quais a rela~ao original existe,
por exemplo, entre homens mas nao entre mulheres. Yer Capitulo 15.
especificatoes (conslrucao do queslionorio) Conjunto de instru~oes detalhadas
sobre o tratamento adequado de situa~oes ambiguas ou com-
plexas em surveys. Sempre que o entrevistador nao sabe como
lidar com dete rminada situa~ao ou resposta, a solu~ao deve ser
encontrada nas cspecifica~oes. Ver Capitulo 10.
estalislica Apesar d e este termo ser usado como referenda geral a dados
numericos, e le tem um signifi cado mais espedfico em rela~ao a
amostragem de survey uma descri~ao numerica de uma amostra,
como "45% de homens". Corresponde a um parametro, que e
uma descri~ao numerica de toda uma populafiiO. Em amostragens,
estatisticas de amostras sao calcul adas como estimativas de
parametros cia popula~ao. Ver Capitulo 5.
estatistico descriliva Computa~oes estatisticas descrevendo as caracterfs-
ticas de uma amostra ou a relar.;ao entre variaveis numa amostra.
Estatlstica descritiva apenas resume urn conjunto de observa~6~s
amostrais e nquanto estatfstica inferencial vai alem da descn~ao
' _ espec1-r·1cas para .111 fen·r s·obre a ponufarao
d e o b serva~oes r ..
maior
da qual foram re tiradas as observa~oes amostrais. Yer Capitulo 16.
estalislico inferencial Corpo de computa~oes estatisticas relevantes a feitura
d e infercncias baseadas em observa~6es amostrais de uma
popula):ao maior. Ver tambcm estarfsttca descrttiva e Capitulo !6.
 e11fmulo Em experimento, evento cujo impacto esta sendo testado. Em
pesquisa medica, pode ser uma nova droga. Em criminologia,
urn programa de aconselhamento. 0 estimulo experimental
corrcsponde a variavel iudepende11te da an{llise de survey. Ver
Capitulo 2.
esfratificacaa Agrupamento de unidades que formam uma popula~ao
em grupos homogeneos (ou estratos) antes da amostragem. Este
procedimento, que pode ser usado juntamente com amostragens
aleat6ria simples, sistematica ou por conglomerado, melhora a
representatividade da amostra, pelo menos em termos das
variaveis de estratifica<;ao. Ver Capitulo 5.
edrala Agrupamento relativamente homogeneo de llllidades de
amostragem da qual amostras sao selecionadas. Exemplo:
amostrando estudantes, podemos amostrar separadamente ca-
louros, 2° ano etc. Cada urn dos anos seria urn estrato. Todos
sao relativamente homogcneos no sentido de compartilharem a
mesma condi<;ao escolar e serem mais ou menos semelhantes
em termos das caracteristicas relacionadas a ano, como idade.
Amostragem estratificada exige amostragem dentro dos estratos
para obter maior representativiclade na amostra como urn todo.
Ver Capitulo 5.
edudo canlexlual Survey no qual se coletam dados para descrever as
condi<;oes nas quais os respollclentes funcionam . Pode-se fazer
um survey com cstudantes e tambem colher dados sabre suas
escolas. Ver Capitulo 4.
esfudo de coorle Estudo no qual um grupo especifico e estudado ao
Iongo do tempo, embora se possa coletar dados de membros
d iferentes do grupo em cada conjunto de observa<;oes. Exemplo:
um estudo da hist6ria ocupacional da classe de 1970, com
questionarios enviados a cada cinco anos. Ver Capitulo 4.
e1ludo de paineI Tipo de estuclo longitudinal no qual dados sao coletados
da mesma amostra (o paine!) em diversos pontos do tempo. Ver
Capftulos 3 e 4.
esfudo de lendencio1 Tipo de estudo lo11gitudinal no qual uma caracteris-
tica de uma populafiiO e monitorada por algum tempo. Exemplo:
as series de pesquisas da Gallup mostrando as prefercncias do
eleitorado politico durante uma campanha, embora amostras
diferentes sejam entrevistadas em cada momenta. Ver Capitulo 4 ·
e1luda explicaliva Estudo projetado para revelar relafoes causais entre
variaveis. Ver Capitulo 4.
su rvey lo1lgitudula 1·
esfuda inler·leccianal Estudo baseado em observa<;oes que represe~w
urn s6 ponto temporal, ao contrario de um
Ver Capitulo 4.
e1ludo pilalo Estudo com pleto miniaturizado, para testar todos
aspectos do descnho do estudo. Ver Capitulo 12.
8
e11udo IOciamelrico Exame de redes de rela<;oes, tais como amizades,
tomada de decisoes etc. Ver Capitulo 4.
f!A( Vide a baixo entrevistas por telefone assislidas por computador.
experimenla Metoda de pesquisa com manipula<;ao controlada da
variavel i11dependente (o estfmulo) para determinar seu impacto
na variavel dependente. Normalmente compreende o uso de um
grupo de con/role e pre e p6s-teste. Ver Capitulo 1.
explicacao Resultado de um modelo de elabora<;rao em que a rela<;ao
entre duas variaveis e "explicada" pelo controle de uma variavel
antecedente. Neste caso, dizemos que a rela<;ao original era
"espuria" e nao genuina. Ver Capitulo 15.
f
folocio ecalogico Conclusoes erroneas sabre individuos baseadas so-
mente em observa~ao de grupos. Ver Capitulo 2.
G
gamma Medida de associa~ao apropriada a variaveis ordinais. Ver
Capitulo 16.
grau1 de liberdade Uma quantidade requerida para avaliar a significa~fto
de uma rela<;ao estatistica. Num conjunto de valores, e o n(amero
de valores que precisamos conhecer para calcular o restante.
Sabendo que duas pessoas juntas tern dez reais, ao saber quanta
uma tern, sabemos automaticamente quanta a outra tem. Neste
caso, dizemos que ha um grau de liberdade, porque s6 urn valor
pode variar. Se ncste exemplo houvesse tres pessoas, terfamos
dois graus de liberdade. Ver Capitulo 16.
grupa de canlrale Em experimenta<;ao, urn grupo de participantes a que
nenhum estimulo experimental e dado e que, exceto por isto, se
assemelha ao grupo experimental em todos os demais aspectos.
A compara<;ao do grupo de controle com o grupo experimental
no final do experimento mostra o efeito do estimulo experimental.
Ver Capitulo 2.
grupo experimental Num experime111o, os sujeitos que nao recebem trata-
mento, servindo de compara<;ao para os sujeitos experimentais.
Ver Capitulo 2.
grupol lacoi1 Pequenos grupos reunidos para discussoes orientadas de
um determinado assunto, como urn novo produto de consumo,
01
um tema politico etc. Podem fornecer um exame profunda de
atitudes e prefercncias, mas em geral nao tcm uma
representatividade rigorosa. Ver Capitulo 5.
05
 H verdadeiro percentual da popular;ao. E necessano cspecificar
hip6lese .Expectativa
_ sobre a natureza das coisas dcrivada de urn teona
. anr;a. Ver Capitulos 5 e 16.
Afm~1a~ao de que algo clcve ser observado no mundo real se ~
teona for correta. Ver dedu(:iio e Capitulo 1.
hip6lese nula Em conexiio com teste de bip6tese e com testes de sigmifiica -
- · - • -
esIa_t ~stz~a, e a 111potese que sugere niio haver rela~iio entre as
varzc~vets estudada_s. Pode-se concluir que duas variaveis estiio
rela~1onadas depo1s cia rejci\iiO estaristica cia hip6tese nula. Vcr
Cap1tulo 16.
hamogeneidade Qualidade de semclhan~a. Urn grupo de pessoas
homogeneo na mcdida em que clas sao scmelhantcs entre si.
Ver Capitulo 5.
indice Tipo de medida composta que resume varias observa(oes
especfficas e reprcsenta alguma dirnensao rnais geral. Contrastada
com escala. Vcr Capitulo 8.
indutoo Modelo l6gico em que princfpios gerais sao desenvolvidos a
partir de observa~oes especfficas. Constatando que judeus e
cat6licos votam mais provavelmente no Partido Democrata do
que protestantes, pode-se concluir que minorias religiosas nos
EUA sc filiam mais ao Partido Democrata e explicar por qu&. lsto
seria urn exemplo de indur;ao. Ver tambem dedu(:iio e Capitulo 1.
inlercambiabilidade de indices Termo cunhado por Paul Lazarsfeld referido
a proposi~ao 16gica de que se alguma variave/ geral se relaciona
com outra variavel, todos os indicadores cia variavel devem ter
aquela relar;ao. Ver Capitulo 13.
inlerprelatoo Termo tccnico usado em conexao com o mode/a dee/abo-
ra(:iio. Representa o resultaclo cle pesquisa em que se clescobre
