Spss Manual de Utilizacao

ESCOLA SUPERIOR AGRRIA
INSTITUTO POLITCNICO DE CASTELO BRANCO

SPSS - MANUAL DE UTILIZAO

ARMANDO MATEUS FERREIRA

Escola Superior Agrria de Castelo Branco, 1999
SPSS ndice
ESACB i

INDICE

1 - INTRODUO.......................................................................................... 1
2 - EDITOR DE DADOS.............................................................................. 3
2.1 - CRIAR UM FICHEIRO DE DADOS .................................................. 5
2.1.1 - DEFINIO DE VARIVEIS .................................................................... 5
2.1.2 - INTRODUO DOS VALORES ................................................................ 9
2.1.3 - GRAVAR O FICHEIRO DE DADOS........................................................ 11
2.1.4 - ABRIR UM FICHEIRO DE DADOS EXISTENTE.................................... 12
2.1.5 - ACESCENTAR NOVOS CASOS A UM FICHEIRO DE DADOS............... 13
2.1.6 - ACRESCENTAR NOVAS VARIVEIS...................................................... 14
2.1.7 - DEFINIR UMA VARIVEL EM FUNO DE OUTRAS ......................... 15
2.1.8 - ELIMINAR LINHAS E VARIVEIS.......................................................... 16
2.2 - IMPORTAO DE FICHEIROS EXTERNOS .............................. 17
2.2.1 - IMPORTAO DE FICHEIROS LOTUS E EXCEL 4.0........................... 17
2.2.2 - IMPORTAO DE FICHEIROS DE DBASE........................................... 18
2.2.3 - IMPORTAO DE FICHEIROS EXCEL................................................. 19
2.2.4 - IMPORTAO DE FICHEIROS ACCESS............................................... 22
2.2.5 - RECODIFICAO DE VALORES........................................................... 22
2.2.6 - SELECO DE CASOS........................................................................... 25
3 - ANLISE DE DADOS......................................................................... 29
3.1 - OBTER ESTATSTICAS DESCRITIVAS....................................... 29
3.1.1 - PROCEDIMENTO DESCRIPTIVES ........................................................ 29
3.1.2 - PROCEDIMENTO EXPLORE................................................................. 32
3.1.3 - PROCEDIMENTO EXPLORE COM FACTORES.................................... 36
3.1.4 - PROCEDIMENTO FREQUENCIES ........................................................ 39
4 - GRFICOS................................................................................................. 44
4.1 - GRFICOS STANDARDIZADOS.................................................... 44
4.1.1 - GRFICO DE BARRAS ........................................................................... 45
4.1.2 - HISTOGRAMA ........................................................................................ 50
4.1.3 - GRFICO DE EXTREMOS-E-QUARTIS................................................. 52
4.1.4 - GRFICO DE BARRA DE ERROS .......................................................... 54
4.1.5 - GRFICOS DE PROBABILIDADES........................................................ 56
4.1.6 - GRFICO DE DISPERSO..................................................................... 59
4.2 - EDIO DOS GRFICOS STANDARDIZADOS........................ 62
4.3 - GRFICOS INTERACTIVOS............................................................ 65
4.3.1 - GRFICO DE BARRAS ........................................................................... 66
4.3.2 - GRFICO DE DISPERSO..................................................................... 70
4.4 - EDIO DE GRFICOS INTERACTIVOS................................... 75
SPSS ndice
ESACB ii
5 - TESTES T ......................................................................................................... 79
5.1 - TESTE T PARA A MDIA DE UMA AMOSTRA...................................... 82
5.2 - TESTE T PARA DUAS AMOSTRAS INDEPENDENTES......................... 83
5.3 - TESTE T PARA DUAS AMOSTRAS EMPARELHADAS......................... 86
6 - ANLISE DE VARIANCIA ........................................................................... 90
6.1 - ENSAIOS UNI-FACTORIAIS ...................................................................... 90
6.1.1 - PROCEDIMENTO ONE-WAY ANOVA ................................................. 91
6.1.2 - PROCEDIMENTO MEANS.................................................................... 96
6.2 - ENSAIOS MULTI-FACTORIAIS................................................................. 99
7 - REGRESSO LINEAR................................................................................. 111
7.1 - INTRODUO............................................................................................ 111
7.2 - REGRESSO LINEAR SIMPLES.............................................................. 115
7.3 - REGRESSO LINEAR MLTIPLA.......................................................... 121
7.4 - AJUSTAMENTO DE MODELOS PR-DEFINIDOS................................ 131
8 - MANUSEAR OS RESULTADOS................................................................. 136
ANEXOS ..................................................................................................................... 143

SPSS 1 - Introduo
ESACB 1
1 - INTRODUO

O pakage estatstico SPSS para Windows um poderoso sistema de anlises estatsticas e
manuseamento de dados, num ambiente grfico, em que a utilizao mais frequente, para a
maioria das anlises a efectuar, se resume seleco das respectivas opes em menus e
caixas de dilogo. Contudo, o sistema dispe de um editor de comandos, a que o utilizador
mais avanado poder recorrer a fim de realizar determinado tipo de anlises mais
complexas e elaboradas.

De um modo muito sucinto, o sistema SPSS dispe de:

Data Editor: Editor de Dados: uma verstil folha de clculo, que permite definir,
introduzir, modificar, corrigir e visualizar a informao. O Data Editor abre
automaticamente quando se entra no SPSS.

Viewer: Janela de Resultados: Todos os resultados estatsticos, tabelas, grficos, so
visualizados numa janela designada por Viewer. Uma janela Viewer abre
automaticamente na primeira vez que o utilizador executar uma tarefa que
gera output.
Na figura seguinte apresenta-se o aspecto da janela de resultados referentes
ao clculo das estatsticas elementares um conjunto de dados (varivel com
o nome fosfo). O Viewer composto por duas janelas: esquerda est um
organigrama do output; direita esto os resultados propriamente ditos.
Neste exemplo, os resultados incluem as instrues necessrias execuo
SPSS 1 - Introduo
ESACB 2
da tarefa: o que se designa por Log
1
, e que composto pelas seguintes
linhas de instrues:

DESCRIPTIVES
VARIABLES=fosfo
/STATISTICS=MEAN SUM STDDEV VARIANCE RANGE MIN MAX SEMEAN KURTOSIS SKEWNESS .

Estas instrues foram geradas, no caso, pela seleco de opes nos menus
do programa; contudo, podem ser digitadas, como se de uma linguagem de
programao se tratasse
2
.

Pivot Tables: Tabelas Dinmicas: O programa dispe de uma potente rotina de gerao de
tabelas dinmicas (ou pivot tables), que permitem que o utilizador explore
os dados, com o re-arranjo de colunas e linhas.

Grficos: O SPSS permite realizar todos os tipos de grficos usuais em estatstica, a
fim de realar as anlises efectuadas.

Acesso a Bases de Dados: O SPSS permite o acesso s bases de dados mais usuais, em
formato SQL e ODBC, tais como ficheiros de dados criados em dBase,
Access, Excel, Lotus, etc. A importao de ficheiros de texto, Access,
Excel, feita atravs de um assistente de importao (wizard).

1
O Log pode no estar visvel; s aparece na janela Viewer se se tiver configurado o programa para
mostrar este item.
2
O utilizador pode escrever as suas prprias rotinas de anlise; para tal, deve abrir o SPSS Syntax
Editor, janela de edio de comandos do SPSS.
SPSS 2 - Edio de Dados
ESACB 3

2 - EDITOR DE DADOS

O Data Editor do SPSS um programa do tipo de folha de clculo que permite facilmente
criar ou editar ficheiros de dados. O Data Editor abre automaticamente quando se entra no
SPSS.

O aspecto inicial do editor o seguinte:

Muitas das caractersticas do data editor do SPSS so similares s de qualquer folha de
clculo em ambiente Windows, tal como o Excel.

As colunas correspondem s variveis. Inicialmente, todas as colunas, ou variveis, tem o
mesmo nome genrico, var, tal como mostrado na imagem. O utilizador ir dar os nomes
s variveis que definir.

As linhas correspondem aos casos, ou indivduos.

Cada clula contm um valor ou observao de um indivduo, em relao a uma
determinada caracterstica ou varivel. As clulas podem apenas conter valores (numricos
ou alfanumricos); no possvel, tal como se faz nas folhas de clculo, definir frmulas
em clulas. O SPSS permite definir frmulas, mas que afectam integralmente toda uma
varivel ou coluna.

O ficheiro de dados rigorosamente rectangular, sendo o seu tamanho definido pelo
nmero de casos e de variveis. O utilizador pode introduzir valores em clulas fora das
ESACB 4
fronteiras actuais da folha de clculo; contudo, o SPSS automaticamente acrescenta linhas
e/colunas de modo a que essa nova observao fique includa dentro da estrutura
rectangular. A fim de ilustrar este aspecto, considere a seguinte imagem referente a um
folha de dados do SPSS, em que existem duas variveis (com os nomes x e y), com 6 casos
ou observaes. Repare na posio da clula activa.

Se se introduzir um valor (por exemplo, 25) para esta clula, fora dos limites do ficheiro
rectangular, o SPSS cria duas novas variveis numricas atribuindo-lhes automaticamente
os nomes var00002 e var00003, e introduz valores em branco para as clulas, de modo a
ficar um ficheiro rectangular, com 4 variveis e 7 casos (repare que estas clulas tm o
ponto decimal):

Estas clulas, aparentemente vazias, so assumidas pelo SPSS como missing values, isto
, observaes em falta para algumas variveis. Contudo, e para j, estas clulas no
afectam os clculos estatsticos, caso se se trate de variveis numricas. Por exemplo,
calculando a mdia da varivel x obter-se- o valor de 15, como lgico, para os valores
apresentados.

ESACB 5
2.1 - CRIAR UM FICHEIRO DE DADOS

Vamos usar os seguintes dados a fim de ilustrar como se cria um ficheiro com o Data Editor
do SPSS. Trata-se dos resultados de um ensaio, em que se registaram as produes (kg/ha)
de arroz, em funo da variedade (V1: IR8; V2: IR5; V3: C4-63) e de 5 nveis de adubao
azotada (N0: 0 kg/ha; N1: 60 kg/ha; N2: 90 kg/ha; N3: 120 kg/ha; N4: 150 kg/ha). Para
cada tratamento fizeram-se 4 repeties.

Na imagem seguinte, capturada do Excel, estes dados esto perceptveis para o leitor, e
esto estruturados para algumas possveis anlises a executar na folha de clculo; contudo,
ao serem introduzidos para um ficheiro SPSS, dever-se-o respeitar as normas deste
programa, de modo a que os dados possam ser analisados.

Variedade Azoto 1 2 3 4
N0 3852 2606 3144 2894
N1 4788 4936 4562 4608
V1 N2 4576 4454 4884 3924
N3 6034 5276 5906 5652
N4 5874 5916 5984 5518
N0 2846 3794 4108 3444
N1 4956 5128 4150 4990
V2 N2 5928 5698 5810 4308
N3 5664 5362 6458 5474
N4 5458 5546 5786 5932
N0 4192 3754 3738 3428
N1 5250 4582 4896 4286
V3 N2 5822 4848 5678 4932
N3 5888 5524 6042 4756
N4 5864 6264 6056 5362
Repetio

Como se referiu atrs, os dados devero ser introduzidos para uma matriz rectangular, em
que as colunas so as variveis e as linhas os casos. Neste caso, as variveis so a
Variedade, o Azoto, a Repetio e a Produo.

2.1.1 - DEFINIO DE VARIVEIS

Vamos comear por definir estas variveis no SPSS dando-lhes nomes vlidos; as regras
para os nomes das variveis so:

- nome da varivel tem no mximo, 8 caracteres;
- nome da varivel deve comear por uma letra; os restantes caracteres podem ser
letras (maisculas ou minsculas so iguais), algarismos, ou os smbolos @, #, _, $.
No se podem usar espaos em branco, nem os seguintes caracteres: !, ?, , , *, +, -,
%, vrgula, ponto e vrgula, \, /, >, <
- Os nomes no podem terminar com ponto;
- Evitar terminar o nome com o caracter _ (underscore);
- Evitar usar caracteres acentuados ou com til.
ESACB 6

No exemplo, vamos definir as seguintes variveis:

variedad Varivel numrica inteira, cujos valores so 1, 2, 3, com as seguintes
correspondncias, a fim de facilitar a sua introduo:
1 : IR8; 2 : IR5; 3 : C4-64;
azoto Varivel inteira: 0: 0 kg/ha; 1: 60 kg/ha; ... ; 4: 150 kg/ha;
repete Varivel inteira, com os valores 1, 2, 3, 4
producao Varivel real, com duas casas decimais (por defeito).

A fim de definir cada uma das variveis, fazer o seguinte procedimento:

Duplo click na clula do nome da varivel (var) no topo da coluna, ou click em qualquer
stio da coluna para a varivel e seleccionar no menu a opo Data, seleccionando depois a
opo Define Variable...

Igualmente pode fazer click com o boto direito na clula do nome da varivel (var) no
topo da coluna; aparece o menu:

onde se selecciona a opo Define Variable...

Na sequncia de qualquer dos procedimentos anteriores aparece a seguinte caixa de dilogo
de definio da varivel:

ESACB 7

No campo Variable Name escrever o nome da varivel; no caso, variedad

Seleccionar a opo

No campo Decimal Places alterar o valor para 0 (casas decimais); e fazer .

Seleccionar a opo

No campo Value escrever o valor 1; no campo Value Label: escever IR8; fazer :

ESACB 8

Repetir o processo de definio de Value e Value Label para os valores 2 (IR5) e 3 (C4-
63); para cada valor, fazer :

No final, fazer .

A caixa serve para entrar uma breve descrio
da varivel, mais elucidativa que apenas o nome; de preenchimento facultativo.

Para aceitar estas alteraes, e terminar a definio da varivel variedad, na caixa de
dilogo fazer OK:
ESACB 9

De modo idntico, definir as restantes variveis; note-se que a opo Labels serve para
fazer as correspondncias, de modo que neste exemplo s usada para as variveis
variedad e azoto; na definio da varivel producao, no necessrio ir opo Type
porque, por defeito, as variveis so numricas reais (com duas casa decimais).

Terminada a definio de variveis, o Data Editor ter o seguinte aspecto:

2.1.2 - INTRODUO DOS VALORES

Definidas as variveis, introduzem-se os dados; o utilizador deve optar pela estratgia de
introduzir os valores coluna a coluna, ou linha a linha, que lhe for mais favorvel e menos
propensa a erros.

Para apagar um valor, colocar o cursor na clula respectiva e carregar a tecla DEL. Para
alterar ou corrigir um valor errado numa das clulas, activa-se essa clula (levando o cursor
para l, ou simplesmente fazendo click) e digita-se o valor correcto, fazendo-o entrar com
Enter ou deslocando para outra clula.

O ficheiro ficar com o seguinte aspecto:
ESACB 10

Usou-se a codificao dos valores das variveis variedad e azoto, por um lado para facilitar
a introduo dos valores, e por outro lado para ser menos propenso a erros. Contudo, podem
visualizar-se o nome da variedade e o valor da adubao; para tal, no menu principal
seleccionar a opo , e depois seleccionar a opo Value Labels:

O ficheiro de dados toma agora o aspecto mais elucidativo acerca dos dados a analisar:

ESACB 11
2.1.3 - GRAVAR O FICHEIRO DE DADOS

Tendo introduzido e corrigido os dados, grava-se o ficheiro com um nome vlido (aplicam-
se as regras de nomes de ficheiros de MS-DOS). Para gravar, faz-se:

Na caixa escreve-se o nome a dar ao ficheiro, por exemplo arroz; automaticamente
atribuda a extenso .sav tpica dos ficheiros de dados do SPSS:

Caso se pretenda guardar o ficheiro num disco ou directrio que no do directrio activo,
abrir a caixa e seleccionar o disco/directrio
pretendido:

ESACB 12
2.1.4 - ABRIR UM FICHEIRO DE DADOS EXISTENTE

Se se pretende abrir um ficheiro de dados, para introduzir mais dados, para alterar ou
corrigir valores, ou para efectuar a anlise desses dados, tem de se abrir o ficheiro. Para tal,
efectua-se o seguinte procedimento:

Se o ficheiro pretendido aparece na listagem, faz-se click sobre o nome do ficheiro, ou
escreve-se na caixa , e de seguida faz-
se .

Caso o nome do ficheiro no conste na listagem, porque est guardado noutro directrio
que no o especificado na janela. Nesta situao, ter-se- de encaminhar para a
drive/directrio onde se encontra.
Para tal, abre-se a o caixa , e selecciona-se a o
disco ou o directrio pretendido:

Como o SPSS apenas admite um ficheiro de dados aberto, ao abrir um ficheiro o programa
encerra o ficheiro actual. Caso este no esteja gravado, aps quaisquer alteraes, o
programa apresenta uma mensagem de aviso:

ESACB 13

O utilizador dever responder Sim ou No, consoante queira guardar ou no as alteraes
efectuadas no ficheiro aberto (no caso da imagem, tinha-se aberto o ficheiro lambs.sav, em
que se tinham efectuado alteraes).

