Aula 01 Lego:

1. Modelo básico de causalidade.

O problema da indução. Tendemos a induzir, com base na experiência, que se algo
aconteceu algumas vezes, ele tende a continuar a acontecer no futuro. A questão é saber
se isso realmente é verdade.
Popper (modelo racionalista) tenta resolver esse problema a partir do falsificalismo.
Existe uma afirmação geral (de qualquer origem). “Os lápis sempre caem quando eu
solto”. Eu testo as consequências dessas afirmações e, então, tenho dois caminhos: 1.
Rejeito (falsifico), se há as exceções. 2. Se ainda não há exceções, deixo de rejeitar.
Então, para o Popper a ciência não prova nada, apenas é capaz de falsificar ou não as
afirmações.
Este também é classificado como positivismo lógico, porque diz respeito a lógica de
produção científica. Importante destacar que afirmação geral não equivale à uma
proposição causal.
Para Kuhn (modelo irracionalista), há na verdade ciclos de conhecimento em que os
cientistas permanecem conectados um conjunto de teorias e mesmo encontrado
exceções, não abrem mão dessas teorias, enquanto não se atinge o núcleo dessas teorias,
até mesmo porque elas continuam funcionando para explicar algumas outras coisas.
De todo modo, as duas teorias concordo que há uma posição irracional daqueles que não
aceitam críticas e reformulações de teorias quando as críticas atingem seus núcleos.
2. Teoria/Hipótese/Teste
Teoria - Conjunto de conjecturas sobre como o mundo funciona. De preferência, devem
ser causais e, em todos os casos, falseáveis.
Hipótese – Afirmação que aponta consequência e aplicações da teoria de modo mais
específico para testá-las.
Tese - momento empírico em que conceitos operacionalizados geram observações e
confirmam ou não a hipótese.
O problema é que há uma grande dissociação entre teoria e empiria.
“O método é uma tentativa de responder como você pode conhecer aspectos da
verdade”. É um método de produzir a verdade.
Teoria como primeiro passo para a produção do conhecimento científico, que depende
do teste para ser validada como conhecimento científico. Então, não são conhecimentos
científicos.
“Dos conceitos aos entes empíricos”
1. Representação literária do conceito.
2. Especificação do conceito
3. Escolha de indicadores empíricos para medir o conceito (operacionalização da
pesquisa)
4. Formação/Construção de índices e escalas
5. Índices, escalas e indicadores intercambiáveis

O caminho metodológico no quantitativo é tentar simplificar uma relação e aos poucos

adicionar complexidade e ver como a sua relação se sustenta. A ideia é começar
bivariadamente.

Aula 02

1. Desenho de pesquisa:
2. Objetivos de uma pesquisa:

 Inferência descritiva: Compreender (definição Webberiana). Descrição dos

sentidos sociais (motivações) ou descrição dos fenômenos.

 Inferência explicativa (causal): Conexão sequencial de fenômenos na forma de

causalidade (usualmente com duas variáveis X -> Y). Sentido positivista.

 Prever: Ele separa porque previsão não necessariamente tem que haver descrição
e explicação para prever. Por exemplo, é possível prever com base em uma
correlação entre duas variáveis que não explica o fenômeno em termos causais.
Também previsão descritiva, identificação de fenômenos por meio de redes
neurais.

3. Unidades de observação vs. Unidades analíticas (divisão da cabeça dele)

 Unidades analíticas: unidade que se deseja informação e será trabalhada na

pesquisa. Pode não ser diretamente observável, requerendo algum tipo de
combinação, agregação ou inferência das unidades de observação.

 Unidades de observação: unidade de registro da informação/unidade de coleta.

Por exemplo: pesquisa de comparação entre países, unidade analítica – país; unidade de
observação – pessoas neste país. Ou iguais: pesquisa de comparação entre escolas:
unidade analítica – escolas; unidade de observação – escolas (nota das escolas).
É possível ter
 Uma unidade analítica: um estudo de caso.
 Poucas unidades analíticas: normalmente o tanto de uma pesquisa quali.
 Muitas: geralmente quanti.
Se temos
 Uma unidade analítica e muitos pontos de tempo, temos uma série temporal.
 Poucas unidades analíticas e muitos pontos de tempo, múltiplas séries temporais.
 Muitas unidades analíticas
o e um ponto no tempo, temos Cross-section
o e poucos no tempo, temos um painel
o temos uma time-series cross-section
Idiographic Explanation:
 seeks an exhaustive understanding of the causes producing events and situations
in a single or limited number of cases.
 Pay attention to the explanations offered by the living the social process you are
studying.
 Comparisons with similar situations, either in different places or at different
times in the same place, can be insightful.
Nomothetic Explanation:
 Pretend a general understanding of the phenomena, not necessarily complete, of
a class of phenomena, using a small number of relevant causal factors.
 Casual hurdles