que uma variave/ de contro/e e o fator mecliador au·aves do qual
uma varitive/ independente produz seu efeito sobre a varitivel
dependente. Ver Capitulo 15.
inlersubjelivo Caracterizado por acorclo entre observadores. Quando afir-
mamos que algo c "objetivamcnte" verdadeiro, usualmente quere-
mos dizer que observadores diferentes concordam que e verdade.
Ver Capitulo 1.
inlervalo de amoslrogem Distancia padriio entre elementos selecionados de
uma popula(:iio numa amostra sistematica. Vcr Capitulo 5.
inlervalo de confianta Faixa de valores dentro cia qual se estima que um
pariimetro de popular;iio va cair. Um survey, por exemplo, pode
mostrar que 40% de uma amostra sao a favor do candidato A.
Embora a melhor estimativa de apoio entre todos os elcitores
tambem seja de 40%, nao se deve esperar que ele seja exatamcnte
este. Podemos, pois, computar um intervale de confian~a (por
exemplo de 35% a 45%), dentro do qual estii provavelmente o
um nfvel de confianr;a juntamente com cada mtervalo de confi-
l
(:ao lambda Medida de associa~ao apropriada a variiiveb nominais. Ver
Capitulo 16.
lei Em teoria, uma generalizar;ao universal sobrc um conjunto de
fatos, por vezes tambem chamado de princfpio. Um exemplo c a
e lei da gravidade. Ver Capitulo 1.
. h de regressoo Representa~ao grafica de uma equa(:iio de regresscio.
Im a h .
Linha tra~ada atraves de um conjunto de pontos que c ega ma1s
pe rto deles (medida como a distfmcia entre_ os pontos e a ~~~ha:.
fornecendo uma clescri~ao grafica cia relar;ao entre as varrave~s.
Ver Capitulo 17.
Livro-c6digo Documento usado em processamenro e analise de clados
que indica a localiza~ao de varitiveis cliferentes num arquivo d~
dados e o significado <.los c6digos usaclos para representar clln-
butos d iferentes destas variave is. Vcr Capitulo 11.
logica Sistema de feitura de inferencia. As r~gras atraves d~s quais
poclem-se derivar bip6teses ou conclusoes de urn con1unto de
observa~oes ou suposir;oes iniciais. Embora alguns sistemas de
16gica sejam rigorosamente explicitados na filosofia, todos n6s
operamos dentro de sistemas 16gicos implfcitos (ver, por exemplo,
raciona[). Ver Capitulo 1.
M
malriz de correlatoo Formato tabular para aprcsenta~~to de correlar;oes
bivariaclas dentre diversas varitiveis. A lista de variaveis c apre-
sentada horizontalmente no topo da tabela e para baixo do !ado.
Qualquer celula da tabela contcm a correla~ao entre as duas
variaveis cuja interse~ao define aquela celula. Ver Capitulo 16.
media Medida computada somanclo OS valores de diversas observa-
~oes e d ividindo pelo numero de observa~oes. Ver Capitulo 14.
media Tcrmo ambiguo, normalmente sugerindo tipico ou normal. Exem-
plos especfficos de medias sao a media arilmetica, a moda e a
mediana. Ver Capitulo 14.
mediono Medida representando o valor do caso "no meio" de um con-
junto orclenado de observa~oes. Se as idades de cinco homens
sao 16, 17, 20, 54 e 88 a mediana seria 20. (A media scria 39.)
Ver Capitulo 14.
meditao Processo fundamen tal de pesquisa, no qual unidades de aHa-
lise sao identificadas com atributos especificos nas variaveis estu-
dadas. Por exemplo, o proct!sso de decidir que alguns eleitores
sao liberais, outros conservadores etc. Ver Capitulo 2.
 medida de. infervala_ Nlvel de medic;ao que desc.1evc uma vanave/
._
cu -05 co
nivel de significacoo No contexte de testes de stgnificafilO estatistica,
atJibutos sao ordenados com distancia ·g . I . 1 grau de probabilidade de que uma rela~ao cmpfrica, observada,
• I ua entre atnburos adJ·a
centes. Exemplo·· a cscah' Fa 1lren hCit· d e temperatura · • - possa ser atribulda a erro de amostragem. Uma relac;ao e signifi-
. - ·
d JstancJa ' '• Ja que a cati va no nlvel 0,05 se sua probabilidade de ser apenas funt;ao
entre 17o e 18o <! a me~Ina qu 89
~ ' e entre o e 90• ~ de erro de amostragem nao for maior que 5 em 100. Ver Capitulo 16.
medic/a nominal, medic/a ordinal e medic/a de raziio C • .I cr
. c apnu 0 7.
medlda de rozoo Nlvel de mcdic;iio descrevend . .-
.·
·d. . , . ,
o um,t vanave/ cujos
all lbutos possuem todas as qualid·tdes das me<.l'd . .
I as nomlnats
0
01 mats e 1/llerva/o, al<!m de ::oe basearcm num "ge . ' objetividode Nao existe. Ver intersubjetividade e o Capitulo 1.
, . .. . . numo ponto
ZCIO . Idade sen a um exemplo. Ver Capitulo 7.
observocoo porficiponfe Tecnica de pesquisa na qual pesquisadores parti-
medido nominal Nlvel de medic;iio descrevendo uma variavel CUJ'os I .. cipa m diretamente dos evenros estudados, seja revelando, seja
buto - d ~ a 11- escondendo sua identidade de pesqu isadores. Ver Capitulo 2.
. s sao apenas i erentes, em contraste com medidas ordinals
llllerva/o ou de raziio. Sexo e um exemplo de mcdida nomi ,· operocionolizacoo Um passo alem da conceituac;ao. Operacionalizac;ao
Ver Capitulo 7. na · eo processo de desenvolver definifoes operacionais. Ver Capi-
tulos 1 e 7.
medida ordinal Nlvel de mcdida que descreve uma varlc/vel cujos atri-
butos podem ser ordenados ao Iongo de alguma dimensiio. Um
exemplo seria status socioecon6mico composto dos atr'b p
•tit 'd· b . I utos
• o, _me IO e ~1xo. Ver medic/a nominal, medic/a de interva/o c poradigmo Modelo o u quadro de referenda para observac;ao e enten-
medic/a de razao, e o Capitul o 7. dimento. Nas ciencias sociais, tres paradigmas importantes sao
modo Medida representando o valor ou atributo mais frequcntemente funci o nalismo, inte racionismo e teoria do conOito. Ver Capitulo 1.
observado. Se uma amostra rem 1. 000 protestantes, 275 cat61i- porometro Caracterfstica de uma populafao. Ver Capitulo 5 e estatistica.
cos e 33 judeus, protestante e a categoria modal. Ver Capitulo 14. pergunlo contingenle Questao feita apenas a alg uns respondentes, deter-
modelo de elaborocoa Metodo 16gico para e ntender re lac;oes causais en tre minada pelas respostas deles a outra pergunta. Por exemplo,
varidveis· A relac;ao entre d u as· vanave
.. Js
· c- ex a min ada entre todos os respondentes podem ser indagados se pertencem ft Cosa
Nostra e s6 os que respondercm sim scriam indagados com que
subconjuntos criados por uma varlcive/ de controle. Ver Capl-
tulos 3 e 15. frequen cia vao a reunioes e piqueniques da companhia. Esta
ultima seria uma perguma contingente. Ver Capitulo 7.
modelos lag·lineores Forma d e an;llise de dados que usa calcul os pergunfos oberfos Itens de questionario que pedem aos rcspondentes dar
logarftmicos para
• s·n1 1p IT
1 1car a ana·1·1se de complexas tabulac;oes as pr6prias respostas em suas pr6prias palavras. Ver Capltulos 3
cruzadas multivariadas. Ver Capitu lo 17. e 7, bem como perguntasfechadas.
moldura de amodrogem Lista, ou quase lista, de unidades que compoem pergunfos fechodos Itens de questioniirto ondc o respondente cscolhe
uma populafiio da qual a amostra e sclecio nada . Para que a e ntre respostas padronizadas. Exemplo: Qual c o seu sexo? I ]
amostra seja representativa da populac;ao e essencial que a moldura Masculine [ J feminine. Ver Capitulo 7.
da amostragem inclua todos ou quase todos os membros da periodicidode Padrao cfclico numa lista de unidades de amostragem, tais
populac;iio. Ver Capitu lo 5. como o mesmo numero de apartamemos em cada andar, o mesmo
mufuamenfe excludenfe Qua lidade de:;ejada num conjunto de respostas numero de casas em cada quarteirao etc. Sc o periodo dclico
~~-e a.compan~a uma questiio fechada - que apenas uma corresponder ao intervafo de amostragem numa amostra sistema! ica,
Iesposta se apl1que a cada msponclente. Ver Capitu lo 1. pode-se selecio nar uma amostra nilo-representativa, como sele-
cionar apenas apartamcntos perto do tune! de lixo ou somente
N casas na esquina. Ver Capitulo 5.