2.1.5 - ACESCENTAR NOVOS CASOS A UM FICHEIRO DE DADOS

Para acrescentar um novo caso, aps os dados j introduzidos, basta digitar o valor
pretendido para a varivel a acrescentar; automaticamente acrescentado um caso a todas
as variveis.

Se interessa introduzir um caso, no no final dos dados, mas entre duas observaes, ento
ter-se- de introduzir uma linha (caso) entre essas duas observaes.

Admitamos que foi esquecido um caso referente a hora=Manh; este caso deveria ser
introduzido imediatamente antes da primeira observao da Tarde; para tal, faz-se duplo
click sobre o indicador da linha 5, ou um click em qualquer parte da linha 5 e de seguida
selecciona-se a opo no menu. Aparece a janela:

Pode igualmente fazer click com o boto direito do rato sobre o indicador da linha,
aparecendo o menu:
ESACB 14

No menu anterior deve seleccionar . Automaticamente aberta uma
linha, onde se introduzem os valores respectivos das variveis:

2.1.6 - ACRESCENTAR NOVAS VARIVEIS

Para acrescentar uma nova varivel ao ficheiro, basta colocar o cursor numa clula da
primeira coluna no usada, e executar o procedimento de definio de variveis atrs
descrito. O programa cria a nova varivel com tantas clulas (em branco ou missing values)
quantos os casos das restantes variveis. Aps isto, s h que proceder introduo dos
valores.

Se, por algum motivo, h que introduzir uma nova varivel, no no final do ficheiro, mas
entre duas variveis j definidas, colocar o cursor na varivel direita da qual se pretende a
nova varivel, seleccionar a opo e de seguida . Pode igualmente
fazer click com o boto direito do rato, aparecendo o menu:

e seleccionar a opo .

De seguida, definir esta varivel, tal como descrito atrs.
ESACB 15
2.1.7 - DEFINIR UMA VARIVEL EM FUNO DE OUTRAS

O programa SPSS permite criar novas variveis como resultado de funes ou operaes
envolvendo as variveis j existentes.

Por exemplo, determinadas metodologias estatsticas (anlise de varincia, regresso, etc)
baseiam-se no pressuposto de que os dados a analisar seguem a funo de distribuio
normal; ora, tal pressuposto, muitas vezes violado (e, infelizmente para a validade das
concluses, no testado). Nas situaes em que se verificou a no normalidade,
frequente proceder a determinadas transformaes dos dados (logaritmo, raz quadrada,
arc-seno so transformaes usuais).

Vamos ilustrar a criao de uma nova varivel no ficheiro arroz.sav, com o nome ln_prod,
definida como sendo o logaritmo neperiano dos valores da varivel producao.

Para tal, coloca-se o cursor na primeira clula da primeira coluna no ocupada, e faz-se:

Aparece a seguinte caixa de dilogo:

Na caixa Target Variable escreve-se o nome da varivel a criar, ln_prod; transfere-se o
cursor para a caixa Numeric Expression e na caixa das funes selecciona-se a funo
LN(numexpr); de seguida, fazer click sobre a varivel argumento (producao). A janela fica
com o seguinte aspecto:

ESACB 16

Para calcular, basta fazer .

O ficheiro fica com o seguinte aspecto:

A varivel ln_prod visualizada com 2 casas decimais (por defeito), muito embora seja
guardada com maior preciso. Caso haja interesse em visualizar mais casa decimais,
proceder como descrito na definio de variveis.

As transformaes de variveis podem ser mais complexas que uma simples funo; repare-
se que a caixa de definio das transformaes apresenta o que se parece a uma mquina de
calcular cientfica, que permite definir transformaes vrias, incluindo seleco
condicional de casos (if), funes lgicas (e &; ou |; negao ~) comparaes (<, <=, >, >=,
=, ~=), etc.

2.1.8 - ELIMINAR LINHAS E VARIVEIS

Para eliminar linhas de valores (casos) ou colunas (variveis), fazer click sobre o nmero da
linha, esquerda do ecran, ou sobre o nome da varivel; a linha ou coluna, consoante o
caso, ficam seleccionadas (sombreadas). Para a eliminar, seleccionar e de seguida
(ou carregar na tecla DEL).
ESACB 17

Pode tambm fazer click com o boto direito do rato sobre a identificao da linha ou
coluna a eliminar, e fazer Cut ou Clear.

2.2 - IMPORTAO DE FICHEIROS EXTERNOS

O programa SPSS dispe de uma rotina de importao de ficheiros criados noutras
aplicaes, nomeadamente folhas de clculo (Lotus 123, Excel), bases de dados (dBase,
Access), ficheiros ASCII (separados por tabulaes, vrgula, espaos), etc.

Vamos abordar a importao de ficheiros Excel e Access, por serem duas das aplicaes
actualmente mais usadas na constituio de bases de dados, e ficheiros ASCII, pois no
havendo outra forma de transferir informao entre aplicaes, todos os programas
permitem exportar e importar ficheiros ASCII, sendo esta forma uma ponte comum entre as
aplicaes.

pressuposto que, qualquer que tenha sido a aplicao utilizada para criar os ficheiros,
estes devem estar organizados de acordo com a estrutura dos ficheiros SPSS.

2.2.1 - IMPORTAO DE FICHEIROS LOTUS E EXCEL 4.0

Se o ficheiro tiver sigo gravado em Excel 4, Lotus 123 (ou Quattro), o SPSS abre-o
automaticamente. Para tal, executar o seguinte procedimento:
File
Open...

Nesta janela deve especificar-se que o ficheiro do tipo Excel (*.xls) [se se tratar de um
ficheiro Lotus, selecciona-se a opo Lotus(*.w*)]; para tal, abrir a caixa Ficheiro do tipo e
especificar Excel (*.xls):

ESACB 18

Na caixa Procurar em deve especificar-se o directrio onde se encontra o ficheiro:

No campo Nome do ficheiro, especificar o nome do ficheiro a importar e fazer OK:

Aparece de seguida a seguinte caixa de dilogo, onde se especifica se as primeiras clulas
contm os nomes das variveis (se sim activar ) e o intervalo
(rectangular) de clulas (no exemplo, A1:B11):

O SPSS cria um ficheiro, com tantas variveis quantas as colunas e tantos casos quantas as
linhas do bloco especificado.

2.2.2 - IMPORTAO DE FICHEIROS DE DBASE

Dada a relevncia da utilizao do gestor de bases de dados dBase III, natural que alguns
utilizadores disponham de bases de dados organizadas neste programa, e que pretendam
import-las para o SPSS a fim de executar algumas anlises estatsticas.

Os ficheiros gerados pelo dBase III (*.dbf) obedecem tipicamente estrutura dos ficheiros
SPSS, de modo que a sua importao extremamente fcil. Para tal, faz-se o seguinte
procedimento:

File
Open...

Na caixa de dilogo, deve definir-se o tipo de ficheiro [dBase (*.dbf)], o directrio onde
est guardado e o nome do ficheiro a importar, tal como se mostra na figura:

ESACB 19

Ao fazer a importao processa-se automaticamente.

2.2.3 - IMPORTAO DE FICHEIROS EXCEL

Os ficheiros Excel 5.0 e Excel 97 so constitudos por diversas folhas de clculo; a rotina de
importao ligeiramente diferente, e assegurada pelo protocolo Open Database
Connectivity (ODBC), que um mtodo padro de partilha de dados entre bases de dados e
outros programas. Os controladores ODBC utilizam a linguagem SQL (Structured Query
Language) padro para aceder a dados de origens exteriores.

Pretende-se importar a seguinte folha de clculo, criada em Excel 97:

ESACB 20

Para tal, executar o seguinte procedimento:

File
Database Capture
New Query...

Aparece o seguinte assistente de importao de ficheiros:

Especificar qual a origem do ficheiro (no caso ) e fazer . Na
caixa de dilogo que se segue, especificar o disco, directrio e o ficheiro a abrir:

Aparece a seguinte janela:

ESACB 21

Caso o ficheiro tenha diversas folhas de clculo, ser conveniente confirmar qual que se
pretende importar; para visualizar as variveis de cada folha, click sobre o sinal +
esquerda da identificao:

Tendo confirmado qual a folha a importar (neste caso, Folha1$), click sobre o nome da
folha e arraste-o para campo Retrieve Fields :

ESACB 22

Para executar a importao, click em Terminar.

2.2.4 - IMPORTAO DE FICHEIROS ACCESS

Os ficheiros de bases de dados criados em Microsoft Access so constitudos por diversas
folhas ou tabelas (base de dados, consultas, formulrios); a rotina de pelo protocolo Open
Database Connectivity (ODBC), que um mtodo padro de partilha de dados entre bases
de dados e outros programas. Os controladores ODBC utilizam a linguagem SQL
(Structured Query Language) padro para aceder a dados de origens exteriores, e processa-
se em tudo de modo semelhante importao de ficheiros Excel, sendo guiada pelo mesmo
assistente (wizard):

File
Database Capture
New Query...

Aparece o seguinte assistente de importao de ficheiros:

Especificar qual a origem do ficheiro (no caso ) e fazer
Seguinte. Depois, prosseguir tal como descrito para o Excel.

2.2.5 - RECODIFICAO DE VALORES

ESACB 23
Ao fazer a importao de ficheiros externos, acontece que variveis alfanumricas so
importadas como tal, causando posteriormente problemas em determinadas anlises. Isto
acontece, por exemplo, quando se importam variveis de agrupamento ou definio de
classes, ou variveis nominais, do gnero de varivel sexo, que agrupa os casos em
masculino e feminino. Em situaes deste gnero, natural que posteriormente haja
necessidade de agrupar os casos por sexo (genericamente por classes), nomeadamente para
comparar mdias de sub-amostras.

Para contornar esta questo, a fazer a importao destas variveis, h que recodific-las em
variveis nominais, com cdigos numricos, por exemplo masculino=1, feminino=2,
semelhana do que se fez na introduo das variveis variedad e azoto.

Vamos ilustrar usando o ficheiro pulso.sav, que se criou pela importao do ficheiro
pulso.dbf do dBase. Neste ficheiro, as variveis sexo (Homem, Mulher) e fuma (Fuma,
No Fuma) so alfanumricas, mas nitidamente com uma conotao de agrupamento em
classes.

Vamos recodificar a varivel sexo (Homem=1, Mulher=2) e fuma (Fuma=1, No Fuma=2).

Para tal, executar o seguinte procedimento (por varivel a recodificar):

Transform
Recode
Into Same Variable

Na caixa de dilogo seguinte, seleccionar a varivel a recodificar (sexo):

Seleccionar . Na caixa de dilogo seguinte definir as recodificaes,
identificando em o valor antigo a recodificar, e em
o novo valor a atribuir; fazer .

ESACB 24

Repetir para o outro valor da varivel (Mulher=2). No final, a caixa de dilogo mostra as
recodificaes a efectuar:

No final, fazer e OK. As alteraes so executadas.

Seguidamente, deve alterar-se o tipo de varivel para numrica, e definir as labels:
1=Homem; 2=Mulher, tal como j anteriormente explicado:

ESACB 25

Fazer o mesmo procedimento para a outra varivel a recodificar.

No final, aparentemente no houve alteraes: a varivel sexo contm os valor Homem e
Mulher, como anteriormente; s que, aps esta transformao, estas variveis tm a
conotao de agrupamento de casos, coisa que no acontecia tal como resultaram da
importao do ficheiro de dados externo ao SPSS.

2.2.6 - SELECO DE CASOS

Por vezes, h necessidade de proceder a anlises sem a incluso de todos os casos contidos
nas variveis em jogo. Uma situao tpica ter-se verificado que h valores outliers, isto
, valores extremos muito elevados ou muito baixos, que provavelmente so registos mal
efectuados, ou eventualmente observaes anmalas que, includas nas anlises estatsticas,
vo distorcer a validade das concluses. Desta forma, poder ser prefervel exclu-las das
anlises, mas sem as eliminar do ficheiro de dados.

A deteco de outliers ser efectuada no procedimento EXPLORE (cap. 3).

Vamos ilustrar com a excluso do caso n 6 do ficheiro pulso.sav, em que a observao
correspondente varivel ritmod 265, valor impossvel para a caracterstica em anlise,
sendo provvel que tenha acontecido um lapso no acto de registo dos valores. Pretende-se
excluir todo este caso das anlises subsequentes, sem contudo o eliminar do ficheiro, pois
poder haver necessidade de posteriormente efectuar anlises sobre as outras variveis (por
exemplo, ritmoa), cujo valor (96) perfeitamente normal.

Para tal, fazer:

Data
Select Cases...

ESACB 26

Pretende-se excluir o caso n 6 da anlise, isto , incluir na anlise todos os casos com
excepo do caso n 6. Para tal, na caixa de dilogo seleccionar , e
definir que se seleccionam para anlise todos os cados diferenntes do caso n 6:

A indicao caso ~ 6 significa todos os casos excepto o caso 6.

O Data Editor do SPSS criou automaticamente uma varivel designada filter_$, em que
indica quais os casos seleccionados e os no includos. Repare-se que a linha 6 est traada,
indicando que este caso est excludo de futuras anlises:

ESACB 27

A varivel filter_$ uma varivel numrica, cujos valores so 0=Not Selected e
1=Selected. No ecran, aparecem visualizados as labels dos valores, caso se tenha optado
por este modo de visualizao.

A fim de incluir novamente o caso 6 nas anlises, fazer:

Data
Select Cases...

ou digitar o valor 1 na clula 6 da varivel filter_$.

Por exemplo, querendo seleccionar os casos referentes aos homens (sexo=1) que fumam
(fuma=1), dever-se- fazer o seguinte procedimento:

Data
Select Cases...

ESACB 28

Para definir a condio atrs referida, seleccionar a varivel sexo, defini-la como sendo
igual a 1; o operador lgico e (AND) simbolizado pelo caracter &; seleccionar a varivel
fuma e defini-la igual a 1:

Fazer para avanar.

SPSS 3 - Anlise de Dados
ESACB 29
3 - ANLISE DE DADOS

Vamos iniciar a utilizao do SPSS a fim de efectuar diversas anlises estatsticas. Antes de
iniciar um processo de anlise, os dados a analisar devem estar carregados na memria do
computador.

Vamos ilustrar utilizando o ficheiro arroz.sav que dever estar carregado na memria do
computador.

3.1 - OBTER ESTATSTICAS DESCRITIVAS

Esta rotina calcula as estatsticas elementares (mdia, moda, mediana, varincia, etc) de
uma varivel numrica. No exemplo, a nica varivel susceptvel de ser analisada a
varivel producao.

3.1.1 - PROCEDIMENTO DESCRIPTIVES

Para obter as estatsticas elementares de uma varivel numrica, fazer:

Aparece a seguinte caixa de dilogo, onde se definem as variveis a analisar; no presente
caso, ser apenas a varivel producao:

ESACB 30

Para seleccionar as variveis a analisar, click sobre o nome da varivel na listagem que
aparece na caixa esquerda, e de seguida click no boto . Ficar com o seguinte aspecto:

A fim de definir quais os parmetros estatsticos a estimar, seleccionar , obtendo-
se a seguinte caixa de dilogo:

Inicialmente, estariam seleccionadas apenas a Mean (mdia), Std. deviation (desvio
padro), Minimum (mnimo) e Maximum (mximo); vamos seleccionar tambm a Sum
ESACB 31
(soma de todas as observaes), Variance (varincia), Range (intervalo de variao),
S.E.mean (erro padro da mdia:
N
s
s
x
= ), Kurtosis (curtose ou achatamento), Skewness
(enviesamento ou assimetria). As opes Display Order s tm significado nos casos em
que se procede ao clculo de parmetros de mais do que uma varivel.

No final, fazer e depois .

O programa abre o Viewer (janela de resultados), com o aspecto:

Na janela direita esto os resultados; como se pediu o clculo de muitos parmetros, o
quadro de resultados demasiado largo para caber no ecran; use a barra de scroll para ler o
quadro de resultados

Caso tenha interesse em imprimir os resultados, o SPSS resolve o problema da largura,
fraccionando o quadro em vrios.

Repare que ficou no SPSS Viewer; para voltar ao Data Editor do SPSS, onde est aberto o
ficheiro arroz.sav, restaure a janela na barra Iniciar do Windows:

O SPSS permite capturar os resultados visualizados no Viewer e col-los por exemplo, no
relatrio que est a ser escrito no editor de texto Word; no processador de texto, pode
seleccionar-se a tabela e fazer o ajuste automtico, de modo a que o quadro, demasiado
largo, caiba na largura do texto. Contudo, resulta mais elegante se no for necessrio reduzir
ESACB 32
muito a largura do quadro original. Para tal, a soluo obter menos parmetros estatsticos,
de modo que o quadro de resultados seja menos largo.

3.1.2 - PROCEDIMENTO EXPLORE

Em caso de necessidade de apresentar todos os parmetros estatsticos, estes podem ser
obtidos noutra rotina do SPSS, cujo quadro de resultados se desenvolve na vertical, sendo
mais fcil inclui-los no relatrio em Word. Vamos ilustrar esta opo.

A opo EXPLORE calcula os parmetros estatsticos, e elabora o grfico caule-e-folhas
(esquema de histograma) e o grfico de extremos-e-quartis, muito til para analisar a
amostra em termos de concentrao ou disperso dos valores por intervalos quartlicos, bem
como a sua simetria; alm disso, uma boa ferramenta de verificar se h observaes
outliers, isto , observaes extremas que se afastam muito da gama mdia dos valores da
amostra. Opcionalmente, podem obter-se outras anlises, como veremos.

Na caixa de dilogo que se segue, selecciona-se a varivel a analisar (producao) tal como
descrito atrs. De seguida, seleccionar o boto

ESACB 33
Seleccionando o boto , verifica-se que o clculo das estatsticas descritivas est
activado; pode-se optar por verificar analiticamente a existncia de outliers, bem como
calcular os percentis. A opo M-estimators destina-se ao clculo de parmetros estatsticos
(mdia e varincia) ponderados; geralmente esta opo s interessa em utilizaes muito
especficas. No final, fazer .

Voltando caixa de dilogo Explore, seleccionar a opo ; seleccionar a opo
e fazer .

Na janela Explore seleccionar a opo fazer para obter os resultados.

ESACB 34

Note-se que os resultados vm na sequncia dos resultados obtidos anteriormente, de modo
que durante a sesso de trabalho, os resultados vo-se acumulando, podendo o utilizador em
qualquer momento seleccionar os que lhe interessam.

Utilize a barra se scroll vertical para visualizar os resultados, ou na caixa do organigrama
dos resultados, esquerda, seleccione os que lhe interessa visualizar. Por exemplo, para ver
os parmetros estatsticos, click sobre :

Esta opo, alm dos parmetros estatsticos obtidos no procedimento DESCRIPTIVES,
calcula o intervalo de confiana para a mdia, e a mdia aps eliminar as 5% observaes
inferiores e as 5% observaes superiores (5% Trimmed Mean).

De seguida apresentam-se o histograma, diagrama de caule-e-folhas (steam-and-leaf) e
diagrama de extremos-e-quartis (Boxplot) referentes a esta anlise.
ESACB 35

Producao
6
5
0
0
.
0
6
2
5
0
.
0
6
0
0
0
.
0
5
7
5
0
.
0
5
5
0
0
.
0
5
2
5
0
.
0
5
0
0
0
.
0
4
7
5
0
.
0
4
5
0
0
.
0
4
2
5
0
.
0
4
0
0
0
.
0
3
7
5
0
.
0
3
5
0
0
.
0
3
2
5
0
.
0
3
0
0
0
.
0
2
7
5
0
.
0
2
5
0
0
.
0
Histogram
F
r
e
q
u
e
n
c
y
10
8
6
4
2
0
Std. Dev = 952.52
Mean = 4956.5
N = 60.00

Producao Stem-and-Leaf Plot

Frequency Stem & Leaf

3.00 2 . 688
3.00 3 . 144
5.00 3 . 77789
6.00 4 . 111234
13.00 4 . 5556778889999
7.00 5 . 1223344
18.00 5 . 555666678888899999
5.00 6 . 00024

Stem width: 1000.00
Each leaf: 1 case(s)

ESACB 36
60 N =
Producao
7000
6000
5000
4000
3000
2000

3.1.3 - PROCEDIMENTO EXPLORE COM FACTORES

Os resultados anteriores referem-se globalidade das produes, e tm o interesse que o
utilizador pretender retirar deles.

Numa situao como a que estamos a analisar, teria igualmente interesse executar estas
anlises, no para a globalidade das observaes, mas sim repartidas por um ou mais dos
factores.

Vamos executar o procedimento EXPLORE, obtendo os resultados para cada uma das trs
variedades (poderia ser para os cinco nveis de azoto, ou para os dois factores em
simultneo).

ESACB 37
Na caixa de dilogo que se segue, selecciona-se a varivel a analisar (producao) tal como
descrito atrs. Seleccionar a varivel variedad para o campo Factor List:

A partir deste ponto, o procedimento anlogo ao atrs descrito. Os resultados tm o
seguinte aspecto:

A seguir apresenta-se a listagem completa dos resultados do procedimento:
ESACB 38
Descriptives
Variedade Statistic Std. Error
Producao IR8 Mean 4769.4000 235.8637
95% Confidence Interval for Mean Lower Bound 4275.7316
Upper Bound 5263.0684
5% Trimmed Mean 4819.3333
Median 4836.0000
Variance 1112633.726
Std. Deviation 1054.8145
Minimum 2606.00
Maximum 6034.00
Range 3428.00
Interquartile Range 1762.0000
Skewness -.651 .512
Kurtosis -.441 .992
IR5 Mean 5042.0000 214.0869
Median 5410.0000
Variance 916664.421
Minimum 2846.00
Maximum 6458.00
Range 3612.00
Skewness -.839 .512
Kurtosis -.076 .992
C4-63 Mean 5058.1000 191.4035
Median 5091.0000
Variance 732706.305
Minimum 3428.00
Maximum 6264.00
Range 2836.00
Skewness -.419 .512
Kurtosis -.921 .992

O diagrama de extremos-e-quartis apresentado agora para cada uma das trs variedades:
ESACB 39
20 20 20 N =
Variedade
C4-63 IR5 IR8
P
r
o
d
u
c
a
o
7000
6000
5000
4000
3000
2000

Estes resultados podem comear a fornecer pistas para a anlise dos dados, do gnero de
que a variedade C4-63 apresenta uma produo mais homognea.

3.1.4 - PROCEDIMENTO FREQUENCIES

O procedimento FREQUENCIES permite gerar tabelas de frequncias (contagem de casos
quer de variveis alfanumricas, quer de variveis numricas. Adicionalmente, pode
calcular os parmetros estatsticos calculados pelos procedimentos DESCRIPTIVES e
EXPLORE, anteriormente vistos; pode igualmente gerar histogramas, com o ajustamento a
uma funo de distribuio de probabilidades.

No caso de variveis numricas, em que se admite que seguem uma lei de distribuio
normal (pressuposto quase obrigatrio para a maioria das metodologias estatsticas usuais
em cincias agrrias), a visualizao do ajustamento do respectivo histograma funo de
distribuio normal pode ser uma valiosa ferramenta para anlises subsequentes.

A fim de ilustrar, vamos executar dois procedimentos FREQUENCIES: gerar as tabelas de
frequncia das variveis nominais azoto e variedad, e gerar a tabela de frequncias da
varivel producao, neste caso com o respectivo histograma ajustado fdp normal.

Seleccionar:

Statistics
Summarize
Frequencies...

Na caixa de dilogo, seleccionar as variveis variedad e azoto:

ESACB 40

A opo permite seleccionar, facultativamente, quais os parmetros estatsticos a
calcular. No caso de variveis nominais e alfanumricas no tm significado.

Os resultados obtidos, que so acrescentados ao Viewer, tm o seguinte aspecto:

Repita-se o procedimento para a varivel numrica producao:

Statistics
Summarize
Frequencies...

ESACB 41

V opo seleccionar para calcular os decis (com a seleco da opo
), a mdia, mediana e varincia. No final, fazer :

De seguida, v-se opo para seleccionar o histograma com ajustamento
funo de distribuio normal:

ESACB 42

Fazer para avanar, e OK para calcular.

Veja no Viewer os resultados.

O histograma com o ajustamento f.d.p. normal tem o seguinte aspecto, onde sobressai o
enviezamento da amostra para a direita em relao distribuio terica, bem como um
achatamento um pouco maior que o que seria de esperar (isto , cerca de 75% da amostra
est abaixo da curva, nomeadamente na zona central da distribuio):

Producao
6
5
0
0
.
0
6
2
5
0
.
0
6
0
0
0
.
0
5
7
5
0
.
0
5
5
0
0
.
0
5
2
5
0
.
0
5
0
0
0
.
0
4
7
5
0
.
0
4
5
0
0
.
0
4
2
5
0
.
0
4
0
0
0
.
0
3
7
5
0
.
0
3
5
0
0
.
0
3
2
5
0
.
0
3
0
0
0
.
0
2
7
5
0
.
0
2
5
0
0
.
0
Producao
F
r
e
q
u
e
n
c
y
10
8
6
4
2
0
Std. Dev = 952.52
Mean = 4956.5
N = 60.00

SPSS 4 - Grficos
ESACB 44

4 - GRFICOS

A representao grfica dos dados geralmente uma boa abordagem para as anlises
estatsticas a efectuar: a representao de variveis numricas em histograma permite inferir
acerca da simetria, achatamento e normalidade da amostra em anlise; o grfico de barras
representando contagens ou percentagens de valores de variveis permite comparar
visualmente diversas caractersticas amostrais; a representao grfica de duas variveis que
se julgam correlacionadas num grfico de pontos ou de disperso permite definir uma
abordagem prvia metodologia de regresso; os grficos de extremos-e-quartis facilitam a
deteco de outliers, alm de permitirem analisar a simetria e sub-intervalos de maior
concentrao da amostra; etc.

Muitos dos procedimentos estatsticos do SPSS incluem j a elaborao de grficos
adequados s anlises respectivas. Nesta seco, vamos abordar a criao de grficos
isolados de outros procedimentos.

O programa SPSS permite definir os grficos por duas vias:

- grficos interactivos: disponveis a partir do sub-menu Interactive do menu
Graphs; a caracterstica principal desta metodologia de gerar
grficos a facilidade em intercambiar variveis entre os
eixos do grfico, nomeadamente a partir da janela Viewer,
aps ter gerado o grfico. A edio do grfico faz-se
directamente na janela Viewer.

- grficos standardizados: esta metodologia permite definir os grficos, a partir de sub-
menus individualizados no menu Graphs; aps criados, estes
grficos so menos dinmicos que os grficos interactivos.
Para editar o grfico, selecciona-se este na janela Viewer e
abre-se uma janela de edio do grfico.

De seguida vo-se apresentar a definio de alguns tipos de grficos, tendo como base de
trabalho os dados do ficheiro pulso.sav (listagem em anexo).

Vamos de seguida ilustrar a realizao de alguns grficos. No se pretende fazer uma
apresentao exaustiva de todos os tipos de grficos; contudo, os procedimentos para
qualquer outro tipo de grfico so genericamente semelhantes, de modo que os grficos
descritos de seguida fornecem bases suficientes para que o utilizador explore e crie qualquer
outro tipo de grficos.

4.1 - GRFICOS STANDARDIZADOS

SPSS 4 - Grficos
ESACB 45
4.1.1 - GRFICO DE BARRAS

Vamos ilustrar criando um grfico com a contagem de casos de cada uma das idades do
ficheiro pulso.sav. Para tal:

Graphs
Bar ...

Aparece a seguinte caixa de dilogo, onde se selecciona o tipo de grfico de barras a
executar (Simple: para representar uma nica srie de valores ou varivel; Clustered:
permite representar vrias variveis agrupadas; para cada valor de uma das variveis so
geradas barras para cada valor da outra varivel; Stacked: permite representar vrias
variveis em barras sobrepostas). Vamos iniciar por criar o grfico de barras simples. Nesta
caixa de dilogo selecciona-se tambm o tipo de dados (no caso, pretende-se representar a
contagem das idades, isto , um sumrio contagem dos dados; para tal, selecciona-se a
opo ).

Para prosseguir, fazer .

Na janela seguinte, selecciona-se a varivel a representar no grfico para o campo Category
Axis, e define-se que as barras representam a contagem de casos (N of cases):

SPSS 4 - Grficos
ESACB 46

Para definir os ttulos do grfico, seleccionar . Escrever o ttulo principal (Title -
Line 1 e Line 2), sub-ttulo (Subtitle) e notas de rodap (Footnote Line 1 e Line 2).
Qualquer destes ttulos facultativo:

No final fazer . O grfico tem o seguinte aspecto:

SPSS 4 - Grficos
ESACB 47
Distribuio das idades dos pacientes
As idades esto expressas em anos completos
Fonte: Abcde, 1998.
IDADE
42 38 35 33 31 29 27 25 23 21 19
C
o
u
n
t
10
8
6
4
2
0

Os grficos de linhas (Line) e rea (Area) do a mesma informao; em vez de barras ou
colunas, desenhada uma linha unindo os pontos altura da contagem do nmero de casos
em cada categoria ou valor do eixo dos xx; no caso do grfico de reas, a rea definida por
essa linha e o eixo dos xx preenchida. A definio destes grficos tem os mesmos passos
do grfico de barras. A ttulo de exemplo, apresenta-se de seguida o grfico de rea para a
varivel idade (o grfico de linhas seria exactamente o mesmo, sem a rea sombreada):

Distribuio das idades dos pacientes
As idades esto expressas em anos completos
Fonte: Abcde, 1998.
IDADE
42 38 35 33 31 29 27 25 23 21 19
C
o
u
n
t
10
8
6
4
2
0

SPSS 4 - Grficos
ESACB 48
Poder ter interesse ver a distribuio de idades por sexo, isto , fazer a separao das
idades por sexo; para tal, na janela Bars Chart selecciona-se a opo Clustered. Aparece a
seguinte janela, onde se seleccionam a varivel a representar em barras (idade) e a varivel
de agrupamento (sexo):

Todo o restante procedimento semelhante. O grfico resultante o seguinte:

Distribuio das idades dos pacientes por sexo
As idades so expressas em anos completos
Fonte: Abcde, 1998
IDADE
42 38 35 33 31 29 27 25 23 21 19
C
o
u
n
t
5
4
3
2
1
0
SEXO
Homem
Mulher

O grfico de barras pode tambm usar-se para comparar visualmente a mdia (ou outro
parmetro estatstico) de duas ou mais variveis da mesma natureza. Para exemplificar,
vamos elaborar o grfico de barras referente s mdias das variveis ritmoa e ritmod. Para
tal:
SPSS 4 - Grficos
ESACB 49

Graphs
Bar ...

Na janela de dilogo seguinte, seleccionar o tipo Simple (s uma srie de barras) e a opo
(isto , cada barra representa um parmetro estatstico de uma
varivel):

Para prosseguir, fazer . Na janela seguinte, seleccionar as variveis a representar:

Veja-se que, por defeito, ser representada a mdia (mean) das variveis. Pretendendo
representar outro parmetro, fazer (seleccionando individualmente cada
uma das variveis, ou seleccionando todas as variveis em simultneo para tal, manter o
boto esquerdo pressionado e arrastar sobre o nome das variveis a seleccionar). Aparece a
seguinte caixa de dilogo, onde se define o parmetro a representar. Veja-se que pode
seleccionar-se um parmetro estatstico (primeiro bloco da janela), ou ento o nmero (ou
SPSS 4 - Grficos
ESACB 50
percentagem) de casos acima ou abaixo de um valor a definir (bloco central), ou entre dois
valores a definir (ltimo bloco)
3
:

Definir os ttulos como referido previamente. O grfico tem o seguinte aspecto:

Ritmo cardaco antes e aps exerccio fsico
Valores mdios
Fonte: Abcde, 1998
RITMOD RITMOA
M
e
a
n
160
140
120
100
80
60

4.1.2 - HISTOGRAMA

3
Os campos Value, Low, High s so activados aps seleccionar uma opo do respectivo bloco de
opes.
SPSS 4 - Grficos
ESACB 51
O histograma um grfico parecido ao de barras, s que o eixo dos xx escalar contnuo,
representando classes de uma varivel numrica, e no categorias como no caso do grfico
de barras. As barras representam as frequncias absolutas registadas no intervalo ou classe
definido no eixo dos xx.

O histograma traduz a distribuio de frequncias, sendo possvel analisar a simetria e o
achatamento da amostra.

Para ilustrar a elaborao do histograma, vamos usar a varivel ritmoa do ficheiro
pulso.sav. Executar o seguinte procedimento:

Graphs
Histogram ...

Aparece a seguinte caixa de dilogo, onde se selecciona a varivel numrica a representar
no eixo dos xx do histograma:

Seleccionando a opo , sobreposta a curva de distribuio normal
ao histograma.

Para definir os ttulos do grfico, seleccionar , tal como descrito anteriormente.

SPSS 4 - Grficos
ESACB 52
RITMOA
95.0 90.0 85.0 80.0 75.0 70.0 65.0 60.0
Hi stograma das frequncias absolutas
Ritmo cardaco
Fonte: Abcde, 1998
14
12
10
8
6
4
2
0
Std. Dev = 9.54
Mean = 76.0
N = 40.00

4.1.3 - GRFICO DE EXTREMOS-E-QUARTIS

O diagrama de extremos-e-quartis, ou caixa-com-bigodes, uma til representao grfica
dos dados na deteco de outliers, e na anlise da simetria e de sub-intervalos de
concentrao da amostra de valores.

O grfico baseia-se na localizao dos quartis (1 quartil, 2 quartil ou mediana, 3 quartil),
que definem assim 4 sub-intervalos, cada um com 25% das observaes: 1 intervalo
quartlico, delimitado pelo x
min
e quartil
1
; 2 intervalo quartlico, delimitado pelo quartil
1
e
quartil
2
; 3 intervalo quartlico, definido pelo quartil
2
e quartil
3
; 4 intervalo quartlico,
desde o quartil
3
ao x
max
.

So considerados outliers as observaes que fiquem abaixo do limite definido pela
expresso ( )
1 3 1
5 . 1 q q q ou acima do limite ( )
1 3 3
5 . 1 q q q + ; caso existam outliers,
o limite do bigode do diagrama passa a ser a observao extrema que se situe dentro dos
limites dos outliers atrs definidos.

Para criar o diagrama de extremos-e-quartis, executar o seguinte procedimento (vamos usar
a varivel ritmoa do ficheiro pulso.sav):

Graphs
Boxplot ...

Na caixa de dilogo seguinte seleccionar a opo Simple, j que se trata de uma nica
varivel, e a opo para criar um diagrama de extremos-e-
quartis da varivel ritmoa para cada categoria de uma outra varivel (vamos usar a varivel
sexo para definir as categorias). Seleccionar a opo se se
SPSS 4 - Grficos
ESACB 53
pretender criar o grfico com todos os dados da varivel ritmoa, sem separar pelas
categorias da varivel sexo:

Fazer para continuar. Na seguinte caixa de dilogo, seleccionar a varivel
numrica a representar no grfico (ritmoa), e a varivel para definir as categorias (sexo):

O resultado o seguinte:

Case Processing Summary
22 100.0% 0 .0% 22 100.0%
18 100.0% 0 .0% 18 100.0%
SEXO
Homem
Mulher
RITMOA
N Percent N Percent N Percent
Valid Missing Total
Cases

SPSS 4 - Grficos
ESACB 54
18 22 N =
SEXO
Mulher Homem
R
I
T
M
O
A
100
90
80
70
60
50
38 10
15

Repare-se que no caso dos homens, h duas observaes outliers, que so assinaladas fora
dos bigodes do diagrama; o bigode chega, neste caso, at observao mais alta, mas
que no seja outlier (valor 80). Repare-se que indicado o nmero de observaes para
cada uma das categorias (N=22 para os homens; N=18 para as mulheres).

4.1.4 - GRFICO DE BARRA DE ERROS

Um grfico de barra de erros representa um intervalo de confiana para a mdia de uma
varivel numrica de uma amostra (ou sub-amostras definidas pelas categorias de uma
varivel categrica). O intervalo de confiana definido por uma das seguintes expresses
(entre parentesis so indicadas as respectivas opes a seleccionar durante a definio do
grfico ver frente):

-
N
s
t x
N
.
) 1 , (
o
, em que
) 1 , ( N a
t o quantil o da distribuio t-Student (opo
Confidence interval for mean);

-
x
s k x . , em que
N
s
s
x
= o erro padro da mdia e e k (opo Standard
error of mean);

- s z x .
o
, em que
o
z o quantil o da distribuio normal reduzida N(0,1) (opo
Standard deviation).

Vamos ilustrar a criao deste tipo de grfico usando a varivel ritmoa do ficheiro
pulso.sav, sub-dividida pelas duas categorias (Homem, Mulher) da varivel sexo:

SPSS 4 - Grficos
ESACB 55
Graphs
Error Bar ...

Na caixa de dilogo seguinte seleccionar a opo Simple, j que se trata de uma nica
varivel, e a opo para um grfico da varivel ritmoa para
cada categoria de uma outra varivel (sexo). Seleccionar a opo
se se pretender criar o grfico com todos os dados da varivel ritmoa, sem separar pelas
categorias da varivel sexo:

Fazer para continuar. Na seguinte caixa de dilogo, seleccionar a varivel
numrica a representar no grfico (ritmoa), e a varivel para definir as categorias (sexo):

Na caixa Bars Represent deve seleccionar-se o tipo de intervalo de confiana que se
pretende (definidos anteriormente). Para pequenas amostras, o mais usual o intervalo de
confiana para a mdia (Confidence interval for mean). O nvel de confiana de 95% (o
utilizador pode definir outro nvel de confiana).

SPSS 4 - Grficos
ESACB 56
Para definir os ttulos do grfico, seleccionar .

O grfico tem o seguinte aspecto:

18 22 N =
Intervalo de confiana a 95% para a mdia do ritmo cardaco
(por categoria sexo)
Fonte: Abcde, 1998
SEXO
Mulher Homem
9
5
%

C
I

R
I
T
M
O
A
90
80
70
60

4.1.5 - GRFICOS DE PROBABILIDADES

Os grficos de probabilidades (P-P: Probability Plots) visualizam graficamente o
ajustamento de uma varivel a uma funo de distribuio de probabilidades.

Este tipo de grficos representa no eixo dos xx as frequncias relativas acumuladas
observadas na amostra (observed cummulative probability) e no eixo dos yy a funo de
distribuio de probabilidades esperada (expected cummulative probability). A diagonal
do grfico (x=y) representa um ajustamento perfeito da amostra funo de distribuio de
probabilidades. Quanto mais os pontos se afastam da diagonal, ou se se distribuem segundo
um determinado padro, menor o ajustamento da amostra distribuio terica.

O SPSS pode fazer o grfico P-P de ajustamento s seguintes distribuies: beta, chi-
quadrado, exponencial, gamma, Laplace, Logistic, Log-normal, normal, semi-normal,
Pareto, t-Student, Weibull e uniforme.

Vamos ilustrar ajustando a varivel ritmoa distribuio de probabilidades normal, com
mdia x (parmetro de localizao) e varincia
2
s (parmetro de escala), estimados a partir
da amostra:
Graphs
P-P ...

SPSS 4 - Grficos
ESACB 57

O campo permite seleccionar a distribuio terica de probabilidades. As
frequncias acumuladas tericas ou esperadas so calculadas por expresses
matematicamente definidas, e todas relacionadas com o ranking das observaes (isto ,
com a ordem desde 0 correspondente a x
min
- a n correspondente a x
max
), sendo o mtodo
Blom o mais usual. Quando h observaes repetidas (ties), a sua ordem pode ser definida
pela ordem da observao mdia ( ), ou pela ordem mais elevada (High) ou da
observao mais baixa (Low) da observao repetida.

O resultado o seguinte:

PPlot
MODEL: MOD_3.

Expected Normal quantiles calculated using Blom's
proportional
estimation formula and assigning the mean to ties.

For variable RITMOA...

Normal distribution parameters estimated: location=75.95
scale=9.5379135

SPSS 4 - Grficos
ESACB 58
Normal P-P Plot of RITMOA
Observed Cum Prob
1.00 .75 .50 .25 0.00
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1.00
.75
.50
.25
0.00

Detrended Normal P-P Plot of RITMOA
Observed Cum Prob
1.0 .8 .6 .4 .2 0.0
D
e
v
i
a
t
i
o
n

f
r
o
m

N
o
r
m
a
l
.10
.08
.06
.04
.02
0.00
-.02
-.04
-.06

O output inclui, alm do grfico de ajustamento normal (onde se observa um afastamento
com comportamento cclico em relao diagonal), um grfico do ajustamento dos resduos
(y
obs
-y
est
); se a amostra perfeitamente normal, os resduos distribuir-se-o segundo uma
faixa horizontal em torno do zero, sem denotar qualquer padro de distribuio; no
exemplo, ntido um comportamento cclico em torno do zero, denotando algum
afastamento em relao normal.

SPSS 4 - Grficos
ESACB 59
4.1.6 - GRFICO DE DISPERSO

O grfico de disperso (scatterplot) um grfico de pontos, representando num plano (x,y)
N pares de valores numricos escalares, que permite analisar a distribuio conjunta das
duas variveis.

Este tipo de grficos muito til como metodologia prvia de anlise a problemas de
regresso, quando se tenta ajustar uma funo y=f(x), que estabelece uma relao de
dependncia entre as duas variveis.

Permite igualmente detectar observaes outliers bi-variadas, isto , observaes que se
afastam do contexto das restantes observaes, mesmo que, analisadas isoladamente em
relao a cada varivel, no se suspeite desses outliers.

No eixo dos xx representa-se a varivel independente ou causal, e no eixo dos yy a varivel
dependente, resposta ou efeito.

A fim de ilustrar, vamos usar as variveis ritmoa (x) e ritmod (y), pensando a priori que o
ritmo cardaco aps exerccio fsico est relacionado com o ritmo cardaco em repouso do
mesmo indivduo.

Graphs
Scatter ...

Nesta janela, deve seleccionar-se o tipo de grfico de disperso a executar:

Simple quando se pretende representar num plano xy uma srie de observaes bi-
variadas (x,y); se nessa srie existem diferentes categorias, definidas por
uma terceira varivel categrica, podem identificar-se os pontos
correspondentes a cada categoria com marcas diferentes;
Overlay quando se pretende representar num mesmo plano (x,y) duas ou mais sries
de observaes bi-variadas (x,y) da mesma natureza;
Matrix quando se pretendem representar os grficos xy de todas as combinaes
possveis de duas ou mais variveis; isto , dispondo de 3 variveis
genericamente identificadas por x,y,z, esta opo representa os seguintes
grficos: (x,y), (x,z), (y,z), bem como a imagem simtrica destes grficos;
este grfico til para uma anlise exploratria das associaes entre
diversas variveis;
3-D representa o grfico espacial a 3 dimenses definido pelos eixos (x,y,z).

O tipo de grfico mais usual o Simple. Tendo seleccionado a opo pretendida, fazer
para prosseguir. Na janela seguinte, definir as variveis a usar em cada um dos
SPSS 4 - Grficos
ESACB 60
eixos (x: ritmoa; y: ritmod), bem como a varivel categrica (sexo) de agrupamento
(opcional):

Definir os ttulos como previamente descrito. O grfico resultante tem o seguinte aspecto:
Ritmo aps exerccio versus ritmo cardaco em repouso
Os casos so identificados por sexo
Fonte: Abcde, 1998
RITMOA
100 90 80 70 60
R
I
T
M
O
D
280
260
240
220
200
180
160
140
120
100
SEXO
Mulher
Homem

Nota-se que, aparte da observao no canto superior direito do grfico, que um outlier bi-
variado, todas as outras observaes tm uma tendncia mais ou menos linear ligeiramente
crescente.

Para ilustrar a matriz de grficos, com as variveis idade, ritmoa, ritmod, executar o
procedimento:
SPSS 4 - Grficos
ESACB 61

Graphs
Scatter ...
Matrix

O grfico resultante o seguinte:

IDADE
RITMOA
RITMOD
Relao entre i dade, ritmoa, ritmod
Casos identificados por sexo
Fonte: Abcde, 1998
SEXO
Mulher
Homem

SPSS 4 - Grficos
ESACB 62
4.2 - EDIO DOS GRFICOS STANDARDIZADOS

Quando o grfico criado e aparece na janela Viewer do SPSS pode no estar optimizado
em relao a algumas caractersticas, nomeadamente cores e padres de preenchimento
(com particular nfase se se pretende imprimir ou exportar para outras aplicaes).

Para editar o grfico, a fim de fazer estes pequenos ajustamentos, seleccionar o grfico
(click sobre o grfico) na janela Viewer do SPSS e abri-lo com um dos seguintes
procedimentos:

i) Edit
SPSS Chart Object
Open

ii) Click com o boto direito do rato
Aparece o seguinte menu:

Seleccionar SPSS Chart Object
Open
iii) Duplo click com o boto esquerdo do rato

Qualquer dos anteriores procedimentos abre o grfico numa nova janela, com a designao
SPSS Chart Editor, sobreposta ao Viewer, tal como se ilustra; o grfico est sombreado na
janela Viewer durante a edio; as alteraes efectuadas so reflectidas automaticamente
neste grfico:

SPSS 4 - Grficos
ESACB 63

Para alterar um pormenor, por exemplo o padro de preenchimento das barras, fazer click
sobre uma barra (no Chart Editor); repare-se que automaticamente todas as barras ficaram
seleccionadas (muito embora as marcas sejam colocadas em apenas algumas barras, todas
elas esto seleccionadas):

Para alterar o formato das barras, seleccionar o menu Format:

SPSS 4 - Grficos
ESACB 64

Neste menu, seleccionar uma das seguintes opes, conforme o objectivo; cada opo abre
uma caixa de dilogo onde o utilizador selecciona a alterao a efectuar; para tomar efeito,
fazer :

Nota: A barra de ferramentas do SPSS Chart Editor tem os botes de atalho para
as respectivas entradas no menu Format, tal como de seguida se
apresentam:

Fill Patern... ou Alterar o padro de preenchimento;

Color... ou Alterar a cor;
Marker... ou Alterar o tipo de marca ou ponto (no scatterplot);
Line Style... ou Alterar o tipo (contnua, pontuada) e espessura de linhas;
Bar Style ... ou Alterar o tipo de barras:
SPSS 4 - Grficos
ESACB 65

Text... ou Alterar as caractersticas (fonte e tamanho) do texto (s activo se se se
seleccionou previamente uma regio de texto, por exemplo os ttulos)
Cada uma das caixas de dilogo tem o boto ou , para fechar aps aplicar a
alterao.

Para alterar os ttulos ou notas de rodap (ou defini-los, se no o foram durante o
procedimento do elaborao do grfico), faz-se o seguinte procedimento:

Chart
Title... (ou Footnote... se se trata de editar as notas de rodap)

Abre-se a seguinte janela de dilogo, onde o utilizador poder alterar os ttulos (se no
foram previamente definidos os ttulos, os respectivos campos aparecem vazios), e o
respectivo alinhamento:

No caso da edio das notas de rodap, a janela de dilogo a seguinte:

Aps ter efectuado as alteraes pretendidas, fechar o Chart Editor para regressar ao
Viewer; para tal, fazer File Close, ou click no boto .

4.3 - GRFICOS INTERACTIVOS

SPSS 4 - Grficos
ESACB 66
Como referido no incio do captulo, o SPSS dispe de uma rotina interactiva de definio
de grficos, em que a seleco e alterao do tipo de grficos, variveis a incluir, e
pormenores, so mais facilmente editados.

Para criar um grfico interactivo, seleccionar:

Graphs
Interactive

No menu seguinte, selecciona-se o tipo de grfico a criar:

Vamos ilustrar a criao de um grfico de barras e de um grfico de disperso; para os
restantes tipos, os procedimentos so anlogos.

4.3.1 - GRFICO DE BARRAS

No menu Interactive selecciona-se a opo Bar... , aparecendo a seguinte janela de
dilogo:

SPSS 4 - Grficos
ESACB 67

Esta janela tpica dos grficos interactivos, e representa o esqueleto do grfico, com um
sistema de eixos ortogonais, cada um com um campo, para o qual se selecciona a varivel a
usar nesse eixo; alguns campos podem j conter uma varivel
4
automaticamente assumida
pelo programa; o que acontece no eixo dos yy, em que o programa prope representar o
nmero de casos iguais, ou frequncias absolutas (varivel $count).

O grfico pode ser bi-dimensional, ou tri-dimensional; a seleco faz-se com os botes:

grfico bi-dimensional (plano xy)
grfico tri-dimensional (espao xyz)

No caso de um grfico bi-dimensional, pode ser representado na vertical ( ) ou na
horizontal ( ).

Seleccionar para o eixo dos xx a varivel a representar (sexo):

4
Aparte das variveis definidas no ficheiro, nesta rotina o programa automaticamente define outras
variveis, nomeadamente a varivel $count (contagem de casos), $pct (percentagem de casos), $case (nmero
de ordem dos casos). Se a varivel precedida pelo con , trata-se de uma varivel categrica; se
precedida pelo con , uma varivel numrica escalar do ficheiro; se o con , trata-se de uma
varivel escalar definida pelo programa, e no constante no ficheiro.
SPSS 4 - Grficos
ESACB 68

Para definir os ttulos, seleccionar o separador Titles:

O grfico resultante tem o seguinte aspecto:

SPSS 4 - Grficos
ESACB 69

Se se pretende visualizar a distribuio, dentro de cada um dos sexos, pela varivel fuma,
deve especificar-se esta diviso por categorias, no separador Assign Variables da janela
Create Bar Chart, incluindo a varivel para definir as categorias no campo Legend
Variables Color; o que se est a fazeer, instruir o programa para usar cores diferentes
para cada uma das categorias da varivel fuma:

O grfico resultante o seguinte:

SPSS 4 - Grficos
ESACB 70

4.3.2 - GRFICO DE DISPERSO

Vamos ilustrar com a criao do grfico que relaciona o ritmo cardaco antes de exerccio
(ritmoa) com o ritmo cardaco aps exerccio (ritmod). Para tal:

Graphs
Interactive
Scatterplot ...

Na janela de dilogo seguinte, definir as variveis para os eixos dos xx e dos yy; para
identificar os casos por sexo, seleccionar a varivel sexo para o campo Legend Variable -
Style (os casos de cada um dos sexos so identificados com uma marca distinta; se se
incluir a varivel em Color, para cada um dos sexos usada uma cor distinta):

SPSS 4 - Grficos
ESACB 71

Para definir os ttulos, seleccionar o separador Titles. O grfico tem o seguinte aspecto:

SPSS 4 - Grficos
ESACB 72

O grfico de disperso interactivo tem a particularidade de poder ajustar uma equao de
regresso linear aos pontos, na totalidade, sem diferenciao por categorias, ou ento para
os pontos de cada uma das categorias definidas por uma varivel categrica. Para tal, na
janela de dilogo Create Scatterplot, aps identificar as variveis x e y e a varivel
categrica (se se pretender uma equao para cada categoria), seleccionar o separador Fit:

SPSS 4 - Grficos
ESACB 73

No campo Method, seleccionar a opo Regression; no campo Fit lines for, seleccionar a
opo se se pretende uma equao para cada um dos casos da varivel sexo (a
opo Total, que pode ser seleccionada isolada ou em conjunto com a opo Subgroups,
destina-se a ajustar uma equao a toda a amostra). O resultado o seguinte:
SPSS 4 - Grficos
ESACB 74

Para cada uma das sub-amostras definidas pela varivel sexo, foi ajustada a equao de
regresso linear, cujas equaes, e o respectivo coeficiente de determinao R
2
, so
apresentadas na figura.

Uma outra possibilidade apresentar os grficos por categorias isolados. Para tal, na janela
Create Scatterplot, a varivel categrica seleccionada para o campo Panel Variables (e
no para o campo Legend Variables):

SPSS 4 - Grficos
ESACB 75
Para ajustar, em cada um dos grficos, a respectiva equao de regresso, seleccionar no
separador Fit a opo (j que o ajustamento da equao feito para
cada um dos grficos isoladamente). O resultado o seguinte:

4.4 - EDIO DE GRFICOS INTERACTIVOS

Para editar um grfico criado com a rotina Interactive, seleccionar o grfico a editar e fazer
um dos seguintes procedimentos:

i) Edit
SPSS Interactive Graphic Object

ii) Click no boto direito do rato; no menu seguinte:

seleccionar SPSS Interactive Graphic Object

iii) Duplo click com o boto esquerdo do rato sobre o grfico

O grfico editado na janela Viewer do SPSS, tomando o seguinte aspecto:

SPSS 4 - Grficos
ESACB 76

A rea do grfico em edio, assinalada na margem esquerda por uma seta, est no interior
de uma bordadura tracejada. No permitido efectuar modificaes em qualquer zona fora
desta bordadura.

Os cons na borda do grfico so botes de atalho para as tarefas de edio. Para editar um
elemento do grfico, deve seleccionar-se previamente, fazendo click sobre esse elemento.
Seguidamente, utiliza-se o boto pretendido:

Espessura de linhas;
Estilo de linhas (contnuas, tracejadas);
Tamanho de marcas ou pontos;
Estilo (forma) de marcas ou pontos;
Padro de preenchimento de reas;
Estilo e cor das linhas de bordadura de reas;
Cor de preenchimento de reas;
Ferramenta para criar/editar uma caixa de texto;
Ponteiro do rato para selecco de elementos do grfico;
Abre a seguinte caixa de dilogo de seleco de variveis, onde se podem
mudar as variveis a representar no grfico:

SPSS 4 - Grficos
ESACB 77

Permite inserir elementos no grfico (os elementos que se podem
inserir dependem do tipo de grfico, e natureza das variveis em uso):

Boto que permite desfazer a ltima modificao efectuada no grfico;
Selecciona a orientao horizontal ou vertical do grfico;
Dispe automaticamente na rea os elementos do grfico;
Definio da fonte e tamanho do texto, bold
ou negrito, itlico (s est activo se previamente se tiver seleccionado um
elemento de texto do grfico).

Alm destes botes, que permitem efectuar a maior parte das modificaes que o utilizador
normal pretende efectuar no grfico, os menus Edit, View, Format possibilitam executar
SPSS 4 - Grficos
ESACB 78
essas mesmas alteraes atravs de menus, e outras modificaes que no dispem de boto
de atalho.

No final, para terminar a sesso de edio do grfico, basta fazer click sobre uma rea do
ecran no pertencente janela do grfico.

SPSS 5 - Testes T
ESACB 79
5 - TESTES T

As metodologias estatsticas que envolvem testes de hipteses acerca de mdias de
hiptese designam-se genericamente por testes t.

O SPSS dispe de trs tipos de testes t:

- Teste t para a mdia de uma amostra: compara a mdia de uma amostra com a
mdia hipottica conhecida de uma populao. So apresentados os parmetros
estatsticos da amostra em anlise; igualmente estabelecido um intervalo de
confiana para ) ( x .

O teste de hiptese subjacente :
0 : 0 :
: :
1 0
1 0
= =

= =

x H x H
x H x H

e a estatstica de testes
|
.
|
\
|

=
N
x
t
o

- Teste t para duas amostras independentes: Compara as mdias de uma mesma
varivel ou caracterstica observada sobre duas amostras independentes de
indivduos, com a condio de que os indivduos sejam aleatoriamente atribudos
aos dois conjuntos em comparao (por exemplo, produo obtida sob um
tratamento versus produo obtida sob outro tratamento diferente, ou de um
modo genrico, controlo versus tratamento). So apresentados os parmetros
estatsticos das amostras em anlise; efectuado o teste de LEVENE para a
homogeneidade das varincias das duas amostras; so apresentadas as
estatsticas de teste para as situaes de varincias homogneas e no
homogneas; estabelecido um intervalo de confiana para (
2 1
x x ).

0 : 0 :
: :
2 1 1 2 1 0
2 1 1 2 1 0
= =

= =
x x H x x H
x x H x x H

|
|
.
|
\
|

=
2 1
2
2 1
1 1
N N
s
x x
t

O teste de Levene para decidir
2
2
2
1 1
2
2
2
1 0
: : s s H s s H = = consiste numa anlise
de varincia aos valores absolutos das diferenas entre os valores observados e a
mdia de cada uma das amostras.

SPSS 5 - Testes T
ESACB 80
- Teste t para duas amostras emparelhadas: Compara as mdias de duas variveis
ou caractersticas para uma mesma amostra de indivduos (do gnero peso antes
versus peso depois de um determinado tratamento). So apresentados os
parmetros estatsticos para as duas amostras em anlise; calculada a
correlao entre as duas amostras; So apresentados os parmetros estatsticos
para as diferenas entre as duas amostras emparelhadas; estabelecido um
intervalo de confiana para (
2 1
x x ).

0 : 0 :
: :
2 1 1 2 1 0
2 1 1 2 1 0
= =

= =
x x H x x H
x x H x x H

|
|
.
|
\
|

=
2 1
2
2 1
1 1
N N
s
x x
t

A fim de ilustrar a realizao destes testes vamos usar o ficheiro PULSO.SAV que foi
criado por importao de um ficheiro dBase. Em anexo fornecida uma impresso do
ficheiro.

Os dados consistem em 40 casos de pacientes (seleccionados aleatoriamente entre os
alunos de uma universidade), homens e mulheres, alguns dos quais fumam e outros no
fumam. Para cada um dos indivduos foi medido o ritmo cardaco antes (ritmoa) e aps
uma corrida de 1500 m (ritmod). Pretende-se, entre outros objectivos, verificar se h
diferenas entre os ritmos cardacos antes e aps o exerccio fsico; se h diferenas de
ritmo cardaco entre homens e mulheres, entre fumadores e no fumadores. Pretende-se
igualmente saber qual o valor indicativo do ritmo cardaco mdio da populao dessa
universidade.

Antes de prosseguir para os testes t aconselhado fazer uma anlise exploratria dos
dados, tal como foi ilustrado no captulo 3. A seguir apresentam-se dois estratos desta
anlise, nomeadamente o diagrama de extremos-e-quartis e os valores extremos:

SPSS 5 - Testes T
ESACB 81
40 N =
RITMOD
300
200
100
0
6

Extreme Values
Case
Number
Value
RITMOA Highest 1 6 96
2 4 96
3 15 92
4 10 90
5 38 90
Lowest 1 1 62
2 36 62
3 3 64
4 13 66
5 39
a
RITMOD Highest 1 6 265
2 9 160
3 17 158
4 26 158
5 19 156
Lowest 1 16 112
2 27 116
3 37 116
4 7 120
5 28 120
a Only a partial list of cases with the value 66 are shown in the table of lower
extremes.

SPSS 5 - Testes T
ESACB 82
Por esta anlise pode concluir-se que o caso n 6 constitui uma observao outlier no
referente observao ritmod: provavelmente, o observador queria registar o valor 165
e, por erro, introduziu 265, valor virtualmente impossvel para o ritmo cardaco de
qualquer humano, mesmo que sujeito a condies in extremis. Contudo, como na
realidade o estatstico no sabe ou que se passou, a melhor estratgia ser ignorar este
caso (indivduo n 6) sempre que tiver de utilizar a varivel ritmod.

5.1 - TESTE T PARA A MDIA DE UMA AMOSTRA

Pretende-se verificar se se pode considerar que a mdia da varivel ritmoa da populao
universitria em anlise pode ser de 80 pulsaes por minuto. Isto , trata-se de dar
resposta ao seguinte teste de hipteses:

0 : 0 :
: :
1 0
1 0
= =

= =

x H x H
x H x H

Para tal, fazer Statistics Compare Means One-Sample T Test...

Aparece a seguinte caixa de dilogo, onde se selecciona a varivel a analisar (ritmoa), e
o valor hipottico da mdia da populao :

SPSS 5 - Testes T
ESACB 83

De seguida, seleccionar a fim de difinir o nvel de confiana para ) ( x :

Por defeito, est definido (1-o)=0.95; se o desejar, o utilizador poder alterar este nvel
de confiana. Fazer e depois OK:

Para um nvel de significncia de 5%, deve rejeitar-se a hiptese nula de que o ritmo
mdio cardaco da populao, com base nesta amostra, possa ser de 80 (pois o p-value
ou significance level da amostra de 0.011<o=0.05, ou porque |t
calc
|=2.686 >
t
(0.05,39)
=2.021).

O intervalo de confiana para | | 00 . 1 , 01 . 7 ) ( e x

5.2 - TESTE T PARA DUAS AMOSTRAS INDEPENDENTES

Pretende-se verificar se, em relao ao ritmo cardaco antes do exerccio fsico, h ou
no diferenas entre os fumadores e os no fumadores, isto :

fumadres no Fumadores fumadres no Fumadores
ritmoa ritmoa ritmoa ritmoa
x x H x x H = = : :
1 0

SPSS 5 - Testes T
ESACB 84
Para tal, fazer Statistics Compare Means Independent Samples T
Test...:

Na caixa de dilogo seguinte, seleccionar a varivel resposta a analisar (ritmoa); as
duas amostras a comparar so dois sub-grupos desta varivel, definidos pela varivel
fuma; para tal, seleccionar esta varivel para o campo :

Para definir os sub-grupos ou amostras, seleccionar ; usar os valores
codificados da varivel fuma (1=Fuma; 2=No Fuma) para definir os grupos:

SPSS 5 - Testes T
ESACB 85

No final, fazer . De seguida, seleccionar a fim de difinir o nvel de
confiana para a diferena entre mdias:

Fazer e depois OK:

Group Statistics
16 76.75 12.00 3.00
24 75.42 7.72 1.58
FUMA
Fuma
No Fuma
RITMOA
N Mean
Std.
Deviation
Std. Error
Mean

Independent Samples Test
8.665 .006 .429 38 .671 1.33 3.11 -4.96 7.63
.394 23.274 .698 1.33 3.39 -5.67 8.34
Equal variances
assumed
Equal variances not
assumed
RITMOA
F Sig.
Levene's Test for
Equality of Variances
t df
Sig.
(2-tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
Interval of the
Difference
t-test for Equality of Means

No primeiro quadro so apresentados alguns parmetros estatsticos de cada uma das
amostras. No segundo quadro apresentam-se os testes de homogeneidade de varincias
(Levene) e o teste t-Student de comparao das mdias das duas amostras.

Comea por analisar-se a homogeneidade das varincias, isto , verificar se se devem
considerar homogneas ou diferentea as varincias dos dois sub-grupos:

2 2
1
2 2
0
: :
Fuma No Fuma Fuma No Fuma
s s H s s H = =

concluindo-se que se devem considerar as varincias no homogneas, pois p-value
deste teste (0.006) inferior a um valor o=5% ou mesmo o=1% (isto , podemos fazer
esta deciso com 99% de probabilidade de acertar). Tambm se pode decidir este teste,
comparando o valor F
calc
=8.665 com um valor crtico da distribuio F de Snedecor (por
exemplo, para o=5%, F
(0.05; 1, 38)
=4.10
5
).

5
O teste de Levene uma anova. Os graus de liberdade totais so N-1=39; pretendem-se
comparar duas amostras, de modo que fica 1 grau de liberdade para as amostras, restando 38 graus de
liberdade para o erro experimental.
SPSS 5 - Testes T
ESACB 86
De seguida, faz-se a deciso do teste t-Student, para a situao de varincias no
homogneas, isto :

fumadres no Fumadores fumadres no Fumadores
x x H x x H = = : :
1 0

O valor da estatstica de teste t=0.394 < t
(0.05; 23)
= 2.069, ou p-value = 0.698 > o=5%,
concluindo-se assim que os ritmos cardacos em repouso, destas duas amostras, so
estatisticamente iguais, para um nvel de significncia de 5%.

O intervalo de confiana a 95% para a diferena entre as mdias [-5.67 , 8.34],
podendo teoricamente a diferena ser nula.

5.3 - TESTE T PARA DUAS AMOSTRAS EMPARELHADAS

Pretende-se verificar se existem ou no diferenas significativas entre os ritmos
cardacos antes e depois de realizao do exerccio fsico, isto :

0 : 0 :
: :
mod 1 mod 0
mod 1 mod 0
= =

= =
rit ritmoa rit ritmoa
rit ritmoa rit ritmoa
x x H x x H
x x H x x H

Como anteriormente se fez notar, este teste dever ser efectuando, sem incluir o
indivduo n 6, por se suspeitar que o respectivo registo do ritmo cardaco aps
exerccio est errado. Para tal, fazer:

Data
Select Cases...

SPSS 5 - Testes T
ESACB 87
Pretende-se excluir o caso n 6 da anlise, isto , incluir na anlise todos os casos com
excepo do caso n 6. Para tal, na caixa de dilogo seleccionar , e
definir que se seleccionam para anlise todos os cados diferenntes do caso n 6:

A indicao caso ~= 6 significa todos os casos excepto o caso 6.

O Data Editor do SPSS criou automaticamente uma varivel designada filter_$, em que
indica quais os casos seleccionados e os no includos. Repare-se que a linha 6 est
traada, indicando que este caso est excludo de futuras anlises:

Note-se que este procedimento de seleccionar casos no exclusivo nem obrigatrio do
procedimento da comparao de mdias de duas amostras emparelhadas. um
procedimento geral a efectuar previamente a qualquer anlise em que haja necessidade
de seleccionar ou excluir casos.

De seguida, passa-se ento comparao das mdias das duas amostras emparelhadas.
Tal como o nome indica, deve haver pares de observaes, de modo que ambas as
amostras tm o mesmo nmero de observaes.

Para tal, fazer Statistics Compare Means Paired Samples T Test...:

SPSS 5 - Testes T
ESACB 88

Na caixa de dilogo seguinte, seleccionar as duas variveis emparelhadas cujas mdias
se pretendem comparar:

O boto serve para definir o intervalo de confiana para a diferena entre as
duas mdias (por defeito, (1-o)=0.95).

Os resultados so os seguintes:

Paired Samples Statistics
75.44 39 9.08 1.45
137.31 39 12.56 2.01
RITMOA
RITMOD
Pair
1
Mean N
Std.
Deviation
Std. Error
Mean

SPSS 5 - Testes T
ESACB 89
Paired Samples Correlations
39 .544 .000 RITMOA & RITMOD Pair 1
N Correlation Sig.

Paired Samples Test
-61.87 10.78 1.73 -65.36 -58.38 -35.858 38 .000 RITMOA - RITMOD Pair 1
Mean
Std.
Deviation
Std. Error
Mean Lower Upper
95% Confidence
Interval of the
Difference
Paired Differences
t df
Sig.
(2-tailed)

No primeiro quadro so apresentados alguns parmetros estatsticos de cada uma das
amostras. Repare-se que foram s levados em conta 39 observaes em cada amostra.

O quadro seguinte apresenta o valor do coeficiente de correlao de Pearson entre as
duas variveis (r=0.544).
No ltimo quadro apresentado o valor de 87 . 61
mod
=
rit ritmoa
x x , o intervalo de
confiana para a diferena entre mdias ([-65.36 , -58.38]) e o valor da estatstica de
teste t-Student t= -35.858, bem como os graus de liberdade do teste e o valor p-value ou
verdaddeiro nvel de significncia (0.000). Como |t
calc
| = 35.858 > t
(0.05,38)
=2.025 (ou p-
value=0.000 < o=5%) conclui-se que as mdias so significativamente diferentes.

SPSS 6 - Anova
ESACB 90

6 - ANLISE DE VARINCIA

6.1 - ENSAIOS UNI-FACTORIAIS

A anlise de varincia uma metodologia estatstica cujo objectivo decidir se existem
ou no diferenas significativas entre as mdias de vrias amostras de uma varivel
numrica, definidas por diferentes tratamentos ou nveis de influncia de um factor. Esta
metodologia uma extenso do teste t-Student para duas amostras independentes.

Isto :

mdias as entre ivas significat diferenas Existem : ...
1 3 2 1 : 0
H x x x x H
T
= = = = =

De um modo muito resumido, a metodologia anova calcula a variabilidade total
existente na caracterstica ou varivel em anlise, e particiona esta variabilidade como
sendo devida fundamentalmente a duas causas: uma causa determinista, que o facto de
as amostras serem sujeitas a tratamentos distintos (variabilidade entre tratamentos);
causas aleatrias ou erro experimental, que engloba todas as restantes fontes de
variabilidade, com excepo dos diferentes tratamentos (variabilidade residual ou erro
experimental). Estas variabilidades so estimativas de varincia (entre tratamentos, e
residual, respectivamente). Isto :

Variabilidade Total = Variabilidade entre Tratamentos + Erro Experimental

A estatstica de teste a estatstica F, que uma razo entre varincias, que sob o
pressuposto de que as observaes tm distribuio normal, segue uma distribuio F de
Snedecor:

) ; ; (
~
Re
den num
gl gl
F
sidual Varincia
s Tratamento entre Varincia
F
o
=

Se a estatstica F demasiado grande, ento porque a varincia entre tratamentos
preponderante em relao varincia residual, isto , os diferentes tratamentos a que a
amostra foi sujeita conduz a resultados estatisticamente diferentes.

Na sequncia de uma anlise de varincia em que se conclua que existem diferenas
significativas entre as mdias dos diversos tratamentos em anlise, faz-se um teste
suplementar a fim de identificar quais so as mdias estatisticamente diferentes. Os
mais usuais so os testes LSD (Least Significant Difference, Diferena Mnima
Significativa), HSD-Tuckey (Honnestly Significant Difference), Scheff, Duncan.

Vamos ilustrar a metodologia de anlise de varincia, usando os valores apresentados
no quadro seguinte, referentes s produes obtidas num ensaio em que se pretende
SPSS 6 - Anova
ESACB 91
estudar o efeito da densidade de sementeira, na cultura de arroz (variedade IR8).
Definiram-se 6 densidades de sementeira (kg/ha de semente). Para cada densidade de
fizeram-se 4 repeties. Todos os restantes factores de produo foram mantidos
constantes no ensaio (adaptado de GOMEZ & GOMEZ, 1984).

Densidade Repeties
25 5113 5398 5307 4678
50 5346 5952 4719 5264
75 5272 5713 5483 5049
100 5164 4831 4986 4410
125 4804 4848 4432 4748
150 4254 4542 4919 4098

A anova simples (ensaios uni-factoriais) pode ser executada no SPSS com dois
procedimentos:

6.1.1 - PROCEDIMENTO ONE-WAY ANOVA

Este o procedimento que conduz elaborao tpica da anlise de varincia, e no qual
possvel definir a obteno de mais resultados no mbito desta metodologia estatstica.

A partir do menu principal do SPSS, seleccionar:

Statistics
Compare Means...
One-Way ANOVA...

Seleccionar para o campo o nome da varivel que contm os valores da
varivel que contm os resultados a analisar (no exemplo, producao); no campo
selecciona-se a varivel que identifica os diferentes tratamentos (densidad).

Seleccionar a opo para definir qual ou quais os testes de comparao de
mdias a efectuar na sequncia da anova. Pode seleccionar-se apenas um ou mais testes.
SPSS 6 - Anova
ESACB 92
No exemplo, pediram-se os testes LSD e Tuckey. O nvel de significncia , por defeito,
o=5%, podendo este valor ser definido pelo utilizador:

Fazer , voltando janela One-Way ANOVA, onde se pode seleccionar o boto
a fim de definir clculos adicionais; no caso, pediram-se o clculo dos
parmetros estatsticos, a realizao do teste de Levene para verificar se as varincias
dos diferentes tratamentos so homogneas e representar graficamente as mdias dos
diferentes tratamentos:

SPSS 6 - Anova
ESACB 93
Oneway
Descriptives
Produo (kg/ha)
4 5124.0000 320.2093 160.1047 4614.4755 5633.5245 4678.00 5398.00
4 5320.2500 504.7893 252.3947 4517.0176 6123.4824 4719.00 5952.00
4 5379.2500 284.4414 142.2207 4926.6402 5831.8598 5049.00 5713.00
4 4847.7500 321.9900 160.9950 4335.3920 5360.1080 4410.00 5164.00
4 4708.0000 188.4958 94.2479 4408.0611 5007.9389 4432.00 4848.00
4 4453.2500 360.8798 180.4399 3879.0097 5027.4903 4098.00 4919.00
24 4972.0833 455.9256 93.0654 4779.5628 5164.6038 4098.00 5952.00
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
Total
N Mean
Std.
Deviation Std. Error
Lower
Bound
Upper
Bound
95% Confidence Interval
for Mean
Minimum Maximum

Test of Homogeneity of Variances
Produo (kg/ha)
.418 5 18 .830
Levene
Statistic df1 df2 Sig.

ANOVA
Produo (kg/ha)
2657880.8 5 531576.167 4.507 .008
2123087.0 18 117949.278
4780967.8 23
Between Groups
Within Groups
Total
Sum of
Squares df
Mean
Square F Sig.

SPSS 6 - Anova
ESACB 94
Post Hoc Tests
Multiple Comparisons
Dependent Variable: Produo (kg/ha)
-196.2500 242.8469 .962 -968.0352 575.5352
-255.2500 242.8469 .894 -1027.0352 516.5352
276.2500 242.8469 .859 -495.5352 1048.0352
416.0000 242.8469 .541 -355.7852 1187.7852
670.7500 242.8469 .111 -101.0352 1442.5352
196.2500 242.8469 .962 -575.5352 968.0352
-59.0000 242.8469 1.000 -830.7852 712.7852
472.5000 242.8469 .408 -299.2852 1244.2852
612.2500 242.8469 .170 -159.5352 1384.0352
867.0000* 242.8469 .023 95.2148 1638.7852
255.2500 242.8469 .894 -516.5352 1027.0352
59.0000 242.8469 1.000 -712.7852 830.7852
531.5000 242.8469 .290 -240.2852 1303.2852
671.2500 242.8469 .110 -100.5352 1443.0352
926.0000* 242.8469 .014 154.2148 1697.7852
-276.2500 242.8469 .859 -1048.0352 495.5352
-472.5000 242.8469 .408 -1244.2852 299.2852
-531.5000 242.8469 .290 -1303.2852 240.2852
139.7500 242.8469 .991 -632.0352 911.5352
394.5000 242.8469 .594 -377.2852 1166.2852
-416.0000 242.8469 .541 -1187.7852 355.7852
-612.2500 242.8469 .170 -1384.0352 159.5352
-671.2500 242.8469 .110 -1443.0352 100.5352
-139.7500 242.8469 .991 -911.5352 632.0352
254.7500 242.8469 .895 -517.0352 1026.5352
-670.7500 242.8469 .111 -1442.5352 101.0352
-867.0000* 242.8469 .023 -1638.7852 -95.2148
-926.0000* 242.8469 .014 -1697.7852 -154.2148
-394.5000 242.8469 .594 -1166.2852 377.2852
-254.7500 242.8469 .895 -1026.5352 517.0352
-196.2500 242.8469 .430 -706.4525 313.9525
-255.2500 242.8469 .307 -765.4525 254.9525
276.2500 242.8469 .270 -233.9525 786.4525
416.0000 242.8469 .104 -94.2025 926.2025
670.7500* 242.8469 .013 160.5475 1180.9525
196.2500 242.8469 .430 -313.9525 706.4525
-59.0000 242.8469 .811 -569.2025 451.2025
472.5000 242.8469 .067 -37.7025 982.7025
612.2500* 242.8469 .021 102.0475 1122.4525
867.0000* 242.8469 .002 356.7975 1377.2025
255.2500 242.8469 .307 -254.9525 765.4525
59.0000 242.8469 .811 -451.2025 569.2025
531.5000* 242.8469 .042 21.2975 1041.7025
671.2500* 242.8469 .013 161.0475 1181.4525
926.0000* 242.8469 .001 415.7975 1436.2025
-276.2500 242.8469 .270 -786.4525 233.9525
-472.5000 242.8469 .067 -982.7025 37.7025
-531.5000* 242.8469 .042 -1041.7025 -21.2975
139.7500 242.8469 .572 -370.4525 649.9525
394.5000 242.8469 .122 -115.7025 904.7025
-416.0000 242.8469 .104 -926.2025 94.2025
-612.2500* 242.8469 .021 -1122.4525 -102.0475
-671.2500* 242.8469 .013 -1181.4525 -161.0475
-139.7500 242.8469 .572 -649.9525 370.4525
254.7500 242.8469 .308 -255.4525 764.9525
-670.7500* 242.8469 .013 -1180.9525 -160.5475
-867.0000* 242.8469 .002 -1377.2025 -356.7975
-926.0000* 242.8469 .001 -1436.2025 -415.7975
-394.5000 242.8469 .122 -904.7025 115.7025
-254.7500 242.8469 .308 -764.9525 255.4525
(J) Densidade de
sementeira
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
(I) Densidade de
sementeira
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
Tukey HSD
LSD
Mean
Difference
(I-J) Std. Error Sig.
Lower
Bound
Upper
Bound
The mean difference is significant at the .05 level.
*.

SPSS 6 - Anova
ESACB 95
Homogeneous Subsets
Produo (kg/ha)
4 4453.2500
4 4708.0000 4708.0000
4 4847.7500 4847.7500
4 5124.0000 5124.0000
4 5320.2500
4 5379.2500
.111 .110
Densidade de
sementeira
150 kg/ha
125 kg/ha
100 kg/ha
25 kg/ha
50 kg/ha
75 kg/ha
Sig.
Tukey HSD
a
N 1 2
Subset for alpha = .05
Means for groups in homogeneous subsets are displayed.
Uses Harmonic Mean Sample Size = 4.000.
a.

Means Plots
Densidade de sementeira
150 kg/ha 125 kg/ha 100 kg/ha 75 kg/ha 50 kg/ha 25 kg/ha
M
e
a
n

o
f

P
r
o
d
u
o

(
k
g
/
h
a
)
5600
5400
5200
5000
4800
4600
4400

O primeiro quadro de resultados contm a mdias, desvio padro e erro padro da mdia
e intervalo de confiana da mdia, mnimo e mximo para cada tratamento.

De seguida apresentado o teste de homogeneidade de varincias de Levene:

homogneas so no varincias As : :
1
2
4
2
3
2
2
2
1 0
H s s s s H = = =

Como F=0.418 < F
(0.05;5;18)
=2.77, ou p-value=0.83 > o=0.05, conclui-se que as
varincias so homogneas, isto , dentro de cada um dos tratamentos a variabilidade
apenas devida a causas aleatrias.

O quadro que se segue a tabela da anlise de varincia, apresentando a variabilidade
particionada entre os tratamentos (betwen groups) e residual (within groups). Como
F=4.507 > F
(0.05;5;18)
=2.77, ou p-value=0.008 < o=0.05, conclui-se que existem
diferenas significativas entre as produes mdias das 6 densidades de sementeira, com
um nvel de significncia de 5%.

Contudo, este resultado no nos permite concluir qual ou quais densidades conduzem a
produes mdias significativamente diferentes de outras. Para concluir tal, h que
proceder comparao da mdia de cada um dos tratamentos com todas as restantes.
esta comparao feita em termos do valor absoluto das diferenas entre mdias: se esta
SPSS 6 - Anova
ESACB 96
diferena entre duas mdias pequena, ento as mdias no diferem; se a diferena
grande, ento as duas mdias so estatisticamente distintas. Este o princpio de
qualquer teste de comparaes mltiplas.

Contudo, h que fixar um critrio que defina a fronteira entre o que uma diferena
grande e uma diferena pequena. Este critrio estabelecido por cada um dos testes
(LSD, Scheff, Tukey, etc), com base em expresses que relacionam a mdia das somas
dos quadrados residual (calculada na tabela anova) e com base em funes de
distribuio de probabilidades.

No quadro dos resultados dos testes de comparaes mltiplas so identificados com o
smbolo * quais os tratamentos cujas mdias diferem significativamente. Repare-se que
ambos os testes acusam como conduzindo a produes mdias diferentes densidades de
50 kg/ha e 150 kg/ha (diferena de 867 kg) e 75 kg/ha e 150 kg/ha (diferena de 926
kg). Contudo apenas o teste LSD acusa existirem diferenas entre as produes
alcanadas com 25 e 150 kg/ha (diferena de 670.75 kg), 50 e 125 kg/ha (diferena de
612.25 kg), 75 e 100 kg/ha (diferena de 531.5 kg).

Isto , o teste LSD acusa como diferentes tratamentos cujas mdias esto menos
afastadas do que o teste Tuckey, que d, por assim dizer, maior margem de dvida antes
de imputar essas diferenas aos efeitos dos tratamentos.

De seguida aparece um quadro complementar do teste Tukey em que agrupa os
tratamentos em grupos homogneos, sendo o critrio de agrupamento o facto de no
existirem diferenas significativas entre os mdias dos tratamentos includos no mesmo
grupo. O mesmo tratamento pode pertencer a mais do que um grupo, desde que no
difira dos restantes tratamentos desse grupo. Assim, as densidades de sementeira de
150, 125, 100, 25 constituem um grupo de tratamentos, cujas produes mdias so as
mais baixas; as densidades de 125, 100, 25, 50, 75 constituem outro grupo, cujas
produes so as mais altas. claro que alguns dos tratamentos densidades de 125, 100,
25) pertencem aos dois grupos
6
.

Em termos absolutos, a densidade de sementeira que conduz a maior produo a
densidade de 75 kg/ha; contudo, a produo obtida com a densidade de 50 kg/ha no
difere significativamente da anterior, e pode haver vantagens econmicas em usar esta
densidade. Contudo, estas so algumas reflexes de ndole tcnica que competem ao
analista desenvolver, no cabendo propriamente no mbito deste manual.

No final aparece um grfico representado as mdias dos tratamentos, que pode ser til
explorar no sentido de compreender os resultados, e deles tirar o proveito no mbito da
aplicabilidade da Estatstica ao delineamento de ensaios agrcolas.

6.1.2 - PROCEDIMENTO MEANS

A partir do menu principal do SPSS, seleccionar:

6
Deixa-se ao cuidado do leitor a explicao agronmica destas concluses.
SPSS 6 - Anova
ESACB 97
Statistics
Compare Means...
Means...

Seleccionar para o campo o nome da varivel que contm os valores da
varivel a analisar (no exemplo, producao); no campo selecciona-se a
varivel que identifica os diferentes tratamentos (densidad).

Seleccionar o boto a fim de pedir a elaborao da tabela da anlise de
varincia. Por defeito, so calculados os parmetros mdia e desvio padro; o utilizador
pode seleccionar outras estatsticas a calcular:


SPSS 6 - Anova
ESACB 98
Means
Case Processing Summary
24 100.0% 0 .0% 24 100.0%
Produo (kg/ha) *
Densidade de
sementeira
N Percent N Percent N Percent
Included Excluded Total
Cases

Report
Produo (kg/ha)
5124.0000 4 320.2093
5320.2500 4 504.7893
5379.2500 4 284.4414
4847.7500 4 321.9900
4708.0000 4 188.4958
4453.2500 4 360.8798
4972.0833 24 455.9256
Densidade de
sementeira
25 kg/ha
50 kg/ha
75 kg/ha
100 kg/ha
125 kg/ha
150 kg/ha
Total
Mean N
Std.
Deviation

ANOVA Table
2657880.8 5 531576.167 4.507 .008
2123087.0 18 117949.278
4780967.8 23
(Combined) Between
G
Within Groups
Total
Produo (kg/ha) *
Densidade de
sementeira
Sum of
Squares df
Mean
Square F Sig.

Measures of Association
.746 .556
Produo (kg/ha) *
Densidade de
sementeira
Eta
Eta
Squared

A tabela da anova idntica obtida no procedimento anterior. Contudo, este
procedimento no permite a obteno dos testes subsequentes que foram obtidos
previamente.

A estatstica Eta-Squared a proporo de varincia da varivel dependente que
explicada pelas diferenas entre os tratamentos; dado pela expresso
T
H
SS
SS
(isto ,
razo entre Soma dos Quadrados entre tratamentos (SS
H
) e a Soma dos Quadrados total
(SS
T
). A designao de Eta adoptada pelo SPSS no contexto da anova destina-se a no
fazer confuso com o coeficiente de determinao, R
2
, usado no contexto da regresso
linear, e que pode ser obtido a partir da tabela da anova da regresso pela expresso
anterior.

SPSS 6 - Anova
ESACB 99
6.2 - ENSAIOS MULTI-FACTORIAIS

Os organismos biolgicos esto simultaneamente expostos a muitos factores de
crescimento. A resposta de um organismo a um nico factor de crescimento pode variar
com o nvel de outros factores; assim, os delineamentos uni-factoriais so criticados
pelo seu pequeno leque de aplicabilidade. Na realidade, os resultados dos delineamentos
uni-factoriais so apenas vlidos para o caso particular (e extremamente difceis de
conseguir) de todos os restantes factores serem mantidos constantes.

Neste sentido, quando se espera que a resposta a um factor de interesse varie sob
diferentes nveis de outros factores, devem evitar-se os delineamentos uni-factoriais, e
considerar um delineamento multi-factorial que permita estudar em simultneo dois ou
mais factores.

Em ensaios factoriais, h a considerar os efeitos de cada um dos nveis de um dos
factores, mantendo os nveis dos outros factores constantes (efeitos simples), os efeitos
de cada um dos factores, abstraindo da presena dos outros factores (efeitos principais)
e interaco entre os nveis dos diversos factores (interaco entre factores).

Diz-se que existe interaco entre dois factores se a resposta a um dos factores varia
consoante os nveis do outro factor.

A fim de ilustrar o procedimento de clculo da anlise de varincia multi-factorial,
vamos usar o ficheiro arroz.sav, em que se pretende verificar a influncia de trs
variedades (IR8, IR5, CA-63) e 5 nveis de adubao azotada (0, 60, 90, 120, 150 kg/ha)
na produo de arroz.

Statistics
General Linear Model
GLM - General Factorial ...

Na caixa de dilogo seguinte, seleccionar a varivel dependente a analisar (producao) e
os factores de produo cuja influncia se pretende analisar (variedad e adubacao):

SPSS 6 - Anova
ESACB 100

De seguida, seleccionar a opo a fim de definir o modelo de anova a
calcular. Por defeito, est seleccionada a opo , que especifica que a tabela
da anova apresentar a os efeitos principais de cada factor, bem como as interaces
entre factores. a situao mais usual. Optando por o utilizador pode definir
que a anova apresente apenas os efeitos principais, ou apenas algumas das interaces a
definir.

Por defeito, est definido o mtodo de clculo da soma de quadrados (tipo III); para
delineamentos em que no haja missing-values deve definir-se esta metodologia de
clculo.

SPSS 6 - Anova
ESACB 101
A opo deve ser seleccionada (por defeito, est activada). Caso
se assuma que os dados passam pela origem dos eixos (isto , caso a ausncia dos
factores em anlise conduzam a valor zero da varivel dependente), pode omitir-se esta
opo. Da sua incluso no modelo resulta a apresentao de mais uma linha inusitada na
tabela da anova, que traduz a variabilidade associada varivel dependente para os
nveis zero dos factores. As restantes linhas da tabela so as usuais.

Fazer para regressar janela GLM - General factorial, onde se deve
seleccionar para representar graficamente as mdias de cada um dos
factores e das interaces de factores:

Para seleccionar o grfico das mdias de um factor, definir esse factor em
; fazer para adicionar esse grfico; para definir o grfico das
interaces, seleccionar um factor para Horizontal Axis e outro factor para Separate
Lines. Fazer para continuar.

Optar por para definir os testes de comparaes mltiplas:

SPSS 6 - Anova
ESACB 102

Fazer para continuar. Seleccionar para seleccionar o clculo de
parmetros estatsticos, teste de Levene de homogeneidade de varincias e os intervalos
de confiana para as mdias:

Os resultados deste procedimento so os seguintes:

Univariate Analysis of Variance
SPSS 6 - Anova
ESACB 103
Between-Subjects Factors
IR8 20
IR5 20
C4-63 20
0 kg/ha 12
60 kg/ha 12
90 kg/ha 12
120 kg/ha 12
150 kg/ha 12
1
2
3
Variedade
0
1
2
3
4
Adubao
Value
Label N

Descriptive Statistics
Dependent Variable: Produo
3124.0000 532.7939 4
4723.5000 171.9874 4
4459.5000 400.2345 4
5717.0000 334.1237 4
5823.0000 208.3235 4
4769.4000 1054.8145 20
3548.0000 540.9054 4
4806.0000 443.6124 4
5436.0000 757.8408 4
5739.5000 494.9542 4
5680.5000 217.5462 4
5042.0000 957.4259 20
3778.0000 314.1507 4
4753.5000 414.2411 4
5320.0000 501.1640 4
5552.5000 573.7000 4
5886.5000 385.9374 4
5058.1000 855.9827 20
3483.3333 513.9808 12
4761.0000 331.3680 12
5071.8333 689.7728 12
5669.6667 441.1381 12
5796.6667 271.0335 12
4956.5000 952.5245 60
Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Total
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Total
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Total
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Total
Variedade
IR8
IR5
C4-63
Total
Mean
Std.
Deviation N

Levene's Test of Equality of Error Variances
a
1.044 14 45 .430
F df1 df2 Sig.
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
Design: Intercept+VARIEDAD+AZOTO+VARIEDAD *
AZOTO
a.

SPSS 6 - Anova
ESACB 104
Tests of Between-Subjects Effects
44578256
a
14 3184161.1 16.005 .000
1.47E+09 1 1.47E+09 7409.078 .000
1052784.4 2 526392.200 2.646 .082
41234745 4 10308686 51.816 .000
2290726.3 8 286340.783 1.439 .207
8952613.0 45 198946.956
1.53E+09 60
53530869 59
Source
Corrected Model
Intercept
VARIEDAD
AZOTO
VARIEDAD * AZOTO
Error
Total
Corrected Total
Type III
Sum of
Squares df
Mean
Square F Sig.
R Squared = .833 (Adjusted R Squared = .781)
a.

Estimated Marginal Means
1. Variedade
Estimates
4769.400 99.736 4568.521 4970.279
5042.000 99.736 4841.121 5242.879
5058.100 99.736 4857.221 5258.979
Variedade
IR8
IR5
C4-63
Mean Std. Error
Lower
Bound
Upper
Bound

Pairwise Comparisons
-272.600 141.049 .060 -556.686 11.486
-288.700* 141.049 .047 -572.786 -4.614
272.600 141.049 .060 -11.486 556.686
-16.100 141.049 .910 -300.186 267.986
288.700* 141.049 .047 4.614 572.786
16.100 141.049 .910 -267.986 300.186
(J) Variedade
IR5
C4-63
IR8
C4-63
IR8
IR5
(I) Variedade
IR8
IR5
C4-63
Mean
Difference
a
Lower
Bound
Upper
Bound
for Difference
a
Based on estimated marginal means
*.
Adjustment for multiple comparisons: Least Significant Difference (equivalent to no
adjustments).
a.

SPSS 6 - Anova
ESACB 105
Univariate Tests
1052784.4 2 526392.200 2.646 .082
8952613.0 45 198946.956
Contrast
Error
Sum of
Squares df
Mean
Square F Sig.
The F tests the effect of Variedade. This test is based on the linearly
independent pairwise comparisons among the estimated marginal means.

2. Adubao
Estimates
3483.333 128.759 3223.999 3742.668
4761.000 128.759 4501.666 5020.334
5071.833 128.759 4812.499 5331.168
5669.667 128.759 5410.332 5929.001
5796.667 128.759 5537.332 6056.001
Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Mean Std. Error
Lower
Bound
Upper
Bound

SPSS 6 - Anova
ESACB 106
Pairwise Comparisons
-1277.667* 182.093 .000 -1644.421 -910.913
-1588.500* 182.093 .000 -1955.254 -1221.746
-2186.333* 182.093 .000 -2553.087 -1819.579
-2313.333* 182.093 .000 -2680.087 -1946.579
1277.667* 182.093 .000 910.913 1644.421
-310.833 182.093 .095 -677.587 55.921
-908.667* 182.093 .000 -1275.421 -541.913
-1035.667* 182.093 .000 -1402.421 -668.913
1588.500* 182.093 .000 1221.746 1955.254
310.833 182.093 .095 -55.921 677.587
-597.833* 182.093 .002 -964.587 -231.079
-724.833* 182.093 .000 -1091.587 -358.079
2186.333* 182.093 .000 1819.579 2553.087
908.667* 182.093 .000 541.913 1275.421
597.833* 182.093 .002 231.079 964.587
-127.000 182.093 .489 -493.754 239.754
2313.333* 182.093 .000 1946.579 2680.087
1035.667* 182.093 .000 668.913 1402.421
724.833* 182.093 .000 358.079 1091.587
127.000 182.093 .489 -239.754 493.754
(J) Adubao
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
(I) Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Mean
Difference
a
Lower
Bound
Upper
Bound
for Difference
a
Based on estimated marginal means
*.
Adjustment for multiple comparisons: Least Significant Difference (equivalent to no
adjustments).
a.

Univariate Tests
41234745 4 10308686 51.816 .000
8952613.0 45 198946.956
Contrast
Error
Sum of
Squares df
Mean
Square F Sig.
The F tests the effect of Adubao. This test is based on the linearly
independent pairwise comparisons among the estimated marginal means.

SPSS 6 - Anova
ESACB 107
3. Variedade * Adubao
3124.000 223.017 2674.820 3573.180
4723.500 223.017 4274.320 5172.680
4459.500 223.017 4010.320 4908.680
5717.000 223.017 5267.820 6166.180
5823.000 223.017 5373.820 6272.180
3548.000 223.017 3098.820 3997.180
4806.000 223.017 4356.820 5255.180
5436.000 223.017 4986.820 5885.180
5739.500 223.017 5290.320 6188.680
5680.500 223.017 5231.320 6129.680
3778.000 223.017 3328.820 4227.180
4753.500 223.017 4304.320 5202.680
5320.000 223.017 4870.820 5769.180
5552.500 223.017 5103.320 6001.680
5886.500 223.017 5437.320 6335.680
Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Variedade
IR8
IR5
C4-63
Mean Std. Error
Lower
Bound
Upper
Bound

Post Hoc Tests
Variedade
Tukey HSD
-272.6000 141.0486 .141 -614.4488 69.2488
-288.7000 141.0486 .113 -630.5488 53.1488
272.6000 141.0486 .141 -69.2488 614.4488
-16.1000 141.0486 .993 -357.9488 325.7488
288.7000 141.0486 .113 -53.1488 630.5488
16.1000 141.0486 .993 -325.7488 357.9488
(J) Variedade
IR5
C4-63
IR8
C4-63
IR8
IR5
(I) Variedade
IR8
IR5
C4-63
Mean
Difference
Lower
Bound
Upper
Bound
Based on observed means.

SPSS 6 - Anova
ESACB 108
Homogeneous Subsets
Produo
Tukey HSD
a,b
20 4769.4000
20 5042.0000
20 5058.1000
.113
Variedade
IR8
IR5
C4-63
Sig.
N 1
Subset
Based on Type III Sum of Squares
The error term is Mean Square(Error) = 198946.956.
a.
Alpha = .05.
b.

Adubao
Tukey HSD
-1277.6667* 182.0929 .000 -1795.0797 -760.2536
-1588.5000* 182.0929 .000 -2105.9131 -1071.0869
-2186.3333* 182.0929 .000 -2703.7464 -1668.9203
-2313.3333* 182.0929 .000 -2830.7464 -1795.9203
1277.6667* 182.0929 .000 760.2536 1795.0797
-310.8333 182.0929 .440 -828.2464 206.5797
-908.6667* 182.0929 .000 -1426.0797 -391.2536
-1035.6667* 182.0929 .000 -1553.0797 -518.2536
1588.5000* 182.0929 .000 1071.0869 2105.9131
310.8333 182.0929 .440 -206.5797 828.2464
-597.8333* 182.0929 .016 -1115.2464 -80.4203
-724.8333* 182.0929 .002 -1242.2464 -207.4203
2186.3333* 182.0929 .000 1668.9203 2703.7464
908.6667* 182.0929 .000 391.2536 1426.0797
597.8333* 182.0929 .016 80.4203 1115.2464
-127.0000 182.0929 .956 -644.4131 390.4131
2313.3333* 182.0929 .000 1795.9203 2830.7464
1035.6667* 182.0929 .000 518.2536 1553.0797
724.8333* 182.0929 .002 207.4203 1242.2464
127.0000 182.0929 .956 -390.4131 644.4131
(J) Adubao
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
120 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
150 kg/ha
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
(I) Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Mean
Difference
Lower
Bound
Upper
Bound
Based on observed means.
*.

SPSS 6 - Anova
ESACB 109
Homogeneous Subsets
Produo
Tukey HSD
a,b
12 3483.3333
12 4761.0000
12 5071.8333
12 5669.6667
12 5796.6667
1.000 .440 .956
Adubao
0 kg/ha
60 kg/ha
90 kg/ha
120 kg/ha
150 kg/ha
Sig.
N 1 2 3
Subset
Based on Type III Sum of Squares
The error term is Mean Square(Error) = 198946.956.
a.
Alpha = .05.
b.

Profile Plots

Estimated Marginal Means of Produo
Variedade
C4-63 IR5 IR8
E
s
t
i
m
a
t
e
d

M
a
r
g
i
n
a
l

M
e
a
n
s
5100
5000
4900
4800
4700

SPSS 6 - Anova
ESACB 110
Adubao
150 kg/ha 120 kg/ha 90 kg/ha 60 kg/ha 0 kg/ha
E
s
t
i
m
a
t
e
d

M
a
r
g
i
n
a
l

M
e
a
n
s
6000
5000
4000
3000

Adubao
150 kg/ha 120 kg/ha 90 kg/ha 60 kg/ha 0 kg/ha
E
s
t
i
m
a
t
e
d

M
a
r
g
i
n
a
l

M
e
a
n
s
7000
6000
5000
4000
3000
2000
Variedade
IR8
IR5
C4-63

SPSS 7 - Regresso Linear
ESACB 111

7 - REGRESSO LINEAR

7.1 - INTRODUO

Muitos estudos estatsticos tm como objectivo estabelecer uma relao, traduzida por
uma equao, que permite estimar o valor de uma varivel, em funo de outra ou
outras variveis.

O caso mais simples traduzir esta relao pela equao de uma recta, quando o
acrscimo de uma varivel, designada por dependente e usualmente representada por y,
varia linearmente com os acrscimos provocados noutra varivel, designada por
independente, representada por x.

A equao que traduz esta relao bx a y + = ou x b b y
1 0
+ = , em que os parmetros
ou coeficientes so a ordenada na origem, a (ou b
o
), e o declive, b (ou b
1
).

Como regra, previamente ao clculo da regresso linear, deve fazer-se uma anlise
grfica aos dados (grfico de disperso ou scatterplot), a fim de ter uma percepo
visual da existncia ou no de uma tendncia de dependncia entre as variveis, e como
mtodo de detectar possveis observaes outliers ou influentes, que distoram os
resultados.

A representao grfica dos dados, num grfico de pontos (scatterplot) ajuda a
identificar algumas situaes em que a equao de regresso linear simples no tem um
ajustamento perfeito. De seguida, ilustram-se algumas destas situaes.

Na situao 1, a observao assinalada um outlier bi-variado, muito embora no o seja
em relao a cada uma das variveis, j que no observao extrema. Contudo, o par
(x,y) est deslocado do contexto geral das restantes observaes. Em relao s
restantes observaes, o grfico evidencia uma tendncia segundo uma recta crescente.
O utilizador dever verificar os dados e corrigir eventuais registos errneos, ou
simplesmente desprezar esta observao e efectuar a regresso com os dados restantes.
Note-se que a incluso desta observao ir provocar uma acentuada variao no
declive da recta.

ESACB 112
Situao 1
0
50
10

Na situao 2 existe uma observao igualmente muito influente em termos do declive
da recta ajustada. Neste caso, a observao assinalada tem tendncia a ser outlier, quer
bi-variado, quer em relao a cada uma das variveis. Alm disso, eliminando esta
observao, resta uma nuvem de pontos, em que no ntida qualquer tendncia de
relao entre as variveis.

Situao 2
0
60
10

Na situao 3, a varincia da varivel y no uniforme, ao longo dos valores em x, isto
, tomando fatias verticais ao longo do eixo dos xx, a disperso dos valores y vai
aumentando para valores mais elevados de y. Muito embora a normalidade dos dados
no seja um pressuposto obrigatrio para a estimativa da regresso linear, contudo
necessrio que os resduos (y
obs
y
est
) tenham distribuio normal e varincia constante.
Nesta situao, estes pressupostos so violados, invalidando as inferncias que se faam
a partir da equao estimada.

ESACB 113
Situao 3
0
50
10

A situao 4 ilustra uma forte relao entre x e y, mas no de tipo linear, pelo que o
ajustamento de uma recta para traduzir esta funo de dependncia errada e sem
significado.

Situao 4
0
12
0 16

Na situao 5 recolheram-se observaes apenas nas zonas extremas do intervalo de
variao de x, no existindo dados para valores intermdios da varivel x. A funo de
regresso linear nesta situao fortemente influenciada pelos valores extremos, mas
no traduz a relao que existe para todo o intervalo de x. Na recolha de dados, deve
haver a preocupao de que a amostragem cubra todo o intervalo de variao de x, de
modo a evidenciar o comportamento da relao no interior desse intervalo.

Situao 5
0
20
0 10

ESACB 114

O objectivo da regresso linear estabelecer a funo bx a y + = desta recta, que de um
modo muito aproximado permite estimar o valor de y para dado valor de x. O clculo
dos coeficientes de regresso faz-se pelo mtodo dos mnimos quadrados, que minimiza
a soma dos quadrados dos resduos, isto , minimiza a funo ( )

2
y y
obs
, em que
y representa o valor estimado pela equao para dado valor x.

No grfico seguinte representam-se os valores de 24 pares de valores do tipo (x,y), em
que no eixo dos xx est representada a varivel % de slidos insolveis em gua e nos
yy se representa a % total de slidos, duas caractersticas importantes em molho de
tomate (adaptado de DERECK PIKE, 19??; os dados so apresentados em anexo):

% insolveis em gua
18 17 16 15 14 13 12 11 10
%

s
l
i
d
o
s

n
o

m
o
l
h
o
60
50
40
30
20

evidente a tendncia do decrscimo da % de slidos no molho com o aumento da %
de insolveis em gua, segundo uma relao aproximadamente linear. Pretende-se
estabelecer esta relao entre as duas variveis, com os objectivos de (i) descrever a
relao entre as caractersticas para este tipo de molho, e (ii) poder estimar ou prever a
% de slidos do molho (caracterstica bastante difcil de quantificar) mediante a % de
insolveis em gua que o molho contm (caracterstica relativamente fcil de
determinar).

A equao de regresso linear uma estatstica, e como tal, tem inerente a componente
de erro estatstico. A fim de interpretar a equao estimada, so apresentados uma srie
de coeficientes e estatsticas suplementares, que de um modo geral permitem analisar o
maior ou menor grau de rigor com que a equao de regresso traduz a relao entre as
variveis em estudo.

Um dos coeficientes associados equao o coeficiente de correlao linear,
representado por r, que representa, na escala ]-1, 1[, a correlao ou associao entre as
ESACB 115
duas variveis; o quadrado deste coeficiente constitui o coeficiente de correlao total,
ou coeficiente de determinao, representado por R
2
, que traduz, a % de variabilidade
da varivel dependente (y) que explicada pela varivel independente (x).

apresentado o coeficiente de determinao ajustado, que um estimador no
enviezado de R
2
(que tende a ser um estimador sobre-avaliado) definido a partir de R
2

pela expresso:

1
) 1 (
2
2 2

=
p N
R p
R R
a

em que p o nmero de variveis independentes; no caso da equao de regresso
linear simples bx a y + = , p=1.

So apresentados os intervalos de confiana para os coeficientes a e b, bem como os
erros-padro e as estatsticas dos seguintes testes de hipteses:

teste referente ao coeficiente a: 0 : 0 :
1 0
= = a H a H
teste referente ao coeficiente b: 0 : 0 :
1 0
= = b H b H

O output do procedimento do clculo da equao de regresso apresenta a tabela da
anova, que constitui um teste de hipteses existncia ou no de uma relao de
dependncia:

0 : 0 :
: :
1 0
1 0
= =

b H b H
x de depende y H x de depende no y H

A estatstica F tem um valor alto quando a varivel independente ajuda a explicar a
variabilidade da varivel dependente.

Alm disso, a tabela da anlise de varincia fornece a mdia da soma dos quadrados
dos resduos, cuja raz quadrada o erro padro da estimativa. A equao de regresso
to mais ajustada aos dados, quanto menor for o erro padro da estimativa,
comparativamente com o desvio padro da varivel dependente.

7.2 - REGRESSO LINEAR SIMPLES

Para proceder ao clculo da equao de regresso linear, executar o seguinte
procedimento
7
:

Statistics
Regression

7
No exemplo usam-se os dados das caractersticas do molho de tomate, em que as variveis so
insoluve (% de insolveis em gua) e solidos (% total de slidos no molho).
ESACB 116

No menu anterior, seleccionar a opo . Aparece a seguinte caixa de dilogo,
onde se define a varivel dependente (solidos) e a varivel independente (insoluve) para
os respectivos campos:

Seleccionar o boto , que abre a seguinte caixa de dilogo, onde se
seleccionam as opes Confidence intervals e Descriptives; as opes Estimates e
Model fit esto activadas por defeito:

ESACB 117

Fazer a fim de regressar janela Linear Regression, onde se selecciona
:

Nesta caixa de dilogo, deve seleccionar e para obter
o histograma e o grfico do ajustamento normal dos resduos, a fim de verificar se os
resduos seguem distribuio normal (pressuposto para a validade da regresso linear)
para verificar a linearidade e a igualdade de varincia dos resduos, efectuar o grfico
dos resduos, com os valores estimados standardizados (ZPRED) no eixo dos xx, e os
resduos standardizados (ZRESID) no eixo dos yy. No final, fazer a fim de
regressar janela Linear Regression.

O boto d acesso seguinte caixa de dilogo, onde se podem definir critrios
de selecco ou remoo de variveis independentes (s tm efeito em regresso
mltipla):

ESACB 118

Os resultados do procedimento so os seguintes:

Regression
39.7292 5.1826 24
13.7775 1.8995 24
% slidos no molho
% insolveis em gua
Mean
Std.
Deviation N

Correlations
1.000 -.970
-.970 1.000
. .000
.000 .
24 24
24 24
% slidos no molho
% insolveis em gua
% slidos no molho
% insolveis em gua
% slidos no molho
% insolveis em gua
Pearson Correlation
Sig. (1-tailed)
N
% slidos
no molho
%
insolveis
em gua

Variables Entered/Removed
b
% insolveis em gua
a
. Enter
Model
1
Variables Entered
Variables
Removed Method
All requested variables entered.
a.
Dependent Variable: % slidos no molho
b.

ESACB 119
Model Summary
b
.970
a
.941 .938 1.2880
Model
1
R R Square
Adjusted R
Square
Std. Error
of the
Estimate
Predictors: (Constant), % insolveis em gua
a.
b.

ANOVA
b
581.272 1 581.272 350.378 .000
a
36.498 22 1.659
617.770 23
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
Predictors: (Constant), % insolveis em gua
a.
b.

Coefficients
a
76.193 1.966 38.761 .000 72.117 80.270
-2.647 .141 -.970 -18.718 .000 -2.940 -2.353
(Constant)
% insolveis em gua
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Lower
Bound
Upper
Bound
for B
a.

Residuals Statistics
a
27.9714 47.8478 39.7292 5.0272 24
-1.5871 3.1522 -3.70E-15 1.2597 24
-2.339 1.615 .000 1.000 24
-1.232 2.447 .000 .978 24
Predicted Value
Residual
Std. Predicted Value
Std. Residual
Minimum Maximum Mean
Std.
Deviation N
a.

ESACB 120
Charts
Regression Standardized Residual
2.50 2.00 1.50 1.00 .50 0.00 -.50 -1.00
Histogram
F
r
e
q
u
e
n
c
y
7
6
5
4
3
2
1
0
Std. Dev = .98
Mean = 0.00
N = 24.00

Normal P-P Plot of Regression Standardized Residual
Observed Cum Prob
1.00 .75 .50 .25 0.00
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1.00
.75
.50
.25
0.00

ESACB 121
Scatterplot
Regression Standardized Predicted Value
2 1 0 -1 -2 -3
R
e
g
r
e
s
s
i
o
n

S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
3
2
1
0
-1
-2

A equao da recta estimada x y 647 . 2 193 . 76 = , em que x a % de insolveis em
gua e y a % de slidos no molho.

A anlise e interpretao pormenorizadas dos resultados deixam-se a cargo do leitor.
Chama-se apenas a ateno para o facto de os resduos estarem ligeiramente
desajustados da distribuio normal, como est evidenciado no histograma (nota-se um
acentuado enviezamento esquerda, bem como a falta de resduos numa das classes
centrais) e no grfico de ajustamento normal (um perfeito ajustamento traduzido
pela diagonal do grfico; neste caso, os resduos situam-se sistematicamente acima ou
abaixo desta linha, em diferentes zonas do grfico). No grfico dos resduos
standardizados versus valores previstos standardizados nota-se uma tendncia para que
os resduos se distribuam segundo uma curva ligeiramente cncava.

Estas anlise dos resduos sugerem que o modelo linear ajustado (equao de uma recta)
no o melhor modelo para traduzir a relao entre estas variveis; a distribuio dos
resduos indica que o ajustamento de um modelo linear polinomial de 2 ordem, com
uma equao do tipo
2
cx bx a y + + = aumentar a preciso da estimativa (que
traduzida pelo coeficiente de determinao R
2
=0.941).

O ajustamento a uma equao de segundo grau ser abordado no pargrafo seguinte.

7.3 - REGRESSO LINEAR MLTIPLA

Neste pargrafo ser abordada a metodologia de clculo da equao de regresso linear
mltipla, do tipo
x n
x b x b x b x b b y + + + + + = ...
3 3 2 2 1 1 0
, em que a varivel resposta ou
dependente funo de vrias variveis independentes.
ESACB 122

Os coeficientes de regresso b
1
, b
2
, ..., b
n
traduzem o declive ou acrscimo na varivel
dependente provocado pelo acrscimo unitrio de cada uma das variveis
independentes, x
1
, x
2
, ..., x
n
, respectivamente.

A metodologia que se vai abordar serve igualmente para estimar uma equao de
regresso linear polinomial, do tipo
n
n
x b x b x b x b b y + + + + + = ...
3
3
2
2 1 0
, em que y
depende, no de diversas variveis independentes x
1
, x
2
, ..., x
n
, mas de um polinmio da
mesma varivel independente x. Neste caso, previamente a efectuar o procedimento da
regresso linear, devem gerar-se as variveis correspondentes s potncias x
2
, x
3
, ..., x
n
a
incluir no modelo. No pargrafo seguinte ser abordada uma metodologia diferente que
permite o ajustamento de equaes de curvas polinomiais a uma amostra de dados (x,y).

Quando se ajusta um modelo de regresso mltipla, pode acontecer que se justifique
estatisticamente incluir na equao de regresso todas as variveis independentes, ou
que se incluam apenas algumas destas variveis explanatrias. Esta deciso tomada
em funo da significncia do parmetro de regresso de cada uma das variveis, ou
pelo acrscimo do coeficiente de determinao, R
2
, provocado pela incluso dessas
variveis.

De um modo geral, existem duas estratgias a seguir:

(i) comear por incluir todas as variveis, e analisar a contribuio ou
significncia dos coeficientes de regresso de cada uma das variveis
independentes no modelo; eliminar a varivel independente menos
significativa, desde que a sua contribuio seja inferior a determinado limite
(normalmente analisado em termos da estatstica F associada a essa varivel
na tabela da anova); recalcular de novo o modelo sem esta varivel e, se for
caso disso, eliminar nova varivel, e assim sucessivamente, at que todas as
restantes variveis independentes sejam significativas para a preciso do
modelo. Este tipo de estratgia designa-se por processo backward ou
stepback.

(ii) comear por calcular um modelo de regresso simples, x b b y
1 0
+ = ,
incluindo, se for caso disso, apenas a varivel independente cujo coeficiente
de regresso mais significativo em termos de preciso; analisar a
significncia da prxima varivel independente mais significativa, e inclu-
la, se for caso disso; recalcular de novo o modelo; analisar a significncia da
prxima varivel independente mais significativa, e inclu-la, se for caso
disso, e assim sucessivamente at que mais nenhuma das variveis
independentes seja significativa. Este tipo de metodologia designa-se por
processo stepwise ou forward.

Pode acontecer que os modelos obtidos por estes dois tipos de metodologias, para a
mesma amostra de valores, no sejam inteiramente coincidentes, nomeadamente quando
alguma ou algumas das variveis independentes esto muito prximas do limite que
define a significncia da sua incluso ou no incluso no modelo.

Chama-se a ateno que, por vezes, a incluso de muitas variveis explanatrias no
modelo pouco acrscimo trazem em termos de preciso do modelo, e este fica muito
ESACB 123
pouco funcional e muito fictcio ou artificial, isto , muito bem ajustado amostra
particular de valores usados para o clculo da equao, mas pouco adaptvel
populao.

Para ilustrar o ajustamento de uma equao de regresso linear mltipla, vamos usar o
seguinte conjunto de dados (adaptado de DRAPPER & SMITH, 1981), em que as
variveis independentes so a temperatura mdia mensal (graus Fahrenheit), a produo
mensal (toneladas), o nmero de dias teis de trabalho por ms e o nmero de
empregados, e a varivel dependente o consumo de gua (m
3
), observados numa
determinada empresa fabril:

Temperatura
(F)
Produo
mensal
Dias teis do
ms
Nmero de
operrios
Consumo de
gua (m3)
58.80 7107.00 20.00 129.00 2967.00
65.20 8373.00 20.00 141.00 2828.00
70.90 9796.00 20.00 153.00 2891.00
77.40 9208.00 20.00 166.00 2994.00
79.30 14792.00 22.00 193.00 3282.00
81.00 14564.00 23.00 189.00 3498.00
71.90 11964.00 21.00 175.00 3302.00
63.90 13526.00 22.00 186.00 3260.00
54.50 12656.00 21.00 190.00 3211.00
39.50 14119.00 21.00 187.00 3286.00
44.50 15691.00 22.00 195.00 3432.00
43.60 14571.00 23.00 206.00 3425.00
56.00 13619.00 22.00 198.00 3256.00
64.70 14575.00 22.00 192.00 3422.00
73.00 14556.00 21.00 191.00 3250.00
78.90 16573.00 22.00 200.00 3464.00
79.40 15618.00 22.00 200.00 3495.00
68.40 14346.00 23.00 185.00 3568.00

Pretende-se ajustar uma equao do tipo
4 4 3 3 2 2 1 1 0
x b x b x b x b b y + + + + = que permita
estimar o consumo mensal de gua nesta empresa, em funo das variveis
independentes observadas.

Para estimar uma equao de regresso mltipla executar o seguinte procedimento:

Statistics
Regression

ESACB 124

No menu anterior, seleccionar a opo . Aparece a seguinte caixa de dilogo,
onde se definem a varivel dependente e as todas as variveis independentes:

No campo das variveis independentes esto includas todas as variveis explanatrias.
O mtodo de clculo seleccionado Enter, que obriga incluso de todas as variveis
independentes no modelo, sejam ou no significativas. Os outros mtodos de clculo
so Stepwise e Forward (mtodos de incluso progressiva de variveis independentes),
Backward (mtodo de eliminao progressiva de variveis independentes) e Remove
(mtodo que calcula o modelo sem incluso de qualquer varivel independente, isto , o
modelo resume-se a y y = ):

A fim de comparar diversos modelos de regresso, vamos comear por incluir todas as
variveis independentes, optando pelo mtodo Enter; seguidamente, deve repetir-se a
metodologia, e optar por outros mtodos de clculo, nomeadamente Stepwise e
Backward.

Seleccionar o boto , e tal como descrito para a regresso
linear simples.


ESACB 125
Regression
3268.3889 218.9502 18
65.0500 13.1334 18
13091.89 2716.3310 18
21.5000 1.0432 18
182.0000 21.3514 18
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Mean
Std.
Deviation N

Correlations
1.000 .013 .894 .901 .831
.013 1.000 -.005 -.022 -.080
.894 -.005 1.000 .811 .939
.901 -.022 .811 1.000 .784
.831 -.080 .939 .784 1.000
. .480 .000 .000 .000
.480 . .493 .466 .377
.000 .493 . .000 .000
.000 .466 .000 . .000
.000 .377 .000 .000 .
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Pearson Correlation
Sig. (1-tailed)
N
Consumo
mensal de
gua (m3)
Temperatura
mdia
mensal (F)
Produo
mensal
(Ton)
Dias teis
no ms
Nmero de
operrios

b
Nmero de operrios,
Temperatura mdia mensal (F),
Dias teis no ms, Produo
mensal (Ton)
a
. Enter
Model
1
Variables Entered
Variables
Removed Method
All requested variables entered.
a.
Dependent Variable: Consumo mensal de gua (m3)
b.

Model Summary
b
.945
a
.893 .860 81.8974 .893 27.127 4 13 .000
Model
1
R R Square
Adjusted R
Square
Std. Error
of the
Estimate
R Square
Change F Change df1 df2
Sig. F
Change
Change Statistics
Predictors: (Constant), Nmero de operrios, Temperatura mdia mensal (F), Dias teis no ms, