TESTES PARAMÉTRICOS E NUT500

PPGCN

NÃO-PARAMETRICOS Profa. Angelina Lessa

2020
TESTES PARAMÉTRICOS X NÃO-
PARAMÉTRICOS
Paramétricos:
 Baseados em parâmetros de distribuição, ou uma estimativa destes,
para se calcular a estatística (médias´, desvio-padrao).
 São considerados mais robustos (rigorosos) pois possuem
pressupostos para validação (distribuição simétrica/normal) Nível de
 Pressuposto: distribuição normal da variável dependente (em análise) significância é a
probabilidade
máxima de
cometer um Erro
Não-paramétricos do tipo I (α).Ex.
quando α = 0,05,
 Para se calcular a estatística faz-se o uso de postos atribuídos a há é uma chance
de 5% de rejeitar
dados ordenados uma hipótese
nula verdadeira .
 Não se pressupõe normalidade da distribuição, a avaliação será em Probabilidade de
relação se dois ou mais grupos apresentam a mesma distribuição cometer Erro tipo
II (β): aceitar Ho
 Menor poder em relação aos paramétricos (menor probabilidade de quando ela for
falsa (1-
rejeitar a hipótese nula quando ela é falsa -Erro tipo II) β).Relativo ao
poder de um
teste
Vieira,
2010
 ESCOLHA DO TESTE
Testes para avaliar diferenca Testes para avaliar diferença
estatistica entre dois grupos estatistica entre grupos
independentes dependentes

Hazra A, Gogtay N.,

2016
ESCOLHA DO TESTE
Testes para avaliar associação entre
variáveis

Hazra A, Gogtay N.,

2016
 MEDIDAS DE CORRELAÇÃO

Testes para avaliar associação entre variáveis

TESTES PARA AVALIAR ASSOCIAÇÃO ENTRE DUAS
VARIÁVEIS

Análise de correlação:
Método utilizado para a
investigação de pares de dados
Inicialmente, com o uso de
diagramas de dispersão
cartesianos (diagramas x-y).
Não indicam causalidade, mas
correlação (que pode ser espúria)

Questões
Há correlação?
É linear?
Forte ou Fraco?
Positivo ou negativo? Vieira, 2009
TESTES PARA AVALIAR ASSOCIAÇÃO ENTRE 2
VARIÁVEIS
Questões a serem respondidas pela análise de
Correlação
a) Existe relação entre as variáveis X e Y?
b) Que tipo de relação existe entre elas?
c) Qual é o grau da relação?

Vieira, 2009

A correlação pode ser linear ou não-linear

Aumentos proporcionais ou não

Fonte RPubs - Correlação e Regressão

O coeficiente de correlação
assume valores entre –1 e 1

*Quando a relação é positiva r

assumirá o valor 1 quando a
relação é perfeita.

*Quando a relação é negativa r

assumirá o valor -1 quando a
relação é perfeita.

*Quando a relação é difusa ou não

linear r será igual a 0.

Vieira, 2009
 TESTES PARA AVALIAR ASSOCIAÇÃO ENTRE
VARIÁVEIS

Classificação do grau de
correlação (Dancey e Reidy,
2005)
▪ r = 0,10 até 0,30 (fraco);
▪ r = 0,40 até 0,6 (moderado);
▪ r = 0,70 até 1 (forte)

Fonte: RPubs - Correlação e Regressão

CORRELAÇÃO DE PEARSON

Dados numéricos (continuas ou discretas) e que

pressupõe uma correlação linear entre X e Y
(quando a mudança em uma variável é
associada a uma mudança proporcional na outra
variável)

Os valores precisam ter distribuição normal,

sobretudo em caso de amostras pequenas

Importante a analisar a presença de outliers (pontos

fora da curva) pois o coeficiente de correlação é
influenciada pela presença deles. Dessa forma, um
pressuposto central para uso desse análise é a de que
as observações obedeçam a uma distribuição normal
CORRELAÇÃO DE PEARSON

Pressupostos
Distribuição normal
Homocedasticidade (homogeneidade da variância)
CORRELAÇÃO DE PERSON

Análise de correlação entre IMC e CC

para Homens e mulheres. (Sampaio e
Figueredo, 2005)

Análise de correlação entre IMC e RCQ

Homens e mulheres (Sampaio e Figueredo, 2005)
CORRELAÇÃO ENTRE VARIÁVEIS NUTRICIONAIS E
DEMAIS VARIÁVEIS

Duran etal, 2004. (R. bras. Ci. e Mov. Brasília v. 12 n. 3 p. 15-19 setembro 2004 )
 CORRELAÇÃO DE SPEARMAN

Dados numéricos (não normais ou ordinais) sem pressuposto de assimetria

da correlação entre X e Y (as variáveis tendem a mudar juntas mas não
necessariamente a uma taxa constante)
 A variável resposta tem distribuição normal?
A possível correlação entre as 2 variáveis é linear?
EXERCÍCIO Há correlação? É significante?
Qual a direção da correlação? Ela é fraca, moderada ou
forte?

Hipótese 0 = Não existe correlação entre a idade materna e o Tempo de

Aleitamento Materno Exclusivo
Hipótese 1 = Existe uma relação entre a idade materna e o Tempo de Aleitamento
Materno Exclusivo
Passo a passo no SPSS

1- verificar pressupostos
Distriuição normal:
  analisar  estatísticas descritivas  explorar

Verificar se relação entre as duas variáveis é linear: gráfico de

dispersão
  Graficos  dispersão
Passo a passo no SPSS
Ainda verificando a linearidade da correlação e
Homocedasticidade (homogeneidade da variância)
   Analisar  regressão linear  gráficos  Zpredito + Zresidos
Passo a passo no SPSS
Gráfico gerado a partir do passo anterior

Satisfeitos os pressupostos
Analisar  correlação  bivariada
REGRESSÃO LINEAR SIMPLES
REGRESSÃO LINEAR SIMPLES
Na análise de correlação, nos identificamos associação entre duas
variáveis (ex. PN e idade materna), de forma que à medida que a idade
materna aumenta, o peso ao nascer aumenta também, portanto, a
distribuição do peso ao nascer varia com a idade materna.  avalia se
há relação e a força dessa relação

Dessa forma, poderíamos supor que a variável idade materna prediz a

variável PN. Um método de predição é a Regressão linear de forma a
ajustar uma linha através dos pontos dados das duas variáveis  avalia
como elas se relacionam
- apenas uma variável preditora
- pressuposto de distribuição normal da variável resposta
 REGRESSÃO LINEAR SIMPLES
Ex. altura como supostamente único
determinante do peso. A representação gráfica
poderia ser a altura como função do peso como
na figura ao lado

De outro modo, também poder-se-ia descrever a

relação por meio de uma equação de uma linha
Y = a + b (x)
'a’ é o intercepto
'b' é a inclinação da reta (coeficiente da variável
X).
Dessa forma, se tivermos a altura de um
individuo, poderíamos prever seu peso

Caso a altura fosse o único preditor do peso, os pontos ficariam pontos próximos à linha
Caso contrário, outras variáveis não consideradas também influenciasse pontos mais
dispersos

Lisa Sullivan, Wayne W. LaMorte, MD, PhD, MPH, School of Public Healt
Y= B0 + B1X

Fonte: 34873.pdf (up.pt)

PN = -9,332 + 0,833.CN

Lembrando que a unidade usada para as variáveis são:

Peso ao nascer = libras
Y= PN Comprimento ao nascer = inches
B0 = -9,332
B1= 0,833
X= CN
REGRESSÃO LINEAR SIMPLES

R2  Coeficiente de determinação (quadrado do coeficiente de

correlação)  proporção da variação de Y explicada pela variação de X

R2
Varia de 0 a 1 que pode ser interpretado em percentual  o quanto a
variável X explica a ocorrência da variável Y
REGRESSÃO LINEAR SIMPLES

Existe alguma relação linear entre a idade materna e o peso ao nascer?

Teste de Hipótese
H0: β =0
Equação de uma reta = equação linear
H1: β ≠0
Estatística F
REGRESSÃO LINEAR SIMPLES
Analise de Resíduos
Avaliar se existe ou não auto correlação entre os resíduos (diferença entre o
valor observado de Y e o predito pelo modelo de regressão)

DW = 1 a 3 (ideal 2)
Durbin-Watson

Verificar se distribuição normal (Histograma/gráfico Q-Q-plot)

Verificar outliers (+_3DP)
Verificar homocedasticidade
No SPSS
1º - avaliar se a distribuição da variável resposta (normal?)
2º - avaliar se existe relação linear entre PN e CN = gráficos de dispersão
gráficos 🡪 criador de gráficos 🡪 selecionar dispersão/ponto🡪 arrastar o
1º gráfico (dispersão simples) 🡪 eixo Y variável dependente 🡪 eixo X
variável independente (PNxCN)
2º - calcular o coeficiente de correção entre PN e Idade materna
3º - calcular a equação de regressão
4º - avaliar a adequação do modelo: análise de resíduos
Boas festas pra todos vocês e com segurança!!
Foi um prazer ministrar essa disciplina que mesmo com a minha formação (que não
é em estatística) limitando minha capacidade didática, vocês superaram e fizeram
um ótimo trabalho.

Abracos,
Angelina

Em um modelo de regressão linear simples, "a" (sometimes know as b0 or "beta

zero") quantifies:

a. The change in Y relative to a 1 unit change in X

b. The average value of Y
c. The predicted value of Y when X=0
d. The predicted value of Y when X=1
e. The correlation between Y and X.