nivel de confianco A p ro b a b'l'd ponderotoa Proccdimento usado em conexao com amostragem, atraves
1 1 a(1e esumada
· de que um para metro de
do qual as unidades selecionadas com probabihdades desiguais
populac;ao caia demro de um determinado lnterva/o de confianfa.
Po~em?s ter, _assim, 95% de confian~a de que entre 35% e 45% recebem pesos, de forma a tornar representativa a amostra sele-
dos eleaores sao a favor do candidate A. Ver Capltulos 5 e 16. cionada. Ver Capitulo 5.
 populocoo Especifica~ao do zmiverso a scr amostrado. Por exemplo,
podemos especificar o universe "americanos" como "todos os
adultos america nos morando em rcsidencias a partir de 1' de
julho de 1990". Ver Capitulo 5.
populacoo do survey Lista ou quase lista especffica de elementos dos quais
se seleciona uma amostra de survey. Exemplo: nossa popula~ao
pode ser "eleitores em Chicago em 1990", mas nossa popula~ao
do survey (dos ultimos se seleciona de fa to a amostra) pode ser
"eleitores em Chicago que constam da lista de eleitores registrados
em 15 de julho de 1990". Em ultima analise, as amostras que
selecionamos sao representativas das popula\=oes do survey das
quais as amostras sao tiradas. Ver Capitulo 5.
p6s-leste Em experimentos, med idas da variavel dependente depois da
admin istra~ao do est(mulo ao grupo experimental. Ver Capitulo 2.
pni-leste (experimenlos) Em experimentos, medidas cia variavel dependell!e
antes da administra~ao do estimulo ao grupo experimental. Ver
Capitulo 2.
pre·lesle (pesquisa de survey) Teste de elementos de um desenho de pes-
quisa, como itens de questionario, tecnicas de amostragem etc.
Ver Capitulo 12.
probabilidade proporcional ao lamanha (PPT) Tipo de amostra por conglo-
me rados em multip las etapas nas qua is conglomerados nao
sao selecionados com probabilidades iguais (ver amostras
MIPS), mas com probabilidades proporcionais a seus tamanhos,
medidas pelo numero de unidades a serem sub-amostradas. Ver
Capitulo 5.
probabilislico Seguir as leis da probabilidade ao fo rmawr um padrao
descritivo ou associa~ao entre variaveis. Por exemplo,
amostragem probabilistica gera amostras que dao estimatJvas
pr6ximas - mas nao perfeitas - das caracteristicas da poptdafdO
da qual foram selecionadas. Podemos tambem observar que
c rianps de famfli as desfeitas "mais p rovavelmente" serao
delinquentes do que outras, apesar de esta nao ser uma rela~ao
perfeita. Ver Capitulo 1.
propasicoo Conclusao tirada logicamente de um conjunto de suposi-
~oes iniciais (axiomas) n um sistema te6rico. Ver Capitulo 1.
Q relacoo causal Rela~ao entre duas variaveis na qual uma causa a outra.
quanfificacoo Conversao de dados para formate quantitative ou nume-
rico atraves de codificafdo. Ver Capitulos 3 e 11.
queslion6rio Documento com perguntas e outros tipos de itens
que v isam obter informa~oes para analise. Questionarios
sao principalmente usados em pesqutsas de survey e tambem
em experimentos, pesquisas de campo e outros modos de
observa~ao. Ver Capitulos 3 e 9.
quesloes malriciais Formato de questiotttirio no qua l uma tabela de
itens e mostrada aos 1·espondentes, cada um sendo respondido
segu ndo um conjunto padronizado de respostas, tais como
"concordo fortemente", "concordo" etc. Ver Capitulo 7.
qui·quadrado Teste de sigrtificafdo estat fstica apropriado para variaveis
nominais c ordinals. Ver Capitu lo 16.
R
racional Razoavel; que faz sentido. Racionalidade e um paradigma
dentro do qual a ciencia opera e que e implfcito em gra nde
parte da vida quotid iana. E importante compreender que a vida
nao e racional, mas que racionalidade e uma moldura que im-
pomos as nossas experiencias e observa~oes num esfor~o para
lida r eficazme nte com a vida. Ver Capitulo 1.
rozoo amoslral Propor~ao de elementos na popula~ao sclecionados para
a amostra. Ver Capitulo 5.
reducao proporcional de erro (RPf) Metodo 16gico para conceituar associa-
~oes e ntre variaveis. Por exemplo, se tivermos de aclivinhar a
filia ~ao polftico-partidaria de uma amostra de pessoas, comete-
remos muitos erros. Mas cometeremos menos e rros se soubermos
a filia~ao dos seus pais e apostarmos que e a mesma. A redu~ao
de erros, enquanto percentual, e o RPE. Ver Capitulo 16.
regressoo curvilfneo Forma de analise de regressao que estuda rela~oes
nao-linea res e ntre variaveis. Ver Capitulo 17.
regressoo linear Modelo de regressao que testa se a rela\=ao entre
duas varidveis pode ser representada por uma linha reta.
Ve r Capitu lo 17.
regressoo mulfipla Modelo de regressao no qual uma equ a~ao e desen-
volvida para estimar valores de uma variavel dependente atraves
do conhecimento de va lores de diversas variaveis independentes.
Ver Capitulo 17.
regressoo parcial Modelo de regressiio no qual uma variavel dependente
e estimada com base numa variavel independente, enqua nto uma
terceira variavel se mantem constante. Ver Capitulo 17.
Por exemplo, pode-se afirmar que aumento na educa~iio causa
redu~ao no preconceito. Ver Capitulo 1.
relocionamento [ropporl] Relacionamento facil, natural e confiante entre
e ntrevistador e respondente, tornando mais provavel que este
responda pergu ntas mais exata e completamente. Ver Capitulo 3.
 replico~iio Geralmente, duplica~ao de urn experimento para expor ou
reduzir erro. Tambem urn termo tecnico usado em rela~,:ao ao
modelo de elaborafiio, referindo-se ao resultado da elaborafao
no ~ual a rela~,:ao inicialmente observada entre duas variaveis
pers1ste quando uma variavel de conrrole e mantida constante
V<:r Capitulo 15. . de partida da teoria e (3) conjunto de afirma<;:oes inter-relacio-
represenlolividode Qualidade pela qual uma amostra tem a mesma dis-
tribui~,:ao de caracteristicas que a populafclo da qual ela foi selecio-
nada. Por implica\iiO, descri~,:oes e explicafi5es derivadas de uma
analise da amostra podem representar o mesmo na popula<;:ao.
Representatividade e aprimorada por amostragem probabilistica
e permite genera lizabilidade c o uso de estatfstica inferencial.
Ver Capitulo 5.
respondenle Pessoa que fornece dados para analise respondendo a urn
questioncirio de survey. Ver Capitulo 10.
sele<iio oleol6rio Sele\aO de amostras pelo uso de metodos de probabi-
lidade. Cada elemento na popu!a):iio amostrada deve ter uma
chance conhecida niio-zero de sele\ao. Ver Capitulos 2 e 5.
s u
sigilo Descreve urn survey no qual pesquisadores conhecem ou podem
conhecer as respostas de respondentes espedficos do survey, mas
garantem que elas permanecerao em segredo. Ver Capitulo 19 e
am5uimo.
silogismo Modelo, as vezes usado para raciocfnio na 16gica classica,
em que urn conjunto de afirma\oes leva logicamente a uma con-
clusao. Exemplo: (1) Manuais contem palavras. (2) Este livro e
um manual. (3) Portanto, este livro deve canter palavras. Ver
Capitulo 1.
sondor Tecnica usada em entrevistas para conseguir resposta mais
completa a uma questao. E uma frase ou pergunta nao-diretiva,
usada para e ncoraja r o respondente a aprofundar uma resposta.
Exemplos: "mais alguma coisa?" e "como assim?" Ver Capitulo 10.
survey longiludinol Desenho de estudo compreendendo coleta de dados
em diferentes ocasioes no tempo, em contraste com estudos trmrs-
versais. Ver Capitulo 4 e estudos de tendencias, de coorte e paine/.
T
lobelo de conlingencio Formato para most rar rela<;:oes entre variciveis sob
a forma de distribui ~,:oes pcrcentua is. Ver Capitulo 14.
loxo de resposlos Numero de panicipames num sun>ey dividido pelo numero
selecionado na amosrra, em forma de porcentagem. Tambem
chamada de taxa de questionarios completados ou, em surveys
auro-administrados, de taxa de retorno - o percemual de quas-
tioniirios enviados e devolvidos. Ver Capitulo 9.
leorio Explica\aO abrangente de algum setor da existencia, incluindo
(1) defini~,:oes de elementos constituindo o que vai scr explicado,
