Mdulo5 AnliseMultivariadanoSPSS

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/315735440
Módulo 5 - Análise Multivariada no SPSS
Technical Report · November 2016

DOI: 10.13140/RG.2.2.10857.90727
CITATION READS
1 16,692
1 author:
Eduardo Federighi Baisi Chagas

Universidade de Marília
91 PUBLICATIONS 87 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Frequência Cardíaca de indivíduos diabéticos e exercício resistido View project
CARDIAC AUTONOMIC MODULATION IN POST MENOPAUSAL WOMEN WITH DIABETES MELLITUS TYPE 2 View project
All content following this page was uploaded by Eduardo Federighi Baisi Chagas on 01 April 2017.
The user has requested enhancement of the downloaded file.

Estatística Aplicada para Iniciantes – Módulo 5 – Estatística Analítica IV
MATERIAL DIDÁTICO
CURSO DE ESTATÍSTICA APLICADA PARA INICIANTES
MÓDULO 5
ESTATÍSTICA ANALÍTICA IV
Análise Multivariada no SPSS
AUTOR: EDUARDO FEDERIGHI BAISI CHAGAS
MARÍLIA
2016
SUMÁRIO
1. Anova
2. Anova-one-way
3. Ancova - Análise de Covariância
4. Anova-two-way
5. Anova de Medidas Repetidas
6. Manova
1. ANOVA
A ANOVA (análise da variância) é o método recomendado para comparar
médias de três os mais grupos. Uma ANOVA produz uma estatística “F” ou razão “F”
que é semelhante a estatística “t”, pois, ela compara a variância sistemática dos dados
com a variância não-sistemática.
Contudo a ANOVA é um teste abrangente (omnibus), que analisa o efeito
global, ou seja, ela informa se existem diferenças entre os grupos experimentais, porém
não informa entre quais grupos a diferença se localiza. Para isto são utilizados os
Contrastes ou Testes Post-Hoc.
A ANOVA é baseada nos mesmo conceitos da Regressão, que comparar a
razão entre as variâncias. Deste modo, a ANOVA pode ser representada por uma
regressão múltipla na qual o número de previsores é um a menos do que o número de
categorias da variável independente.
Dependendo do desenho da pesquisa diferentes formas de ANOVA podem ser
aplicadas. A Anova-one-way é utilizada quando o pesquisador pretende comparar a
média de uma variável quantitativa entre mais de dois grupos independentes.
Quando se pretende analisar o efeito de outras variáveis que influenciam os
resultados da variável dependente de interesse é possível incluir covariáveis na Anova-
one-way. Quando isso ocorre estamos realizando a ANCOVA.
Outra aplicação da ANOVA é quando o pesquisador que analisar a interação de
duas ou mais variáveis independentes sobre a variável quantitativa (dependente) de
interesse. Está análise de chamada de Anova Fatorial, e quando é incluído duas
variáveis independentes é chamada de Anova-two-way.
Há situações que a comparação das médias não se dá somente em grupos
independentes, pois, o pesquisador realiza medidas repetidas de um mesmo grupo.
Nesta condição é utilizada a Anova de Medidas Repetidas. Quando se pretende analisar
o efeito da combinação de variáveis dependentes entre grupos a análise utilizada é a
MANOVA.
Embora os conceitos da ANOVA sejam importante o foco de material é
descrever de forma prática o uso destes recursos estatístico.
2. ANOVA-ONE-WAY
As suposições sob as quais a ANOVA é confiável são as mesmas dos testes

PARAMÉTRICOS baseados na DISTRIBUIÇÃO NORMAL. Além disto, as variâncias
em cada um dos grupos devem ser homogêneas, que representa o pressuposto de
HOMOGENEIDADE DAS VARIÂNCIAS.
Em termos de violação de das hipóteses de homogeneidade da variância, a
ANOVA é bastante robusta quando o tamanho dos grupos é igual. Quando grupos com
grande tamanhos amostrais apresentam variâncias maiores do que grupos com tamanhos
amostrais menores, a razão F tende e ser “não-significativa” mesmo quando existe uma
diferença (erro do tipo II).
Já quando os grupos com grande tamanhos amostrais apresentam variâncias
menores do que os grupos com tamanhos amostrais menores, a razão F tende a ser
“significativa” mesmo quando não existe diferença entre os grupos (erro do tipo I).
O SPSS fornece opções de teste que corrigem a violação das hipóteses de
homogeneidade das variâncias, porém a violação da hipótese da independência é mais
série a aumenta de forma considerável a chance de erro do tipo I. A hipótese da
Independência é violada quando as observações entre os grupos se correlacionam.
CONTRASTES
Como a razão F da estatística da ANOVA nos informa somente se existe
diferença entre os grupos independentes é necessário realizar procedimentos adicionais
para identificar entre quais grupos existe a diferença significativa.
Uma das opções para isto são os CONTRASTES planejados, que realizam
comparações par a par entre os grupos. O SPSS fornece várias opções de
CONTRASTES, porém a escolha deste dependente da forma que pretende comparar os
grupos. Caso o pesquisador não tenha definido a forma como pretende comparar os
grupos, recomendo que faça a opção pelo teste Post-Hoc que realiza a compara de todos
os pares possíveis controlando o aumento do erro do tipo I.
Entretanto a situações que se pretende realizar a análise de tendência e isto é
possível através do CONTRASTE POLINOMIAL.
POST-HOC
O teste Post-Hoc representa comparações aos pares corrigindo o problema do

crescimento do erro de conjunto. O SPSS fornece 18 opções de teste Post-Hoc, e a
principal diferença entre eles é a forma que controlam o erro do tipo I e tipo II. Porém
quando o erro do tipo I é controlado de forma mais conservadora se observa um redução
do poder, ou seja, um aumento do erro do tipo II e redução da capacidade do teste
encontrar diferenças significativas quando elas realmente existem. Também há opções
de teste Post-Hoc que devem ser utilizadas quando as hipóteses de Homogeneidade das
variâncias são violadas.
Vou comentar das principais opções de teste Pos-Hoc e as vantagens e
desvantagens destes considerando os tipos de erro.
O teste LSD não tenta controlar o erro do tipo I e exige apenas que a ANOVA
seja significativa. Deste modo para seu uso recomendo que todos os pressupostos
estejam atendidos e que o nível de significância, normalmente estabelecido em p≤0,05,
seja dividido pelo número de pares de comparações.
O teste de Bonferroni e de Turkey controlam muito bem o erro do tipo I, mas
reduzem bastante o poder. O teste de Bonferroni apresenta maior poder quando o
número de comparações é pequeno. O teste de Turkey é recomendado quando o número
de comparações é grande.
O teste REGWQ apresenta um bom poder e controle satisfatório do erro do
tipo I, porém não devem ser utilizado para comparação de grupos de tamanhos
diferentes.
Quando a homogeneidade das variâncias não for violada o SPSS fornece
opções de teste Post-Hoc que podem ser aplicados quando a igualdade das variâncias
não é assumida. A opção mais recomendada é o teste de Games-Howell.
ANOVA-ONE-WAY
Para exemplificar o uso da Anova-one-way vamos imaginar que temos três

