Escolar Documentos
Profissional Documentos
Cultura Documentos
Resenha técnica
Referência:
1. Introdução:
O presente artigo discorreu sobre algumas aplicações referente as aplicações das diferentes
técnicas para analisar regressões múltipla stepwise e hierárquica, sendo estás muito uteis no ramo da
psicologia organizacional. Foi discutido ao longo artigo diversas estratégias para identificar e
solucionar problemas relacionados à existência de erros dos tipos I e II, além apresentar os fenômenos
de supressão, complementaridade e redundância referente as equações de regressão múltipla. No
material também mostrados exemplos de pesquisas em que retratam os padrões de associação entre
as variáveis nas quais estão presentes e descritas as devidas estratégia utilizadas pelos pesquisadores
a fim de interpretá-las. Neste presente artigo além de tudo que já foi devidamente citado também
foram discutidas aplicações das análises no estudo de interação entre as variáveis e na elaboração de
testes para avaliar a linearidade da relação entre as variáveis. E por fim foram apresentados sugestão
para oferecer a melhor forma para lidar com as limitações presentes durante a análises de regressão
múltipla (stepwise e hierárquica).
Outrossim, o autor abre sua colocação que apesar da alta utilidade da regressão múltipla,
dela ser muito difundida e sua grande aplicabilidade, pouco se tem conteúdo nos quais tratam sobre
os problemas em que essa metodologia de análise de dados possuí e problemas estes que podem
surgirem durante à análise, o auto cita 2 exemplos os do tipo I e II, que são relativos ao relacionamento
entre os preditores (redundância, complementaridade, supressão) e aumento considerável dos
coeficiente de regressão, por isso o artigo tem a intensão de apresente os erros mais comuns e explanar
algumas possíveis soluções.
Para testar a moderação, o pesquisador deve observar a interação entre A e B. Para tal,
procura-se observar se A é um bom preditor de C. Em caso positivo, verifica-se se A e B predizem
C, e se a interação entre A e B, calculada por meio do produto A x B, também prediz C. Caso a
interação seja uma preditora estatisticamente significativa de C, diz-se que B é uma variável
moderadora. A existência de uma interação entre A e B só é um indicador de moderação quando,
adicionada à equação, é preditora do critério. Logo, na moderação, o relacionamento entre A e C
depende do valor assumido pela variável B.
Em relação aos tipos de regressão, seus usos e problemas, o autor desse artigo apresenta os
três tipos de regressão múltipla que são classificados em: regressão múltipla padrão; regressão
múltipla hierárquica ou sequencial; e regressão estatística (stepwise). Vale ressaltar que nesse artigo
o autor irá sistematizar suas ideias apenas nos tipos de regressão hierárquico e stepwise. Porém é
apresentado ao leitor as características que diferem todos os tipos existentes de regressão. Essas
características são quanto ao que acontece com a variabilidade sobreposta de preditores
correlacionados entre si e, além disso, de quem determina a ordem de entrada dos preditores na
equação.
De acordo com o que foi exposto sobre os tipos de regressão, o autor inicia a explanação
sobre os dois tipos de regressão escolhidas para este artigo, que são as regressões hierárquicas e
stepwise. A regressão stepwise não se baseia em uma teoria consistente e sim em estudos
exploratórios onde o pesquisador está interessado apenas em descrever relacionamentos poucos
conhecidos entre variáveis. Nesse tipo de regressão o pesquisador elabora o modelo de investigação
que inclui hipóteses sobre relacionamentos entre variáveis, porém ainda não apresenta direções exatas
sobre esses relacionamentos. Existem três formas de realizar uma regressão stepwise:
A primeira é quando cada preditor entra, um por um, em uma equação; a segunda é quando
todos os preditores entram juntos na equação, nesse caso, no final é escolhido o melhor preditor; e a
terceira é quando os preditores entram na equação em blocos.
Quando se trata da regressão hierárquica o autor explica que esta forma de regressão se
baseia em modelos teóricos consistente que indicam a direção de relacionamentos entre as variáveis,
no que diz respeito as formas de realizar essa regressão o autor explica que o critério de entrada dos
preditores é definido pelo pesquisador que se baseia em estudos teóricos consistentes.