(2) conjunto de suposi~,:oes e axiomas que servirao como ponto
nadas sobre as rcla~,:oes entre os elementos. Ver Capitulo 1.
lesle de hipolese Determinat;iio de se as expectativas representadas por
uma bip6tese de fato existem no mundo real. Ver Capitulo 1.
lesle de significo<iio eslolislico Classe de computat;6es estatisticas que
indicam a probabilidade de que a rela\aO observada entre
variaveis numa amostra se clever apenas a erro de
amostragem. Ver estatistica inferencial e Capitulo 16.
lipologio Classificat;ao (tipicamente nominal) de observa~,:oes em
termos de seus atributos em duas ou mais variaveis. Um exem-
plo de tipologia seria a classifica\ao de jornais em urbanos libe-
rais, rurais liberais, urbanos conservadores ou rurais conscrva-
dores. Vcr Capitulo 8.
unidode de observo,iio Unidade <.Ia qual dados sao colctados. Tipicamente,
e a unidade de analise, mas as duas podem diferir, como quando
entrevistas sao fei tas em residencias (unidacle de observa~,:iio) e
<.!ados coletados sabre os membros individuais (unidades de
analise). Ver Capitulo 5.
unidodes de omoslrogem Unidades (por exemplo, individuos, residencias
etc.) amostradas. Em geral, a unidade de amostragem e a mesma
que a unidade de obsarva9ao, mas nao necessariamente. Por
exemplo, residencias podem ser amostradas mas, em seguida,
ca da indivfduo nas res idencias selccionadas e entrevistado
(observado). Ver Capitulo 5.
unidodes de analise 0 "que" ou "quem" esta sendo estudado. Em pesquisa
de ciencias sociais as unidades mais tipicas de analise sao indi-
viduos. Ver Capitulo 4.
universe Massa geral e abstrata de pessoas sobre as quais se quer tirar
conclusocs. Exemplo: "americanos". Mas na sele~,:iio de amostras
c necessaria ser mais especifico na
idcntifica\iiO de quem temos
em mente. Ver popula):ao, popula9iio de survey e Capitulo 5.
v
volido(iio exlerno Processo de testar a validade de uma medida, como
um fndice ou ascala, examinando suas re l a~,:oes co m outros
supostos indicadores da mesma variiivel. Por excmplo, se o indice
 realmcnte medc preconceito, deve correlacionar com outros vori6vel dependenfe A variavel que se supoe depender de ou ser causada
indicadores de preconceito. Ver Capitulo 8. por outra (chamada variavel illdependente). Se se descobre que
rencla e em parte fun~ao da quantidade de educa~ao formal, a
volidociio inferno Processo pelo qual os itens individuais de uma medida
renda esta sendo tratada como variavel dependente. Ver Capitulo 15.
composta se correlacionam com a pr6pria medida. Assim se te:;ta
a decisilo de incluir todos os itens na meclida composta. Ver ainda vori6vel independenfe Varia vel cujos valores niio sao problematicos numa
ualidafdo extema e Capitulo 8. analise, mas considerados como dados. Supoe-se que uma vari-
volidade Termo usado para descrever uma medida que reflete com avel inclependente cause ou determine o valor de uma variavel
exatidao o conceito que se pretende medir. Por exemplo, seu QJ dependente. Se descobrirmos que religiosidade e em parte fun~ao
parece ser uma medida mais valida de inteligencia que o numero do sexo - mulheres sao ma is religiosas que homens - , sexo e
de horas que voce passa numa biblioteca. E importante entender a varH1vel independente e religiosidacle a dependcntc. Qualquer
que nunca se pode provar a va lidade definitiva de uma medida. varH1vel pode ser tratada como independente numa pane da analise
Podemos, porem, concordar quanto a sua validade relativa, ba:;e- e como dependente em outra parte. Religiosidade pode se tornar
ados nas validades aparente, por C1'ilerio, de contetldo, por uma variavel independente na explica~ao de crime. Ver Capitulo 15.
construfao, intema e extenw. Niio deve ser confundido com voriovel ordinal Variavel cujos atributos diferem entre si em alguma
confiabilidade. Ver Capitulo 7. med ida de grandeza, como por exemplo variar de alto a baixo
validode aparenfe Qualidade de um indicador que o faz parecer uma ou de fraco a forte etc. Ver Capitulo 7.
medida razoavel de alguma variavel. Parece fazer senrido, sem vori6vel supressora No modelo de elabora~ao, uma variavel de controle que
mu ita explica~ao, que ir freqilentemente a igreja ~ indicador de interagc com as variaveis independcnte c dependente, camuf1ando
religiosida de . Tem validade aparente. Ver Capitulos 7 e 8.
a rela~ao entre elas. Ver Capitulo 15.
validade de cansfruciio 0 grau em que uma medi~ao se relaciona da vies Qualidade de um instrumento de medida que tende a resultar em
fo rma esperada com outras variaveis num sistema de rela~oes
ma interpreta~ao do que esta sendo medido numa determinada
te6ricas. Ver Capitulo 7.
dirc~ao. Por exemplo, o item de questionario "Voce nao concorda
validode de confeudo 0 grau com que uma mcdida cobre a faixa de que o presidente esta fazendo um born traba lho?" seria tenden-
significados incluidos no conceilo. Ver Capitulo 7. cioso pois, em geral, incentivaria repostas mais favoraveis. Ver
validade relacionodo a criteria Em que grau uma medida se relaciona a Capitulo 7.
algum criteria externo. Por exemplo, a validade da junta escolar
e demonstrada por sua capacidade de prever o sucesso dos alu-
nos na fac ul dade. Ver Capitulo 7.
vori6veis Agrupamentos 16gicos de atributos. A variavel ··sexo" se com-
poe clos atributos "masculine" e "feminine". Ver Capitulos 5 e 7.
~ binomial.
voriovel binomial Uma variavel com apenas clois atributos
Um exemplo e sexo, com os au·ibutos mascu line e feminine. Ver
Capitulo 5.
vori6vel de conlrole Variavel mantida constanre, para esclarecer a rda<;:iio
entre cluas outras variaveis. Exemplo: tendo clescobeno uma rela~iio
entre educa~ao e preconceito, a variavel sexo pode ser mantida
constante, examinando a rela~ao entre educa~iio e preconceito
somente entre homcns e depois somente entre mulheres. Ne:;te
exemplo, sexo e a variavel de controle. Ver Capitulo 15.
vori6vel de disforciio No moclelo de elabora~ao, uma variavcl de controle
que interage com as variaveis independente e depenclente,
fazenclo a rela~ao cia:; duas parecer 0 conrrario do que de fato e. ver
Capitulo 15.
 f N D I Cf
A
Ab ramson, Paul R., 261, 275
Ace, Goodman, 115
Aco o, 436
Afi rmoccies explicotivos, 96
Aleatorizocoo, 205
Alwin, Duane f., 208, 211
Amer ican Association for Public Opinion Research
(AAPOR), 81, 456-459
American Soldier, !he, 455
Ameri conos negros, 60, 79, 261
Amodro de area complexo, exemplo de, 167
Amoshogem oleotorio simples, 135
Amodrogem. Ver lambem Amodrogem probabilfdica
conceitos e terminologia, 120-125
de mulhc res da Igreja Episcopal, 162-165
de professores de cscolas
de medicina , 161-162
de domicflios em Oakland, 165-176
desproporcional, 148-151
e Bu reau do Ccnso, 78-79
e o consumidor, 469-470
estratificada, 137-139
intencio nal , 153-154
nao-proba bilistica, 117, 152-153
por conglomerado em
multipl as e tapas, 140-1 44, 165-176
por cotas, 115, 154-155
por julgamcnto, 153-154
precisao de dados cia, 114-117
Amodrogem com probabil idade proporcionol ao
tamanho (PPT), 145-147
exemplo de, 162-165
Amodragem sidem6tica,135-137, 139-140
Estratifica~ao implicita, 139-140
Amoshas oleotorias simples, 117
R f MISS I VO
Amodras edratificadas, 117
Amodras eshatificodas sidematicos, 117
Amoshas MIPS£, 120
Amodras poralelas, 106
Amoshos por conglomerodo, 117, 161-166
Amodras sidematicos, 117
Amplitude, 243
Amplitude semi·interquodilico, 343
Analise.
Ver tambem Analise multivariada; Analise
de regressao; Analise univariada
ava liativa, 320
bivariada, 349, 353-356
de con teudo, 70-72, 87, 156
de dados, 72-73, 470-47 1
de estudo-piloto, 312-313
de ite m, 229-230, 233
de pesquisa de survey, 223-224
de pre-teste, 309-310
de trajct6ria, 415-417, 431
de va riflncia, 421-424, 431
discriminante, 424-428, 432
etica na, 455-456
fa torial , 417-42 1, 43 1
relat6rio de, 440, 441-442
sccundaria, 79
unidades de, 98-101
Analise bivoriodo, 341
construindo tabelas na, 353-356
formatos de tabela na, 356
Analise multivoriodo, 97, 337, 357-360
tecn icas avan~adas pa ra, 409-432
Analise de regressoo, 409-41 o, 431
cu idados, 415
curvil inea, 414-415, 431
 linear, 410-421, 43 1 imagem trad iciona l cia, 327-331
multipla, 413, 431 na pratica, 41-43
parcial, 414, 431 visao crftica, 39-41
Anal ise univoriodo, 337 visao tradicional cia, 37-39
dispe rsao em, 343 Cienc io social, 57-58
d istribui\;'ao em, 337-339 caracterfsticas de, 62-66
tende ncia central e m, 339-343 como cientffica, 87-90
variaveis em, 343-344 e regularidaclcs sociais, 58-62
Anderson, Barbaro A., 261, 275 metodos de pesqu isa em, 67-75
Anonimalo, 45 1-452 programas de computador para, 284
Anli-semilismo, 416-417 Cienlislos, 43-45, 180
Associocoo Closse social, 181
e med i\;oes, 331, 333-343 e envolvimento com a igreja, 83, 375-376
medidas de, 385-391, 416 Codificocoo, 87, 288-289, 297-299. Ver lomhem
Associacoo Americana de Ciencia Polilica, 8 1 Codificacoo nos morgens; Pre-codificociio
Associocoo Americana de ~ociologio, 81 para folhas de lei tura 6p tica, 299
Associoccies, profissionais, 8 1 para fo lh as de transferencia, 293
Mribulos, 182 , 28 1 Codificociio nos morgens, 294
Coeficienles de lrajelorio, 416
Colelo de dodos, 245, 328
B estudos-pilo to, 311-31 2
pre -teste, 307
Bishop, George f., 192, 211 Componhia de M6quinas de lobulocoo, 281
Brohe, lycho, 48 Compulodores, 280
Bureau do Censo. Ver U.~. Bureau of lhe Census em pesquisa de survey, 280-288
Bush, George, 116- 117 Conceilos, 4 2
Butterfield, Herber!, 48 , 55 Conceiluaciio, 179-182
Confiobilidode, 195-1 96
( e va lidade, 198
California, Universidode do Conglomerados [cluslers]. 140
em Berke ley, 81, 97, 272 Consumidar, de pesquiso de survey, 465-471
e m Los Angeles, 81 Copernico, Nicolau, 47
Compo, 28 1 Correlociio, 43
Conlril, Hadley, 181 Correlocoo produlo-momenlo (r) de Pearson, 390-391,
Cargos foloriois, 418 406
Carmines, fdword, 197, 211 Crosk, Melvin R., 252-253, 258
Corlcies IBM, 28 1
Censo, 78 D
Chicago, Universidade de, 8 1 Dodos
Chrislion Beliefs and ~nli-Semilism (Glock e ~lark), 233 a na lise de, 72-73, 470
Ciencia, 37, 43-45 e cien tistas, 180
caracterfsticas de, 45-54 em ca noes perfurados, 281 -282
e ciencia social, 57-75 falta ntes, em Indices, 227-229
e pesq uisa de survey, 82-86, 87-90 precisao de, 114-117
512
 tipos de, 185-186 flemenla, 121
rcdu~ao de, 214, 235-236, 243, 384-385 fllis, Shmuel. 155, 158
Darwin. Charles, 48, 61 "fmparelhomenlo racial", 354-356
Oeducoo, 41 Entrada de dodos, 293
Oehnquencia, 419-420 dircta, 294-295
Depress co, a, 72, 79 pelos entrevistadores, 296
Oesconfirmabilidade, 52 pre-codificado para, 297-299
Oescricoa, 96, 179, 436 fnlrevisla por lelefane assislida
por compulador (HAC), 271, 272
Oescricoes de subgrupos, 344-349
fnlrevi slador(es)
Oesenhos de omoslra
apresenta~ao e aparencia, 261-263
exe mpl os de, 159-177
despedindo, 274-275
e o Bureau do Censo, 79
en trada de dados por, 296
pre-teste de, 303-304
imponfincia do, 259-260
tipos d e, 134-1 47
instru~ocs para, 208-209
Oesenhos de pesquisa de wrvey, 93-94 Ver lambem treinamcnto do, 266-267
Oesenho de pesquisa; Desenho de amoslra; Desenhos
fnlrevislando
de survey
opera~ao de, 270-275
Oesenho de pesquisa, 466-467 regras para, 261-265
Oesenhos de wrvey, survey, 87
basicos, 101-1 05 fnlrevislos
escolha de, 108-109
pratica, 268
relat6 rio de, 440
redistribuindo, 273
varia ~oes do biisico, 105-107
verificando, 274
Desvio padroo, 343 fnlrevislas de wrvey
Desvio quarlilico, 343 en trevistador para, 259-260, 266-269
Delerminismo entrevistando para, 261-265, 270-275
probabilistico, 48-49 "fnlrevislo por inlerceplocoo em Ihoppingt, 155
em ciencia, 48
fnvalvimenlo
em ciencia social, 63
e classe social, 375-376
em pesquisa de survey, 83
tipos de, em religiao, 183
Dewey, !homos, 115
fquacoa de regressoo, 410
Dimensoes, 182
frro(s).
medi~ao de, 184 amostragem, 124, 125, 137, 486
Discogem digital alealoria, 133 nao-amostrais, 393
Dispersoo, 34 3 padrao, 128
Dulribuicoo omoslral binomial. 126-131 redu\iiO proporcional do, 385, 406, 412
Dulribuicoes de frequencio, 338 Escolas, 243
Drogas, 104-105 constru~ao de, 233-243
Dukakis, Michael 116 de Distancia Social de Bogardus, 234-235
0 . . ' de diferencia~flO semantica, 389
urkhetm, fmile , 72-73, 75
Guttman, 236-240
t Likert, 189, 232-233
Thurstone, 235-236
Einstein, Alber!. 44' 50 versus Indices, 214-217
flobora(ao, 381 fscala de Columbia, 363
513
 fscolos de medicine
amostrando profcssorcs de, 161-162
mitude sobre o Medicare em, 363
fscores, de indices, 225-227, 238-239
fspecificot<io, 37+376, 381
fspec ificidade
Da ciencia, 51
Da ciencia social, 65
Da pesquisa de sun•ey, 84-86
fslal islica(s), 124
social, 385, 405-407
fslol islico descrilivo, 383, 405
medida::. de associar;ao em, 385-391, 405
r edu~ao de dados em, 383-385
fslolislico inferenciol, 383, 391, 405
infcrencia::. univar iadas em, 392-393
testes de significftncia esta tfstica em,
393-405, 405-407
fslimulo, 67
fslrolificot<io, 138-139
e amosrragem p or conglome rad o
em multiplas etapas, 144
em amostragem sistematica, 139-140
em exemplo de amostra complcxa
de area, 168-171
em excmplo de arnostra sistematica
estratificada, 160
fslrolo, 144
sele~ao de quarreiroes denu·o de, 171-172
fsludos conlexluoi s, 106-107
fsludos de coso, 73-74
fsludos de coorle, 102-103
fsludos de poinel, 80, 102, 103-104, 108
fsludos-pilolo, 303, 309
avaliando, 313-320
fazendo, 310-313
fsludos sabre as fleitoes Nocionois, 261
fsludos sociomelricos, 107
fsludos de lendencios, 102
me. 271-272
Elico,
c6digo dl!, 456-459
ern pcsquisa de survey, 445-456, 462
ilusrra~<ks,
460-462
ftico prolestonle, 78
514
fxperimen!o, 39
comrola do, 67-69, 86-87
de laborat6rio, 156
fxplicocoo, 96-97, 179
como objetivo tk pcsquisa, 437
em paradigma de elabora(ao, 372-373, 381
fxplorot<io, 97, 436
fxlropolot<io, 415
f
folocio ecol6gico, 72, 99
filiotlio politico, 421-424
firmos de pesquiso de opinioo, 79
fisher, R. A., 80, 118
folhos de c6digo, 296
folhos 6plico·sensiveis, 296
folhos de lronsferencio, 293
forslund, /r\orri s A., 418-419
fox, Richard J., 252-253
G
Gamma, 387-391, 406
Gallup, George, 79, 11 5
General izobi Iidode,
na ciencia, 49-50
na ciencia social, 62-63
na pcsquisa de survey, 83
Glock, Charles Y., 82, 90, 183, 21 I, 333, 334,
380, 382
Grous de liberdode, 402
Grupo de conlrole, 68
Grupo experimental, 68
Grupos focois, ISS
Gullmon, louis, 236
H
Harris, louis, 79
Helerogeneidode, J 18-119
Hip6leses, 39, 329
nula, 401
Hip6/eses f! X pori facio, 379-380
Hollerith, Hermon, 280
Homogeneidade, 118-119
 155, 158
K
Kendall, Palr icia, 367-368, 382
Kepler, Johannes, 48
lgreja, 82-83, 375-376. Ver lomhem Religioo;
Kim, Jonghoon, 252-253, 258
Religiosidade
Kish, leslie, 121, 158
lgualdade sexual, 349-360
exe mplo hipotctico de, 394-399 Krosnick, Jon A., 208, 211
indices,
dados fa ltantes em, 227-229 L
e escalona mcnto Li kert, 232-233
lambda, 386-387, 406
escores de, 229-232
london, Alfred M., 115
inte rpermutabilidac.le c.le, 327, 331-332
rela~;o es bivaria c.las e m, 218-222
lazorsfeld, Paul F., 80, 90, 327, 331, 334, 363,
re l a~;oes multiva riadas e m, 222-225
367-368, 382
sel e~;ao d e itens para, 217-218 leis, 44
valic.la ~,:a o de, 229-232 liked, Rens is, 189, 232
ve rsus escalas, 214-217 limpezo
lnducoo, 41 de conti ngencias, 300-301
lnferencias univoriodas, no eslotlslico infmnciol, de dados, 299-300
391-393. 406 de possiveis-c6digos, 299
lnslilulo Americana de Opinioo Publica, 11 5 linha de regressoo, 410, 411-41 2, 43 1
lnslilulo para pesquiso social , 8 1 liferory Digesl, 1 15- J 16
lnslrucoes, para queslion6rios, 206-209 livro de c6digo, 29 1-292
lnslrumenlo de pesquisa co n s tru ~;ao de, 291-293

Estudo-piloto, 3 11 l6gico
Pn!-testa ndo, 304-306 da amostragem probabilistica, 118- 120
lnlernalional Business Machines Corporation (IBM), 28 1 da ciencia, 45-48
lnlerpermulabil idade, de indices, 327, 331-332 da cie ncia social, 62-63
lnlerpolacoo, 41 5 da co n ce itua ~;ao, 179-182
ci a cons t r u ~;ao de ind ice s e escal as,
lnlerprelacoo, 3 74, 38 1
216-217
lnlersubjelividode, 86, 290
da e laboracao, 381
cia cie ncia, 52-53
da pesquisa de su rvey, 82-83
cia cie ncia social, 65-66
cia significil ncia estatistica, 399-401
lnlervolo omoslrol , 136 cle clu tiva, 46-48
lnlervolos de confionco, 124 ,1 30 inclutiva, 47-48
llem(ns) lopala, Helena Znaniecki, 389, 407
analise de, 229-230
rel a~,:oes bivariadas e ntre, 21 8-222
rela ~;oes muhivariadas entre, 222-225
sele~,:ao de, 217-2 18
M
v a li da~;ao de, 319 Morginais, 338
vies e m, 194
Marx, Karl, 78, 180
] Molriz de correlocoes, 389
Mazur, Allan, 87, 90
Jacquard, Joseph-Marie, 280 Mediano, 339-343
515
I'
Medias, 339-341 Mulheres episcapois, 83, 84, 375, 376, 451
Medicare, 376 amostragem de, 162
Medicoa(oes) 58 Mullidimensionalidode, de lipolog ias, 240
de dimensoes, 184 Muluamenle excludenles, 46
e associa~ao, 331, 333-334
e consumidor, 467-468 N
nfveis de, 187-189
Medicoes naminais, 187 Nalionol Opinion Research Center, 81
Medicoes de inlervalo, 187 Newlon, ~ir Isaac, 44
Medicoes ordinais, 187 Niveis de confianca. 124-125, 130
Medicoes de rozoo, 188 e inferencias univariadas, 392, 406

Medidas de assaciacoo, 385-386 Niveis de significoncio, 400

variaveis intervale ou de razao em, Numeros aleal6rios, labelo de, 482-485
390-391
va riaveis nominais em, 386-387 0
variaveis ordinais em, 387-390
Oakland, California, amoslrando domicilios em
Medidas de lendencia central, 339-343 165-176 •
Megabytes, 287
Observacoo parlicipanle, 74-75 , 156-157
Memoria, 287
Oldendick, Robed W., 192, 211
Metoda inlerprelalivo, 363 Operacionalizacoo, 38, 128
Melodo de Lazorsfeld, 363 de conceitos, 328
Melodos de omoslragem quaclro de referencia para, 182-185
tipos de, 117-118 Orlodoxio, 333
usos niio-survey de, 156-157
Metodos de wrvey assislidos par camputodar, 272 p
Microcompuladores, 286-289
Mitchel l, Arnold, 242, 244 Pagels, Heinz, 89, 90
Modo, 339, 341 Poradigma de eloboracoo, 370-37 1
Modele de elaboracoo, 80 especificat;ao em, 374-376, 381
explicat;iio em, 372-373, 381
e paradigma de elaborat;ao, 370-379
intcrpretat;iio em, 374, 38 1
e hip6tcses ex post facto, 379-380
modele de elabora ~iio e, 370-379
hist6 ria de, 363-370
refinamcnt os em, 377-379
Modelos lag-lineares, 428-430, 432
rcplica~iio em, 371-372, 381
Modems, 286
Porodigmas, 55
Mod ificabi Iidade
Paromelro, 124
da c iencia, 53-54
da cienc ia social, 66-67
Parcimonia
da cif:ncia, 50
da pesquisa de survey, 86
da cicncia social, 64
Modificocoo, de amoslra, 160-161
da pcsquisa de surue)' 8-1
Moldurodeamoslragem, IJ 5, 117,123,131-133
Parlicipacoo volunl6rio, 448-4;o
exemplo de amostra complexa de
area, 167 Pearson, Karl , 80
cxemplo de amostra cstratificada Percenluando, 349
sistematica, 159-160 tabelas, 354
Periadicidode, 136, 140
516
Pesos be ~o. 416
Pesquisa. Ver lambem Pesquisa de survey
merodos de pesquisa cientlfica, 67-75
Pesquisa de survey, 77
amilise de, 323-325
caracterfsticas cientfficas do, 82-86
como cientlfica, 87-90
computaclores na, 280-288
consumidor de, 465-471
e outros metoclos, 86-87
hist6ria do, 78-81
no contexte social, 447-463
objetivos do, 95-98
relat6rio do, 433-444
Pesquisa Gallup, 90-101
Pesquisas poli~icas, 114-117
Plagio, 438-440
Poli~ica, Ver lombem Vo~o 78
Ponderatoo
e amostragem desproporcional, 148-151
e inferencia estatfstica, 152
em exemplo de amostra complexa
de area, 174-176
graus de precisao, 150-151
metodos para, 151
Populatoo(oes), 117, 121, 131-134
de survey, 122, 160
Porcen~agens, 338
P6s - ~es~e. 68
Pravda, 71
Precisoo, 194
Pr<i-codificando, 297-299
Preconcei~o. 59
e ortodoxia, 333
experimento em, 67-69
Preditoo, 351
PrHes~es, 68
avaliando, 313-320
fazendo, 303-310
Probabilidade, de seletoo, 119-120
Procedimen~os objetivos, 39
Procedimenlos racionois, 39
Processamenlo de dodos, 279-301
estudo-piloto, 311-312
pre-testando, 307-309
Propositoes, 38
Plolomeu, Claudius, 47-48
Public Opinion Qualerly, 81
Q
Quantificatoo, 86
Quadeiroo de recenseamenlo, 166
Queslionario, 77
cstudando o, 267-268
familiaridade do entrcvistador com, 263
formate para, 198-205
instru~ocs para, 206-209
orclenando as questoes para, 205-206
pre-coclifica<;ao do, 297-299
reprodu~ao do, 209-210
valida~ao de itens, 318
Queslion6rios au~o-adminislrodos
corrcspond&ncias de acompanhamento,
251-253
cstudo de caso de, 254-257
clistribuic;ao postal e retorno de, 248-249
monitorando retorno de, 250-251
pre-codificac;ao de, 297-299
taxas de resposta para, 253-254
Que sloes
abertas, 87, 189-190
avaliando a clareza de, 313-315
contingcntes, 200-203
fechadas, 189-190
guias para a construc;ao de, 189-1 94
matriz, 204-205
no formate gcral do questionario, 198-205
ordem de, 205-206
seguinclo a redac;ao exata de, 263-264
Qui·quadrado, 401-403, 488-489
R
Rota, 378
Radicalismo esludantil, 97
Rapporl, 87
Rozoo amoslral, 136
Redes de compulodores, 286
Reducoo proporcional do erro (RPf), 385, 406
em regressao linear, 412
Reese, Stephen D., 261, 275
517
 RegresHio curvilineo, 414-415, 43 1 probabilidade de, I 19-120
Regressoo linear, 410-412, 431 Selvin, Honan, 405
Regressoo multiple, 413, 4 31 Shanks, J. Merrill, 272
Regressoo parcial, 414, 43 1 Sigilo, 45 1, 452-453
Reguloridodes sociois, 58-62 Significoncio. Ver lamhem lesles de significoncio
Relocoes bivoriodos, enfre itens de indices, 218-222 eslollslico
Relocoes cousois, 38 nfvel de, 400
Relocoes espurios, 372 substantiva, 403, 404, 406

Relocoes porciois, 381 Silogismo, 47

Relotondo, ovoliondo, 319-320 Silver, Brion D., 26 1, 275
Relot6rio Smith !om, 194, 211
analise de dados no, 441-442 Sociologic, 87-88
considerat;oes basicas para , 433-436 Stork, Rodney, 333, 334
etica no, 455-456 Slolus social, 180
o rgani zat;ao do, 436-441 Stouffer, Samuel A., 60, 72, 75, 79, 80, 90, 380
Relol6rio de dodos, Ver lamhem Relol6rio; Relotondo e o modelo de elabora<;ao, 363-370, 371
Religioo. Ver lomhem lgrejo Strunk, William, Jr., 433, 442
e anti-semitismo, 416-417 Suicidio, 72-73
e suicfdio, 72 Suils, Daniel, 88
Religiosidode, 59, 108. Ver lamhem lgrejo e Survey Research Cenler, 8 1-271
envolvimenlo, 182-184 Survey Research Laborolory, 81
Replicocoo, 371-372, 381 Survey Research Office, 252
Representolividode, 119-120 Survey1 inlerseccionois, 101, 108
Respondentes, 450-4 51 aproximat;ao de surveys longitudinais,
Respostos 104-105
formatos para, 199-200 Survey1 longiludinois , 101-104
fundindo categorias de, 345-347
Survey1 pelo carreio, 247-248
"nao sei", 347-349
correspondencia de acompanhamento,
registrando, 264
251-253
w ndando, 265
distribuit;ao e retorno de, 248-249
variancia em , 315-319
estudo de caso de, 254-257
Reynolds, H. T., 429, 4 32 monitorando retornos de, 250-251
Ringer, Benjamin, 82, 90 taxas de resposta, 253-254
Roosevelt, Franklin D., 1 15 Survey! por enlrevislo, 259-277
Roper, Elmo, 79
Rosenberg, Morris, 377, 382 T

s lobela(s)
de mudant;:as, 104
Sokumoto, !om, 192 de numeros aleat6rios, 482-485
Scanner 6ptico, 296 explicativas, 360
Selecoo na an<ilise bivariacla, 353-357
aleat6ria, 68, 125-126 na analise multivariada, 357-360
de itens, 217-218 laxas de resposlo, 253-254

518
' J
Cole~ao hprende r

J. FOLCLORE EM MINAS GERAIS (2' ecli~ao rcvista c ampliada)

Saul Martins

2. ASTRONOMIA FUNDAMENTAL
Rodrigo Dias Tarsia

3. EDUCA<;:AO ARTISTICA - lntroclu~ao a Hist6ria da Arte

(2' ecli~ao revista c ampliada)
Sandra Loureiro de Freitas Reis

4. ESCREVER SEM DOER - Oficina de Reda~ao (3·' reimpressao)

Ronald Claver

5. FONTES DE lNFORMA<;:AO ESPECIALJZADA - Caracterfsticas e

Utilizac;ao (esgotaclo)
Bemadete Santos Campe!!o e Carlita Maria Campos

6. 1, 2, 3 DA SEMI6TICA
}LI!io Piulo

7. UM TOQUE DE CLASSICOS - Durkheim, Marx e Weber

(2' reimpressao)
Tania Quintaneiro, Maria Ligia de 0. Barbosa e Marcia
Gardenia de Oliveira

8. LATINA ESSENTIA - Preparafao ao Latim (3-' edic;ao revista e

ampliada)
Antonio Martinez de Rezende

9. DESENVOLVIMENTO HUMANO E PSICOLOGIA - Generaliclades,

Conceitos, Teorias
Vania Erina Cordia Lima de Carvalho

10. 0 BELO AUTONOMO - Textos Classicos de Estetica

Rodrigo Duarte (Org.)

11. OS HETER6PTEROS AQUATICOS DE MINAS GERAIS - Guia

lntrodut6rio com Chavc de Identifica~ao para as Especies de
Nepomorpha e Gerromorpha
Nico Nieser e Alan La11e de Me!o

12. PRINCfPIOS DE MORFOMETRIA DIGITAL - KS300 para

Iniciantes
Marcelo Vidigal Ca!iari
13. Sistema de Esgotos 24. LINGUAGEM E FORMA<;:AO DE CONCElTOS NO ENSINO
DE CIENCIAS
Patricio Gallegos Crespo
Eduardo Fleury Mortimer
14. Tecnicas Alternativas de Con~erva<_:ao -
Recuperas;ao de Livre~. ReviMas, Folheto~ e Mapas 25. Lazer, Trabalho e educa~ao - relar;oes hist6ricas,
(2" edi~ao revista) questoes contempor5neas
Sonia de Conti Gomes e Rosemmy Tvfani ,\Iotta Christiawze \Verneck

15. Manual para Normaliza(ao de Publica(6es 19. introdus;ao a 16gica simb6lica

Tecnico-Cientfficas (5' edir;iio revista e aumentada) Paulo Roberto Margutti Pinto
]tinia Lessa Frmz~a. Ana Cristi11a de Vasco11cellos,
Maria Helena de Andrade Magalhiies eStella Maris Borges 20. elevat6rias de sistemas de esgotos
Patricio Gallegos Crespo
16. Inicias;ao Esportiva UniversaL - Da Aprendizagem
Motora ao Treinamento Tecnico (vol. 1)
Pablo juan Greco e Rodo/fo Novellirw Benda (Org.)

17. I niciar;ao Esportiva Universal - Metodologia

da Inicias;ao Esportiva na Escola e no Clube (vol. 2)
Pablojuan Greco(Org.)

18. Estruturas Morfol6gicas do Portugucs

(1' reimpressao)
Luiz Carlos de Assis Rocba

19. Metodos de Pesquisas de Survey oa reimpre~sao)

Earl Babbie

20. Asma - A Resposta Innamat6ria Pulmonar e seu Controle

Farmacol6gico
]. N. Fmncischi e D. M. Conroy

21. aprender ciencias - Um Mundo de Materiais

Oivro do aluno)
Mm·ia Emrtia Caixeta de Castro Lima, Orlando Gomes de Aguiar
]tinior e Selma Ambrosina de Moura Braga

22. aprender cicncias - um mundo de materiais

(livro do professor)
Maria Emf!ia Caixeta de Castro Lima, Orlando Gomes de Aguiar
]zinior e Selma Ambrosina de Moura Braga

23. Fontes de Informa~ao para Pesquisadores

e Profissionais
Bernadete Sa11tos Campello, Beatriz Valadares Cend6n
e jeannette lvfarguerilc! Kremer(Org.)
A presente ecli~iio foi composta pela
Editora UFMG, em caracteres Gatineau,
corpo 11/13, e impressa pcla Hona
Editora, em sistema offset, papel offset
90g (miolo) e supremo 250g (capa) em
abril de 2003.
Sobre o autor
 0 livro de Earl , Metodos de Pesquisas de , tornou-se
um classico nos cursos de gradua~ao em ciencias sociais nas uni-
versidades americanas, logo que foi publicado. Ao mesmo tempo
que levanta detalhadamente e ilustra os diferentes instrumentos da
pesquisa de survey e das ocasioes de sua aplica~ao apropriada, o
livro tambem expoe as razoes de ser dos procedimentos usados. E
um manual util para estudantes de metodologia das ciencias sociais
e marketing, para pesquisadores em geral, alem de usuarios de pes-
quisas de survey, tais como clientes de levantamento de mercado ou
de relatorios sobre indicadores sociais, administradores publicos ou
privados que usam dados de surveys, leitores de jornais etc.

Biblioteca Central - UnB