grupos independentes que correspondem a três faixas etárias, e o objetivo é comparar a
média de índice de massa corporal (IMC) entre os grupos. Clicar em
Analyze<Compare Means<One-Way-ANOVA. Na caixa de dialogo que abrir inserir
em Dependent List a variável quantitativa e em Factor a variável qualitativa que divide

os grupos.
Na opção Contrasts selecionar a opção Polynomial e em Degree selecionar a

opção Quadratic. Ao selecionar a opção Quadratic será realizada a análise de contraste
selecionada e a anterior (Linear). A opção Polynomial produz o valor de “p” conhecido
como “p-trend” ou valor de “p” para tendência. Na opção Post-Hoc considere as
recomendações anteriores para seleção dos testes, porém como temos apenas 3 grupos
de comparação sugiro selecionar a opção de Bonferroni e como ainda não temos certeza
sobre a homogeneidade das variâncias selecione também a opção Games-Howell.
Retornando na caixa de dialogo principal clicar em Options e selecionar os
itens Descriptive, Homogeneity of variance test, Brown-Forsythe, Welch e Means Plot.
O teste de LEVENE testa a hipótese de Homogeneidade das Variâncias, e

quando está é violada o SPSS fornece duas opções alternativas ao teste de ANOVA para
calcular a razão F. O teste de Welch é o mais recomendado quando a hipótese de
Homogeneidade das Variâncias, porém se um dos grupos apresentar valores de média
extremos utilize o Brown-Forsythe. Retorne a caixa principal e clique em OK.
No Output do SPSS no quadro Descriptive é apresentada a Média (mean),

desvio-padrão (Std. Deviation), erro padrão (Std.Error), o intervalo de confiança de
95% para média (lower bound e upper bound) e amplitude (minimum e maximum).
No quadro Testo f Homogeneity of Variances o valor de sig (p)≤0,05 indica

que a hipótese da Homogeneidade das Variâncias foi violada. Caso isso tenha ocorrida
considerar a razão F e valor de “p” (sig) do quadro Robust Testo of Equality of Means.
No quadro ANOVA a estatística F e valor de “p” (sig) para o Teste de Anova-

one-way está em Between Groups, que indica que existe diferenças significativas entre
os grupos de faixa etária. Em Linear Term é apresentado o valor de “p-trend” para
relação linear na opção Unweighted (não ponderada) e Weighted (ponderada), que
indica que existe relação linear entre aumenta da faixa etária e aumento do IMC. Em
Quadratic Term é apresentado o valor de “p-trend” para relação quadrática na opção
Unweighted (não ponderada) e Weighted (ponderada).
Como a Anova-one-way tem valor de “p” (sig)≤0,05 assumimos que existe

diferença signficativa entre os grupos, mas para localizar as diferenças é necessário
realizar o teste Post-Hoc. Como o teste de Levene tem valor de significância maior que
0,05 a igualdade das variâncias pode ser assumida e o teste de Bonferroni pode ser
utilizado para identificar as diferenças. A Faixa etária <20 anos apresenta diferenças
significativas das faixas etárias 20 a 23 anos e >23 anos, porém entre as faixas etárias 20
a 23 anos e >23 não existe diferença estatisticamente significante.
TAMANHO DO EFEITO
A forma mais recomenda para calcular o tamanho do efeito para Anova-one-
way é pelo calculo do ômega quadrado (ω2).
ω2 = SSm – (glm)* MSr / SSt + MSr
ω2 = 336,169 – (2)*15,935/ 8128,418 + 1,97
ω2 = 304,299/ 8130,388
ω2 = 0,03 – efeito pequeno
Porém é mais interessante calcular o efeito baseado no valor do teste “t” de

cada comparação. Comparações planejadas são testadas pela estatística “t”, portanto o
tamanho do efeito pode ser calculado por:
Rcontraste = √t2 /t2 +gl
Para isto é necessário realizar os contrastes planejados, porém para isto é
necessário atribuir os coeficientes que representam cada categoria de forma correta.
Considerando que as faixas etárias estão organizadas da seguinte forma: 1=<20 anos; 2=
20 a 23 anos; e 3 = >23 anos. Ir em Contrasts e atribuir os seguintes coeficientes.
Para comparar categoria 1 e 2 será necessário atribuir coeficiente -1 para
categoria 1 e coeficiente 1 para categoria 2. Como a categoria 3 não será considerada
nesta comparação entre 1 e 2, deverá receber o coeficiente 0. Da mesma forma quando
for comparar os grupos 1 e 3, atribuir os coeficientes -1 para grupo 1, 1 para grupo 3 e 0
para grupo 2. Quando comparar grupos 2 e 3, atribuir coeficientes 0 para grupo 1, -1
para grupo 2 e 1 para grupo 3.
No Output do SPSS no quadro Contrast Coefficients são apresentados os

coeficientes atribuídos em cada contraste.
No quadro Contrast Tests são apresentados os valores de “t” e do grau de

liberdade (df = gl), como também para o valor de “p”.
Assim o valor de r (tamanho do efeito) para:

Rcontraste 1 = √t2 /t2 +gl = √8,36/8,36+489 = 0,12 = efeito pequeno
Rcontraste 2 = √t2 /t2 +gl = √19,17 /19,17+489 = 0,19 = efeito pequeno
Como o contraste 3 entre os grupos 2 e 3 não foi significativo não se deve

calcular o tamanho do efeito, porque não há efeito.
3. ANCOVA - ANÁLISE DE COVARIÂNCIA
Quando estamos comparando o efeito de grupo (variável independente) sobre

uma variável dependente é esperado que toda variação existente não possa ser explicada
por um único fator. Desta forma, existem variáveis independentes que não foram
consideradas e podem influenciar significativamente as variâncias dentro dos grupos.
Estas variáveis que podem controlar a variância do erro dentro do grupo e
controlar fatores de confusão são chamadas de COVARIÁVEIS.
Assim quando COVARIÁVEIS são incluídas na comparação de grupos
independentes estamos realizando uma Análise de Covariância ou ANCOVA.
Considerando que o sexo represente um possível fator de influência sobre o IMC, e seja
necessário controlar seu efeito para comparação do IMC entre grupos de faixa etária
podemos fazer isto utilizando a ANCOVA.
Para realizar a ANCOVA no SPSS clicar em Analyze<General Linear
Model<Univariate. Na caixa de dialogo que abrir inserir em Dependent Variable a
variável quantitativa que representa o desfecho, em Fixed Factor(s) a variável
qualitativa que representa os grupos de exposição, e em Covariate(s) a variável que será
controlada.
Em Contrasts agora não é possível construir contrastes planejados sendo

necessário selecionar uma das opções disponíveis. Sempre que selecionar uma opção de
contraste é necessário clicar em Change para salvar a alteração. Além disto, para o
maioria das opções de contraste do SPSS é necessário indicar qual categoria da variável
independente será a categoria de referências, mas lembre que o SPSS somente permite
selecionar a primeira ou a última categoria. Dentre as opções de contraste recomendo a
de Helmert.
No quadro abaixo contem a descrição de como são realizadas as comparações

de contraste disponíveis no SPSS.
Quando uma covariável é incluída a opção Post-Hoc na caixa de dialogo

principal fica bloqueada, porém é possível solicitar o teste Post-Hoc no item Options.
Em Estimated Marginal Means no item Factor(s) and Factor Interactions selecionar a
variável independente e inserir em Display Means for. Em seguida marcar a opção
Compare main effects e selecionar o teste Post-Hoc em Confidence interval adjustment.
Dentre as opções disponíveis recomenda a opção de Bonferroni, porém a opção de
Sidak é menos conservadora e controla a perda de poder.
Ainda em Options selecione em Display os itens Descriptive, Parameter
estimates e Homogenety tests. Em Parameter estimates é calculado os coeficientes de
regressão e suas significância para as variáveis do modelo de regressão. Em
Homogenety tests o valor de significância para o teste de Homogeneidade das
Variâncias de Levene.
No Output no quadro Descriptive Statistics é apresentado os valores de média e

desvio-padrão dos grupos. No quadro Levene`s Test of Equality of Error Variances o
valor de sig (p)>0,05 indica que o pressuposto de Homogeneidade da Variâncias foi
atendido.
No quadro Tests of Between-Subjects Effects o valor de sig (p) para Corrected