O artigo aborda algumas análises técnicas usadas por pesquisadores, nas quais são muito
utilizadas na área da Pesquisa Organizacional visando encontrar soluções para problemáticas que
ocorrem entre algumas variáveis usadas para interpreta um certo dado.
Porém, apesar do uso de variadas técnicas para medição das variáveis, identifica-se alguns
gargalos, ou seja, sinais de problemas nas medições das mesmas, o fenômeno de supressão foi
estudado e a partir desse modelo, desenvolver uma estratégia que buscasse um programa linear que
melhor avalie os critérios de análise para indicar com precisão qual a melhor técnica a ser utilizada.
De acordo com os pesquisadores, a técnica mais indicada para identificar a interação entre
preditores, seria a técnica Regressão Múltipla, onde envolve a inclusão na equação do efeito principal
e do produto dos termos, que pode ser um processo simples. Exemplos desta técnica podem ser
realizados por meio do uso de uma regressão hierárquica, onde são observadas diferenças entre R2
do modelo aditivo e do modelo não aditivo. No entanto, de acordo com kromrey e Foster-Johnson
(1999) existem algumas dificuldades na área para a identificação de variáveis moderadoras, por conta
de erros de medidas e entre outros.
Através de mais pesquisas também foi possível notar que a escolha dos modelos utilizados
depende diretamente do aumento significativo ou não significativo do R2, onde os modelos podem
variar entre modelo múltiplo ou moderador (quando há um aumento significativo do R2) ou modelo
aditivo ou linear (quando não há mudanças significativas do R2). Porém, devido a erros relacionados
às medidas e na amostragem, o modelo mais indicado seria o modelo quadrático ou cúbico não linear.
Caso não seja utilizado o modelo mais adequado para o problema, podem ocorrer erros do Tipo I,
Tipo II ou de ambos. Sendo assim, para eliminar esse problema, foi feito o uso de uma regressão
stepwise que diferencia um moderador de um modelo não linear e ficou conhecido como "método de
comparação da magnitude do efeito - ME".
Contudo, a regressão stepwise relacionada ao método ME pode ser a mais indicada, porém,
devem ser evitados altos níveis de multicolinearidade, preditores pouco relacionados. Um ponto
muito importante é o uso de preditores confiáveis para que se tenha resultados de maior qualidade,
principalmente quando se usa a regressão stepwise, do contrário pode ocorrer uma séria redução no
poder estatístico. Também se deve lembrar que o tamanho da amostra é de grande relevância, pois
quanto menor a amostra, menor será o poder estatístico, independente das outras variáveis.
Com base no que foi falado anteriormente, foi possível inferir sobre o artigo de como a
regressão múltipla, um conteúdo de cunho matemático pode está contribuindo positivamente para à
análise de dados e produção de conteúdo para a psicologia organizacional, na qual por meio destes
resultados poderá está realizando de maneira mais eficiente metas e visão da real situação da relação
comportamental do indivíduo com o meio organizacional.
Ademais, também foi possível concluir que apesar da regressão facilitar a análise que
relacionam itens dependentes com diversos outros itens independentes a regressão pode vim a
apresentar alguns erros e os autores ofereceram em seu estudo possíveis caminhos em que podem
estarem auxiliando os analistas a solucionarem tais problemas, nos quais são denominados de tipo I
e II relativos ao relacionamento entre os preditores (redundância, complementaridade, supressão) e
aumento considerável dos coeficiente de regressão.
Portanto, o artigo consegui explorar bem o conteúdo proposto e apresentou com maestria a
possíveis soluções para alguns problemas relacionados ao uso da regressão múltipla, com a ressalva
de que a gama de erros pode ser muito maior e estes possíveis erros não foram abordados no trabalho,
mas, como os autores foram bem específicos com relação a quais erros iriam trabalhar, o trabalhado
ficou em acordo com a proposta dos autores.