4. Inferência Causal

Idealmente, é a comparação entre dois estados diferentes, um em que a variável

independente ocorreu e outra em que não ocorreu (a causa ocorreu e na outra não). O
nome para aquilo que não aconteceu é o contrafactual. O problema fundamental é que
contrafactuais não existem. O problema é que as pessoas que estão no mundo (ou outras
unidades de observação/analíticas) já sofreram a influencia de diversas variáveis.
Estudos experimentais são uma forma artificial de criar contrafactuais com grupos de
controle e de tratamento.
Obs.: Atribuição aleatória. Pensei que eles seriam iguais pq, após a separação, os dois
ainda não teriam recebido o tratamento. Pelo q ele falou é o próprio pesquisador que
controla. X é igual a 0 para todo mundo no início e ele é alterado por decisão do
pesquisador, sem prestar atenção para outras variáveis.
Distribuição aleatória do tratamento é fundamental para cortar Z porque se quebra
qualquer tipo de ordem estabelecida anteriormente, visíveis ou invisíveis, em média. A
proporção entre as características diferentes é praticamente a mesma. Então, tudo o que
vai os diferenciar é que ele administrou o tratamento. Mas sempre se avalia a identidade
dos dois grupos. O grupo tem que ser estatisticamente diferente um do outro. Tudo isso
tem a ver com a validade interna. Nada a ver com validade externa (amostragem).
A aleatoriedade é importante para a divisão também pq se deixa de olhar
individualmente e se passa a olhar os grupos.
Viés de seleção -> antes de “receber o tratamento” as pessoas já são diferentes (antes de
ter o diploma, as pessoas que possuem já são diferentes das que nunca tiveram). Os que
se “auto-selecionaram” (qnd o pesquisador não controla a existência) enviesa a
comparação de médias, fazendo com que ela não expresse o efeito causal puro.
O controle não é o placebo. Placebo é um tratamento de mentirinha, portanto, um tipo
de tratamento. O controle é não dar o tratamento. O controle é contrafactual.

Aula 03: Estatísticas descritivas:

Moda -> ponto de maior concentração de um gráfico (barrinha mais gorda/maior no

histograma e nas barras)

Quando a média é maior que a mediana, gráfico skewd para direita.

A soma dos desvios com relação à média é igual a 0.
Aula 05 (Associação):

Tabela de contingência: usadas para gravar o número de observações de duas variáveis.

Os totais da tabela de contingência são chamados de distribuição marginal.
Das linhas é idêntica à frequência univariada da variável selecionada.
Das colunas é idêntica à frequência univariada da outra variável selecionada.
Distribuição total geral. Soma 100% no total.
Distribuição conjunta pode ser calculada na direção da linha, somando os 100% de cada
linha e dividindo as obs. para calcular a frequência Soma na linha, vamos comparar
nas colunas. Pega a linha total das colunas (que acaba sendo a média total da
tabela e compara).
Distribuição conjunta pode ser calculada na direção da coluna, somando os 100% em
cada coluna e dividindo as obs. para calcular a frequência. Soma na coluna, vamos
comparar nas linhas.
Soma na direção das variáveis explicativas (independentes). A variável somada
deve explicar a outra.
O que está no meio é a distribuição conjunta.

1. Associação entre variáveis quantitativas:

Diagrama de dispersão.
Calcula a média das duas variáveis e traça a linha delas no diagrama. A comparação das
distribuições nesse diagrama dividido em 4 permite entender se há correlação e se ela e
positiva ou negativa. Isto é, a multiplicação da diferença de cada observações de uma
variável da média dessa variável pela diferença de cada observações de outra variável
da média da variável for majoritariamente positiva significa que há uma variação em
uma mesma direção.
Se eu dividir cada resultado da diferença pelo desvio padrão, eu crio uma escala padrão
de unidades (desvpad) para entender o que está acontecendo. Dessa forma, posso
entender melhor as comparações. Após, multiplico igual eu fiz. Se eu pego e faço a
soma desses resultados dividida pela sua quantidade – 1, eu tenho a correlação de
Person:
O coeficiente de Person varia de -1 a 1. É medida de distância entre os pontos para
calcular uma relação linear. Quanto mais perto de 0, menos linear. Negativo,
decrescente. Positivo, crescente.
Obs.: Pode ser 0 e ter um padrão, só não será linear.
Obs.2: Significa: o quanto uma reta descreve (resume) bem seus dados.
Obs.3: Person correlação entre variáveis contínuas.