Model indica se o modelo construído com a variável independente é significativo para
prever a variável dependente. Em Sexo o valor de sig (p)≤0,05 indica a influência
significativa sobre as variações de IMC entre os grupos de faixa etária (FE). Em relação
às faixas etárias foram observadas diferenças significativas, porém é necessária a
realização de Contrastes ou teste Post-Hoc para identificar entre quais categorias de FE
existe diferença. Observe que em baixo da tabela é apresentado o R2 que indica que
percentual de variação da variável dependente é explicado pelo modelo construído pela
variável independente, tendo a covariável Sexo controlada.
No quadro Parameter Estimates são apresentados os coeficientes de regressão

para o intercepto, Sexo e categorias de faixa etária, com seus respectivos valores de “p”
(sig) e intervalo de confiança de 95% (Lower bound – Upper bound).
O SPSS codifica as categorias de forma que a última categoria seja a categorias
de referência (faixa etária 3) e codificada como “0”. Assim a categoria 2 representa a
diferença entre faixa etária 2 e 3, e a categoria 1 a diferença entre categoria 1 e 3.
Deste modo, os valores de B representam as diferenças entre médias desses
grupos, e assim a significância dos testes “t” nos diz se as médias dos grupos diferem
significativamente ou não.
Deste modo podemos concluir que existe diferença entre a categoria 1 e 3 para
faixa etária (sig=0,002), mas não entre as categorias 2 e 3 (sig=0,225). Para a
covariável Sexo (1=masculino; 2=feminino) foi observado efeito significativo na
previsão do IMC e o valor de B= - 2,323 (negativo) indica que o sexo feminino
contribui para a redução dos valores de IMC.
Em relação ao contraste sugiro a opção de Helmert e o Polinomial. No

contraste de Helmert primeiro é comparado o grupo 1 com grupo 2 e 3 somados, e
depois é excluído o grupo 1 e comparado grupos 2 e 3. O grupo 1 apresentou diferença
significativa em relação os grupos 2 e 3 (sig=0,002), porém entre os grupos 2 e 3 não foi
observado diferença significativa (sig=0,225). Note que este são os mesmos valores
observado na regressão
No contraste Polynomial é apresentado o valor de significância (sig) para

tendência linear (p=0,002), e para tendência quadrática (p=0,768). Este resultado indica
que o aumento da categoria de faixa etária se relaciona linearmente com o aumento do
IMC.
No quadro Estimates é apresentado a média dos grupos com os repectivos erro

padrão da média e intervalos de confiança de 95%. Porém estes valores de média e
IC95% estão sendo influenciados pelo controle da covariável Sexo e produzem valores
diferentes daqueles calculos diretamente como apresentado no quadro Descriptive
Explore. Lembre que é possível analisar a diferença entre os grupos pelo IC95%, onde
podemos verificar que os grupos de faixa etária 1 e 2 não diferem significativamente, e
nem o grupo 2 e 3, porém os grupos 1 e 3 apresentam diferenças singificativas.
Descriptives Explore
FAIXA ETÁRIA Statistic Std. Error
IMC < 20 ANOS Mean 22,6155 ,24947
(Kg/m2)
Pré 95% Lower 22,1239
Confidence Bound
Interval for Upper 23,1071
Mean Bound
20 A 23 Mean 23,8419 ,35867
ANOS 95% Lower 23,1330
Confidence Bound
Mean Bound
> 23 ANOS Mean 24,5918 ,36639
95% Lower 23,8662
Confidence Bound
Mean Bound
No quadro Pairwise Comparisons é apresentado os valores de “p” (sig) para as

comparações par-a-par pelo teste de ajustamento de Bonferroni. É possível verificar que
controlada a covariável Sexo não foi observado diferença significativa entre os grupos
de Faixa etária 1 e 2. Porém entre o grupo 1 e 3 as diferenças permaneceram
significativas.
TAMANHO DO EFEITO
Da mesma forma que na Anova-one-way é mais adequado calcular o tamanho
do efeito para as comparações utilizando o r como descrito na equação abaixo.
Rcontraste = √t2 /t2 +gl
O quadro Parameter Estimate fornece as informações necessárias para calcular
o tamanho do efeito. Esta estatística tem N-2 graus de liberdade (N=tamanho total da
amostra=492).
Rcontraste 1 vs. 3 = √-3,1092 /-3,1092 +(492-2) = 0,13 = efeito pequeno

Rcontraste 2 vs. 3 = √-1,2142 /-1,2142 +(492-2) = 0,05 = efeito pequeno
4. ANOVA FATORIAL – ANOVA-TWO-WAY
A ANOVA fatorial é utilizada quando se pretende avaliar o efeito de duas ou

mais variáveis independentes sobre uma variável dependente. Existem vários desenhos
de estudo que permitem a ANOVA fatorial:
- Delineamento Fatorial Independente: quando existe variáveis
independentes e cada uma delas foi mensurada usando participantes diferentes.
- Delineamento Fatorial Relacionado: quando existe variáveis independentes
e cada uma delas foi mensurada usando participantes os mesmos participantes.
- Delineamento Fatorial Misto: quando existe variáveis independentes e
algumas foram mensuradas em participantes diferente e outras nos mesmos
participantes.
Vamos discutir a ANOVA fatorial independente de dois fatores, que é
comumente chamada de ANOVA-TWO-WAY. Ainda utilizando o exemplo do capitulo
anterior vamos analisar o efeito das variáveis independentes Sexo e Faixa Etária sobre
os valores da variável dependente IMC.
Aqui os grupos de comparação são independentes porque quando comparamos
a combinação de dois fatores não há a possibilidade dos participantes estarem dentro de
mais de um grupo de combinação de fatores.
Para produzir a Anova-two-way no SPSS clicar em Analyze<General Linear
Model<Univariate.
Na caixa de dialogo que abrir inserir a variável dependente (IMC) em

Dependent Variable e as variáveis independentes (Sexo e Faixa Etária) em Fixed Factor
(s).
Em Model é possível customizar a análise, porém o SPSS já realiza

automaticamente as análises dos componentes principais e da interação. Ainda em
Model no item Sum of squares o SPSS realiza a análise automaticamente a análise do
tipo III (type III) que pode ser usada tanto em delineamento balanceados como não
balanceados. Em Contrasts é possível selecionar a opção de contraste como descrito em
na capítulo anterior da ANCOVA. Em Plots é possível construir o gráfico de linhas
introduzindo as variáveis independentes nas opções Horizontal Axis e Separete Lines, e
depois em Add. A construção do gráfico é importante para uma melhor interpretação da
interação.
Em Options selecionar as variáveis em Factor (s) and Factor Interactions e

inserir em Display para realizar as análises dos componentes principais e interação. Para
realizar a análise Post-Hoc dos efeitos principais selecionar o item Compare main
effects, e na opção Confidence interval adjustment a opção Bonferroni.
Em Display selecionar as opções Descriptive statistics e Homogeneity.
No Output do SPSS no quadro Between-Subjects Factors é descrita as

categorias das variáveis independentes e o número de sujeitos em cada categoria. No
quadro Levene´s Testo of Equality of Error Variances é apresentado o valor de “p” (sig)
para o teste de Levene, em que valores ≤0,05 indicam a violação a hipótese de
Homogeneidade das Variâncias.
No quadro Descriptive Statistics é apresentada e média (mean) e desvio-padrão

(Std.Deviation) para os valores de IMC dentro das combinações entre as variáveis
independentes.
No quadro Tests of Between-Subjects Effects é apresentado o valor de “p”

(sig) para o efeito principal do Sexo (sig=0,0001) e da faixa etária (sig=0,011). Também
é apresentado o efeito de interação entre sexo*faixa etária (sig=0,789).
No quadro Contrast Results (K Matrix) é apresentado os contrastes de Helmert.

Em Leve 1 vs. Later é comparado a faixa etária 1 versus outras (2 e 3), onde o valor de
sig. de 0,006 (p≤0,05) indica que existe diferença significativa entre a faixa etária 1 e a
combinação das faixas etárias 2 e 3. Em Level 2 vs. Level 3 o valor de sig. de 0,194
(p>0,05) indica que não existe diferença significativa entre as faixas etárias 2 e 3. A
limitação do uso do Contraste de Helmert é que não é comparada a faixa etária 1 e 2
separadamente.
Porém no quadro Estimate para a variável Sexo é apresentada a média, erro

padrão da média e intervalo de confiança do IMC entre as categorias do Sexo como
componente principal. No quadro Pairwise Comparisons é apresentado os valores de
“p” para comparação de médias entre o sexo masculino e feminino.
Os valores de Sig.≤0,05 (p=0,0001) indicam que existe diferenças

significativas dos valores de IMC entre o sexo masculino e feminino pelo teste de
ajustado de comparações múltiplas de Bonferroni.
A mesma estimativa no componente principal Faixa Etária é realizada. O teste

de ajustamento de comparações múltiplas de Bonferroni, indica que existe diferenças
significativas entre a faixa etária 1 e 3 (p=0,009), mas não entre 1 e 2 (p=0,243), e nem
entre 2 e 3 (p=0,583).
Por último é apresentado o quadro de comparação das médias (mean), erro

padrão da média (Std.Error) e intervalo de confiança (95% Confidence Interval) para as
interações entre Sexo e Faixa Etária. Ao analisar os intervalos de confiança de 95%
(IC95%) não foi observado diferenças significativas entre as faixas etárias quando
dividas por sexo, o que é confirmado pelo valor de “p” para interação (p=0,789).
5. ANOVA DE MEDIDAS REPETIDAS

A ANOVA de Medidas Repetidas é utilizada em situações em que os mesmos
sujeitos são medidos em momentos ou condições experimentais diferentes.
Esse tipo de delineamento tem a vantagem de reduzir a variabilidade não-
sistemática, fornecendo um poder maior para detectar efeitos genuínos.
Embora a distribuição de normalidade seja um pressuposto a se considerar,
principalmente dos resíduos, a pressuposto mais relevante para a Anova de Medidas
Repetidas é o da ESFERICIDADE (ɛ).
A Esfericidade refere-se a igualdade das variâncias das diferenças entre os
pares dos diferentes níveis de condições experimentais, e para que isso é necessário que
exista no mínimo três condições experimentais.
O pressuposto da Esfericidade é testado pelo teste de Mauchly´s, onde valores
de p≤0,05 indicam a violação da hipótese. Quando este pressuposto é violado o SPSS
fornece duas opções de teste que realizam a correção da hipótese da Esfericidade, sendo
eles o de Greenhouse-Geiser e a de Huynh-Feldt.
Quando o pressuposto de Esfericidade é violado (p≤0,05) o teste de
Greenhouse-Geiser deverá ser utilizado se o valor de Epsilon (ɛ) for ≤ 0,750. Quando o
valor de Epsilon (ɛ) for > 0,750 a opção deverá ser o teste Huynh-Feldt.
Para exemplificar a Anova de Medidas Repetidas no SPSS, vamos imaginar
uma situação onde foi realizada uma intervenção para avaliar o efeito sobre os valores
do índice de massa corporal (IMC). Os valores de IMC foram mensurados em três
momentos distintos, sendo a primeira medida pré intervenção (IMC_pré), a segunda
medida pós intervenção (IMC_pós), e a terceira medida no retorno após 3 meses do
final da intervenção (IMC_retorno).
Para iniciar a análise no SPSS clicar em Analyze<General Linear
Model<Repeated Measures. Na caixa de dialogo que abrir é preciso definir o número
de níveis que a variável dependente será mensurada (Number of level), que no exemplo
do IMC está em 3 níveis. Caso queira é possível nomear o fator de entrada, porém como
estou tratando de apenas uma variável não farei isto agora. Clicar em Add e depois em
Define.
Na próxima caixa de dialogo que se abre no item selecionar as 3 medidas de
IMC em inserir em Within-Subjects Variable (factor 1). A opção Model não será útil
neste desenho porque a análise não contém divisão de grupos (Between-Subjects

Factor(s)).
Na opção Contrast o SPSS realiza automaticamente o contraste polynomial que

analisa a presença de tendência linear ou quadrática, porém se preferir fazer
comparações par-a-par selecione a opção Repeated. Recomendo o contraste polynomial,
pois, as comparações par-a-par serão feitas nos teste Post-Hoc em Options. Em Plot
inserir o factor 1 em Horizontal Axis e clicar em Add. A opção Post-Hoc não estará
disponível por não possui nenhum grupo independente de comparação.
Em Options selecionar a variável Factor 1 em Factor (s) and Factor Interactions

e inserir em Display Means for, selecionando também o item Compare main effects, e
na opção Confidence interval adjustment a opção Bonferroni.
Em Display selecionar somente a opção Descriptive Statistics. A opção

Homogeneity teste não deve ser seleciona porque a homogeneidade das variâncias aqui
é substituída pelo teste de Esfericidade. Depois clicar em Continue e Ok.
No Output no quadro Within-Subjects Factors é apresentada a lista de variáveis

dependentes que foram incluídas na análise com seus respectivos códigos. Em
Descriptive Statisitics é apresentado os valores de média (Mean) e desvio-padrão
(Std.Deviation) para cada momento.
No quadro Multivariate Test é apresentado o valor de “p” (sig) que indica se

existe diferença entre as médias (sugiro olhar para Wilks`Lambda). No nosso exemplo
existe diferença significativa entre as médias (p= 0,0001), porém antes de analisar o
teste Post-Hoc para localizar as diferenças é necessário avaliar a Esfericidade.
No quadro Mauchy´s Testo f Sphericity o valor de sig ≤0,05 indica que a

hipótese de Esfericidade foi violada e as análise não podem ser baseadas nos valores de
Wilks´Lambda. Para decidir entre o teste de Greenhouse-Geisser ou Huynh-Feldt
devemos observa o valor de Epsiolon. Valores de Epsilon ≤ 0,75 utilizar Greenhouse-
Geisser, e >0,75 o teste de Huynh-Feldt.
No quadro Testo f Within-Subjects Effects são apresentados os valores de “p”

(sig) para os testes de Greenhouse-Geisser e Huynh-Feldt. No caso do exemplo do IMC
deveremos utilizar o valor de “p” do teste de Huynh-Feldt, que indica existir diferença
significativas entre as médias.
No quadro Tests of Within-Subjects Contrasts é apresentado o valor de “p”

(sig) para tendência (p-trend) linear e quadrática. Os resultados indicam não existir
tendência linear, mas confirmam a tendência quadrática (p=0,0001). Pela observação do
gráfico de linhas para as média é possível observar o comportamento quadrático.
No quadro Estimates é possível verificar as médias e respectivos intervalos de

confiança de 95% das três condições avaliadas, o que permite analisar e detectar entre
quais momentos ocorre a diferença significativa apontada no teste multivariado.
Porém para complementar a interpretação e localização das diferenças é

recomendado olhar para o quadro Pairwise Comparisons que realiza o teste Post-Hoc de
Bonferroni para as comparações par-a-par. Neste quadro é possível observar em sig que
o momento 2 apresenta diferença significativas em relação aos momentos 1 e 3, porém
não há diferença significativa entre os momentos 1 e 3.
TAMANHO DO EFEITO
Embora seja possível calcular o tamanho do efeito para a análise principal, é

preferível avaliar o tamanho do efeito através dos dados do Contraste planejado, pois,
permite avaliar o tamanho do efeito para cada comparação.
Para gerar estas informações é necessário retornar a caixa de dialogo que foi
realizada a ANOVA e na opção Contrasts selecionar o contraste Repeted e rodas a
análise novamente.
No quadro Tests of Within-Subjects Contrasts é possível utilizar as

informações dos graus de liberdade (df) e da estatística F utilizando a equação:
r = √ F/ (F+df)
r (1 vs. 2) =√41,129/ 41,129 +491 = 0,27 efeito pequeno
r (2 vs. 3) =√30,941/ 30,941 +491 = 0,24 efeito pequeno
A análise da Anova de Medidas Repetidas ainda pode ser analisada

comparando grupos. Vamos utilizar o exemplo do IMC, mas incluindo a variável sexo
como variável independente. Clicar em Analyze<General Linear Model<Repeated
Measures e editar o nome da variável (IMC) e o número de níveis (3).
Na caixa de dialogo principal incluir a variável Sexo no item Between-
Subjects Factor(s). Em Plots inserir a variável Sexo em Separate Lines e a variável IMC
em Horizontal Axis. Em Options inserir em Display Means for Sexo, IMC e a interação
Sexo*IMC. Ainda em Options selecionar a opção Compare main effects e selecionar o
teste Post-Hoc de Bonferroni. Retornar na caixa de dialogo principal e clicar em OK.
No Output em Within-Subjects Factors é indicado o número de fatores e em

Between-Subjects Factors o número de sujeito dentro dos grupos de comparação.
No quadro Descriptive Statistics é descrita a média e desvio-padrão dos valores

de IMC nas três condições de medida para o sexo masculino, sexo feminino e total.
No quadro Box´s Testo of Equality of Covariance Matrices o valor de sig

avalia a igualdade das matrizes de covariâncias entre os grupos (sexo). Valores de “p”
(sig) para o teste de Box ≤0,05 indicam que está hipótese foi violada. Porém o SPSS não
oferece uma versão de correção para a violação desta hipótese. No quadro Levene´s
Test of equality of Error Variance, valores de “p” (sig) ≤0,05 indicam a violação da
hipótese de homogeneidade das variâncias.
No quadro Multivariate Test o valor de “p” (sig) para o IMC indica que existe
diferença entre as médias em relação aos momentos pré, pós e retorno. Em IMC*Sexo o
valor de “p” indica que existe interação entre Sexo e as variações de IMC.
Porém o teste de Mauchy´s indica que a hipótese de Esfericidade foi violada, e

os valores de Epsilon indicam a necessidade de se basear as análises no teste de Huynh-
Feldt.
No quadro Testo f Within-Subjects Effects os valores de “p” (sig) confirmam o

efeito significativo do tempo sobre o IMC, como também a interação entre Sexo*IMC.
No quadro Tests of Within-Subjects Contrasts é possível verificar diferença

significativa entre as medidas pré e pós, e pós e retorno para os valores de IMC. Para a
interação Sexo*IMC não foi verificada interação significativa entre os momentos pré e
pós, mas entre os momentos pós e retorno foi observada interação significativa.
Para análise do efeito do Grupo (Sexo) o SPSS fornece no quadro Estimates as

médias e intervalos de confiança de 95%. No quadro Pairwise Comparisons é
apresentado o valor de “p” para comparação entre os sexos pelo teste de Bonferroni.
Lembre que esta média é geral e considera os três momentos.
Em relação ao tempo (pré, pós e retorno) também é fornecido no quadro

Estimates os valores de média e intervalo de confiança de 95%, e as comparações par-a-
par pelo teste Post-Hoc de Bonferroni.
Para analisar o comportamento da interação Sexo*IMC é apresentado no

quadro Estimates. Ao analisar os intervalos de confiança é possível verificar que ambos
os sexo apresentaram um redução significativa entre os momentos pré e pós, porém
entre os momentos pós e retorno apenas o sexo feminino apresentou aumento
significativo do IMC. Este comportamento pode ser melhor observado no gráfico de
linhas.
6. MANOVA
A MANOVA (Análise de Variância Multivariada) é uma extensão da
ANOVA. Na MANOVA é possível analisar o efeito de uma ou mais variáveis
independentes sobre um conjunto de variáveis dependentes. Na ANOVA é possível
analisar o efeito de uma ou mais variáveis independentes sobre uma única variável
dependente.
A teoria por trás da MANOVA é complexa e não será discutida aqui, porém
alguns pontos importantes que podem auxiliar a decisão de realizar uma MANOVA ou
as variáveis que serão incluídas na análise serão abordados neste capítulo.
Na MANOVA duas ou mais variáveis dependentes podem ser incluídas na
análise, porém quanto maior o número de variáveis inseridas na análise maior será o
tamanho da amostra necessária para manutenção de um poder aceitável para detectar
diferenças quando estas estão presentes.
Outra questão importante é que as variáveis dependentes sejam
preferencialmente quantitativas ou ao menos em escala de medida ordinal.
Considerando que o número de variáveis influencia o poder da MANOVA a seleção das
variáveis de inclusão deve ser baseada em critério biológico que indiquem a possível
contribuição desta variável na análise.
Porém se não dispõe de critérios suficientes para auxiliar a escolha das
variáveis dependentes, mas mesmo assim você gostaria de incluí-las na análise,
recomendado que realize um teste de correlação entre as variáveis dependentes. As
variáveis que apresentem altas correlações entre si apresentam maior chance de
contribuírem para um maior poder para detectar diferenças significativas na MANOVA.
Além das características da variável dependente a MANOVA também exige a
aderência a mais dois pressupostos importantes, o da Normalidade Multivariada e o
da Homogeneidade das Matrizes de Covariância. O SPSS não tem oferece o teste de
Normalidade Multivariada, o que leva a necessidade de testar a normalidade Univariada
de cada variável que entra no modelo. A ausência de normalidade de uma variável
dependente não indica que o teste Normalidade Multivariada será violada, porém o teste
de Homogeneidade das Matrizes de Covariância é altamente sensível a violações da
Normalidade Multivariada. No SPSS o teste de Homogeneidade das Matrizes de
Covariância é realizado pelo teste de BOX.
O SPSS fornece quatro análises para MANOVA, a estatística de ROY, o

Traço de HOTELLING, o Lamdda de WILKS e o Traço de PILLAI. Quando os
pressupostos forem atendidos utilizar estatística de ROY. Quando o pressuposto de
Homogeneidade das Matrizes de Covariância é violado e os grupos são de tamanhos
iguais utilize o Traço de PILLAI. Quando os pressupostos forem violados e os grupos
são de tamanhos diferentes, utilizar o Lamdda de WILKS.
A MANOVA é o teste geral que indica se existe ou não diferença significativa
entre os grupos, sendo necessários testes adicionais para localizar as diferenças. Uma
opção de teste adicional é a ANOVA univariada seguida do teste Post-Hoc de
Bonferroni. Porém a ANOVA univariada pode não ser suficiente para compreender o
efeito combinado das variáveis dependentes dentro dos grupos, o que leva a necessidade
da realização de uma ANÁLISE DISCRIMINANTE.
Como primeiro exemplo para descrever e rotina de análise da MANOVA no
SPSS vamos analisar se a variável Sexo (masculino=1; feminino=2) contribui de forma
significativa no comportamento das variáveis, índice de massa corporal (IMC), glicemia
de jejum (GL), pressão arterial sistólica (PAS) e frequência cardíaca de repouso (FC).
No SPSS clicar em Analyze<General Linear Model< Multivariate. Na caixa
de dialogo que abrir inserir as variáveis dependentes em Dependent Variables, e a
variável independente (Sexo) em Fixed Factor(s).
A opção Model só será utilizadas caso queira personalizar alguma análise não
prevista no SPSS, o que acredito não ser necessário. Em Contrasts selecionar a opção
simple, porém se a variável independente tiver mais de dois níveis de (3 ou mais
categorias) o contraste simples lhe dará a opção de confrontar a primeira ou última
categoria com as demais, sendo necessário então definir com antecedência qual
categoria representará a categoria de referência para comparação. Em Post-Hoc embora
a solicitação desta análise esteja disponível no SPSS está análise não será realizada
porque a variável sexo tem apenas duas categorias de reposta. Porém é possível realizar
a análise Post-Hoc no item Options.
Em Options inserir a variável Sexo em Display Means for, e selcionar o item

Compare main effects e em seguida selecionar em Confidence inteval adjustment a
opção Bonferroni.
Ainda em Options selecionar em Display os itens: Descriptive Satatistics;
Estimate of effect size; Parameter estimates; e Homogeneity teste. Os itens SSCP
matrices e Residual SSCP matrix estão relacionados ao quadros de análise das matrizez
do modelo, dos resíduos e total, utilizadas na MANOVA, mas que não vão contribuir
com sua análise dos resultados. Após selecionar os itens clicar em Continues e depois
em OK.
No Output do SPSS o Between Factors é descrita as categorias (níveis) da
variáveis independente com a frequência absoluta de cada categoria. No quadro
Descriptive Statistics é apresentado os valores de média e desvio-padrão de cada
variável dependente divida entre as categorias da variável independente (sexo).
No quadro Box´s Testo of Equality of Covariance Matrices o valor de sig

≤0,05 indica que a Homogeneidade das Matrizes de Covariância entre os grupos não
é igual. Considerando que os grupos são de tamanhos diferentes a análise da MANOVA
deve ser baseada nos valores de “p” (sig) do Lambda de Wilks. Caso a MANOVA
indique diferença significativa entre os grupos, as análises adicionais pela ANOVA
levam em consideração o pressuposto de Homogeneidade das Variâncias, avaliada pelo
teste de LEVENE. Como verificado no quadro abaixo todas as variáveis selecionadas
tem valor de sig > 0,05, indicando que o pressuposto de Homogeneidade das Variância
foi antendido.
No quadro Multivariate Tests é apresentado os valores de “p” (sig) para a

análise de MANOVA, que indicando que o conjunto de variáveis dependentes se
comporta de forma diferente entre os grupos, porém para identificar quais variáveis são
responsáveis por está diferença e em qual direção é necessário a realização das análises
adicionais. Ainda no quadro Multivariate Tests em Partial Eta Squared é apresentado o
valor do Eta2 que pode ser utilizado para estimar o tamanho do efeito.
No quadro Testo f Between-Subjects Effects em Sexo é apresentado o valor de

“p” (sig) da ANOVA univariada para cada variável. Foi verificado efeito significativo
do sexo para as variáveis, pressão arterial sistólica (p=0,0001), frequência cardíaca de
repouso (p=0,026) e IMC (p=0,0001), mas não para glicemia de jejum (p=0,609).
Como a variável Sexo possui apenas duas categorias de resposta o teste Post-
Hoc se torna desnecessário, bastando apenas observar os valores de média no quadro de
estatística descritiva. Porém a direção e o tamanho da contribuição de cada variável
dentro das categorias podem ser avaliados pelos coeficientes de regressão apresentados
no quadro Parameter Estimates.
Como a variável Sexo apresenta apenas duas categorias as análises restantes

são redundantes e não contribuem para informações adicionais. Mas é interessante
realizar a análise Discriminante para avaliar a capacidade das variáveis em conjunto
diferenciar os grupos.
No SPSS clicar em Analyze<Classify<Discriminat. Na caixa de dialogo que
abrir inserir a variável independente Sexo em Grouping Variable e em Define Range
definir a amplitude dos valores. Em Independents inserir as variáveis dependentes.
Na caixa de dialogo principal clicar em Statistics e selecionar os itens

Unstandardized e Separate-groups covariance.
Retornando na caixa de dialogo principal clicar em Cassify e selecionar em
Prior Probabilities “All groups equa” se os grupos forem de mesmo tamanho, e
“Compute from groups sizes” se os grupos forem de tamanho diferente. Em Display
selecionar Summary table, em Use Covariance Matriz selecionar Within-groups, e em
Plots selecionar Combined-groups e Territorial map.
Retornando novamente na caixa de dialogo principal clicar na opção SAVE e
selecionar o item Discriminat scores. Depois retornar na caixa de dialogo principal e
clicar em OK
No Output, o quadro Eigenvalues compara a as funções discriminantes para

diferenciar os grupos. Porém a variável Sexo apresenta apenas duas categorias de
resposta, o que proporciona apenas uma função. No quadro Wilks´Lambda o valor de
“p” (sig) indica se a função discriminante foi significativa para diferenciar os grupos
através das variáveis discriminatórias.
Os valores apresentados no quadro Standardized Canonical Discriminat

Function Coefficients representam os coeficientes padronizados da função discriminante
da Combinação Linear (CL) que são equivalentes aos betas padronizados da regressão
linear. Estes informam a contribuição relativa de cada variável na CL. O fato de uma
variável se positiva e outra negativa indica que as diferenças entre os grupos são
explicadas pelas diferenças entre as variáveis.
No quadro Structure Matrix é apresentado os valores de correlação canônicas
que indicam a natureza e a carga (força) de contribuição de cada variável na divisão de
grupos.
No quadro Functions at Group Centroids os valores centróides de cada grupos
que representam a média dos escores de CL. O sinal positivo e negativo indica que as
variáveis se comportam de forma diferente dentro dos grupos.
Finalizando este exemplo o quadro Classifications Results indica o percentual

de sujeitos que foram classificados corretamente para seus grupos considerando a
função discriminante baseada nas variáveis proposta no modelo.
Agora vamos realizar um exemplo de variável independente que apresenta

quatro níveis de resposta. O Estado Nutricional classifica os valores de índice de massa
corpora (IMC) em baixo peso (1), eutrófico (2), sobrepeso (3) e obeso (4). Deste modo
o objetivo é analisar se o conjunto das variáveis dependentes, glicemia de jejum (GL),
pressão arterial sistólica (PAS) e frequência cardíaca de repouso (FC) se diferenciam
entre os grupos de diferentes categorias de Estado Nutricional.
Inserir as variáveis dependentes em Dependent Variable e a variável
independente em Fixed Factor(s). Em Contrasts selecionar o contraste Simple e em
Reference Category selecionar a opção Last para que a categoria Obeso (4), que é a
categoria de interesse, seja comparada com as outras.
Em Post-Hoc inserir a variável Estado Nutricional em Post Hoc Tests for e

selecionar o teste de Turkey (mais de 3 grupos de comparação) e o teste de Games-
Howell (deverá ser utilizado se o teste de Levene for violado). Em Options inserir a
variável Estado Nutriciona em Display Means for, selecionar o item Compare main
effects e selecionar o opção Bonferroni em Confidence interval adjustment. Ainda em
Options no item Display selecionar Descriptive statistics, Estimate of effect size,
Parameter estimates e Homogeneity tests.
No Output no quadro Between-Subjects Factors é possível observer que os

grupos tem tamanhos diferentes. No quadro Descriptive Statistics é apresentada a média
e desvio-padrão das variáveis dependentes dentro de cada categoria de Estado
Nutricional. No quadro Box´s Test of Equality of Covariance Matrices o valor de sig
indica que o pressuposto de Homogeneidade das Matrizes de Covariância foi violado.
No quadro Levene´s Test of Equality of Error Variance é possível ver que as variáveis
dependente não violaram o pressuposto de Homogeneidade das Variâncias.
No quadro Multivariate Test o valor de sig indica efeito significativo do grupo

sobre as variáveis dependentes, porém o tamanho do efeito é pequeno ao considerar o
Eta2. Como a MANOVA foi significativa a análise da ANOVA univariada deve ser
considerada para identificar quais variáveis dependentes se diferenciam entre as
categorias do Estado Nutricional no quadro Testo f Between-Subjects Effects. Apenas a
variáveis pressão arterial sistólica (PAS) apresentou efeito significativo de grupo.
No quadro Parameter Estimates é apresentado os coeficientes de regressão para

as variáveis dependentes dentro das categorias de Estado Nutricional. Aqui semelhante
a ANOVA somente a PAS apresentou efeito significativo, e pela análise dos
coeficientes de regressão (B) é possível observar que a redução da categoria do Estado
Nutricional se relaciona com a redução da PAS.
No quadro Contrast Results (K Matriz) é possível avaliar quais categorias

apresentam diferença significativa da categoria 4 (level 4) que representa o Estado
Nutricional Obeso. A variável PAS da categoria Obeso se diferencia significativamente
dos Estados Nutricional Baixo Peso (level 1), Eutrófico (level 2) e Sobrepeso (level 4).
Embora o Contraste simples não avalie as diferenças entre os níveis 1,2 e 3,

estas podem ser analisadas pelos intervalos de confiança de 95% apresentados no
Estimates. O grupos Baixo Peso não apresenta diferenças significativas dos grupos
Eutrófico e Sobrepeso, porém os grupos Sobrepeso e Eutrófico apresentam diferenças
significativas. As diferenças significativas entre os grupos podem ser confirmadas no
quadro Pairwise Comparisons pelo teste Post-Hoc de Bonferroni, com também pelo
teste de Turkey. O teste de Games-Howell não deve ser considerado, pois, o
pressuposto de Homogeneidade das Variâncias foi atendido.
A análise complementar a MANOVA é a análise Discriminante, que possibilita

analisar o quão bem as variáveis dependentes discriminam os grupos, mas lembre que
para a análise Discriminante as variáveis dependentes deverão ser inseridas no item
Independents e a variável que define os grupos (Estado Nutricional) deverá ser inserida
em Grouping Variable (lembre de definir a amplitude em Define Range). Em Statistics
selecionar ao menos a opção Separate-groups covariance em Matrices.
Em Classify no item Prior Probabilities a opção Compute from group sizes

devido os tamanhos diferentes dos grupos. Em Display selecionar Summary table, em
Use Covariance Matriz a opção Within-groups, e em Plots a opção Combined-groups.
Retornando na caixa de dialogo principal clicar em Save e selecionar a opção
Discriminat scores. Retornar a caixa de dialogo principal e clicar em OK.
No Output do SPSS no quadro Eigenvalues são apresentado os valores dos

elementos da Matriz HE-1 utilizados para calcular as Combinações Lineares (CL), que
são convertido em percentual da variância da CL. No quadro Wilks´Lambda o valor de
sig indica que somente a primeira função da CL é significativa para discriminar os
Grupos.
No quadro Standardized Canonical Discriminate Function Coeficientes são

apresentados os coeficientes de regressão (B) das variáveis dependentes para cada
função. No quadro Canonical Discriminat Functiona Coefficients são apresentados os
coeficientes de correlação Canônica das variáveis dependentes, que devem ser
interpretados como a força da variável para divisão de grupos, que igualmente a
correlação varia de 0 a 1 ou -1.
No quadro Functions at Group Centroids é possível observar pelos sinais

positivo e negativo que as variáveis dependentes são capazes de discriminar os grupos
baixo peso e eutrofico dos grupos sobrepeso e obeso. Deste modo, os grupos com sinais
iguais não são discriminados corretamente ao considerar as variáveis dependentes.
No quadro Classifications Results em “a” é indicado o percentual de sujeitos

que foram classificados corretamente pela função discriminante 1. As análises podem
ser complementadas pela análise visual do gráfico de dispersão entre a função 1 e 2.
BIBLIOGRAFIA
1. DAWSON, B.; TRAPP, R.G. Bioestatística básica e clínica. 3 ed.Rio de Janeiro:

McGraw-Hill, 2001.
2. DEMIDENKO, E. Sample size determination for logistic regression revisited.
Statistics in Medicine, John Wiley. v. 26, p. 3385-3397, 2007.
3. DEMIDENKO, E. Sample size and optimal design for logistic regression with
binary interaction. Statistics in Medicine. John Wiley. v. 27, p. 36-46, 2008.
4. FIELD, A. Descobrindo a estatística usando o SPSS. 2 ed. Porto Alegre:
Artmed, 2009, 689p.
5. FONTELLES, M.J.;et al. Metodologia da pesquisa: diretrizes para o cálculo do
tamanho da amostra. Revista Paraense de Medicina. v.24, n.2. 2010
6. GLANTZ, S.A. Princípios de Bioestatística. 7 ed. Porto Alegre: Artmed, 2014,
306p.
7. LINDENAU, J.D.; GUIMARÃES, L.S.P. Calculando o tamanho do efeito no
SPSS. Rev. HCPA, Secção de Bioestatística, v.32, n.3, 2012.
8. LUNET, N.; SEVERO, M.; BARROS, H. Desvio Padrão e Erro Padrão. Notas
Metodológicas. Arquivos de Medicina, 2006.
9. MIOT, Hélio Amante. Tamanho da amostra em estudos clínicos experimentais. J
Vas Bras. 2011; 10 (4); 275-278.
10. NOVIKOV, I.; FUND, N.; FREEDMAN, L. S. A modified approach to
estimating sample size for simple logistic regression with one continuous
covariate. Statistics in Medicine. John Wiley. v. 29, p. 97-107, 2009.
11. RIBAS, J.R.; VIEIRA, P.R.C. Análise multivariada com o uso do SPSS. 1 ed.
Rio de Janeiro: Editora Ciência Moderna, 2011, 272p.
12. VIEIRA, A.C.R.; ALVAREZ, M.M.; MARINS, V.M.R.; SICHIERI, R.;
VEIGA, G.V. Desempenho de pontos de corte do índice de massa corporal de
diferentes referências na predição de gordura corporal em adolescentes. Cad.
Saúde Pública, Rio de Janeiro, v.22, n.8, p.1681-1690, 2006.
13. WHITTEMORE, A. S. Sample size for logistic regression with small response
probability. Journal of the American Statistical Association. American
Statistical Association. v. 76, p. 27-32, 1981.
View publication stats

Mdulo5 AnliseMultivariadanoSPSS

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Mdulo5 AnliseMultivariadanoSPSS

Enviado por

Direitos autorais:

Formatos disponíveis

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Módulo 5 - Análise Multivariada no SPSS

Technical Report · November 2016

Eduardo Federighi Baisi Chagas

Frequência Cardíaca de indivíduos diabéticos e exercício resistido View project

The user has requested enhancement of the downloaded file.

AUTOR: EDUARDO FEDERIGHI BAISI CHAGAS

As suposições sob as quais a ANOVA é confiável são as mesmas dos testes

O teste Post-Hoc representa comparações aos pares corrigindo o problema do

Para exemplificar o uso da Anova-one-way vamos imaginar que temos três

em Dependent List a variável quantitativa e em Factor a variável qualitativa que divide

Na opção Contrasts selecionar a opção Polynomial e em Degree selecionar a

O teste de LEVENE testa a hipótese de Homogeneidade das Variâncias, e

No Output do SPSS no quadro Descriptive é apresentada a Média (mean),

No quadro Testo f Homogeneity of Variances o valor de sig (p)≤0,05 indica

No quadro ANOVA a estatística F e valor de “p” (sig) para o Teste de Anova-

Como a Anova-one-way tem valor de “p” (sig)≤0,05 assumimos que existe

Porém é mais interessante calcular o efeito baseado no valor do teste “t” de

No Output do SPSS no quadro Contrast Coefficients são apresentados os

No quadro Contrast Tests são apresentados os valores de “t” e do grau de

Assim o valor de r (tamanho do efeito) para:

Como o contraste 3 entre os grupos 2 e 3 não foi significativo não se deve

3. ANCOVA - ANÁLISE DE COVARIÂNCIA

Quando estamos comparando o efeito de grupo (variável independente) sobre

Em Contrasts agora não é possível construir contrastes planejados sendo

No quadro abaixo contem a descrição de como são realizadas as comparações

Quando uma covariável é incluída a opção Post-Hoc na caixa de dialogo

No Output no quadro Descriptive Statistics é apresentado os valores de média e

No quadro Tests of Between-Subjects Effects o valor de sig (p) para Corrected

No quadro Parameter Estimates são apresentados os coeficientes de regressão

Em relação ao contraste sugiro a opção de Helmert e o Polinomial. No

No contraste Polynomial é apresentado o valor de significância (sig) para

No quadro Estimates é apresentado a média dos grupos com os repectivos erro

No quadro Pairwise Comparisons é apresentado os valores de “p” (sig) para as

Rcontraste 1 vs. 3 = √-3,1092 /-3,1092 +(492-2) = 0,13 = efeito pequeno

4. ANOVA FATORIAL – ANOVA-TWO-WAY

A ANOVA fatorial é utilizada quando se pretende avaliar o efeito de duas ou

Na caixa de dialogo que abrir inserir a variável dependente (IMC) em

Em Model é possível customizar a análise, porém o SPSS já realiza

Em Options selecionar as variáveis em Factor (s) and Factor Interactions e

Em Display selecionar as opções Descriptive statistics e Homogeneity.

No Output do SPSS no quadro Between-Subjects Factors é descrita as

No quadro Descriptive Statistics é apresentada e média (mean) e desvio-padrão

No quadro Tests of Between-Subjects Effects é apresentado o valor de “p”

No quadro Contrast Results (K Matrix) é apresentado os contrastes de Helmert.

Porém no quadro Estimate para a variável Sexo é apresentada a média, erro

Os valores de Sig.≤0,05 (p=0,0001) indicam que existe diferenças

A mesma estimativa no componente principal Faixa Etária é realizada. O teste

Por último é apresentado o quadro de comparação das médias (mean), erro

5. ANOVA DE MEDIDAS REPETIDAS

neste desenho porque a análise não contém divisão de grupos (Between-Subjects

Na opção Contrast o SPSS realiza automaticamente o contraste polynomial que

Em Options selecionar a variável Factor 1 em Factor (s) and Factor Interactions

Em Display selecionar somente a opção Descriptive Statistics. A opção

No Output no quadro Within-Subjects Factors é apresentada a lista de variáveis

No quadro Multivariate Test é apresentado o valor de “p” (sig) que indica se

No quadro Mauchy´s Testo f Sphericity o valor de sig ≤0,05 indica que a

No quadro Testo f Within-Subjects Effects são apresentados os valores de “p”

No quadro Tests of Within-Subjects Contrasts é apresentado o valor de “p”

No quadro Estimates é possível verificar as médias e respectivos intervalos de

Porém para complementar a interpretação e localização das diferenças é

Embora seja possível calcular o tamanho do efeito para a análise principal, é

No quadro Tests of Within-Subjects Contrasts é possível utilizar as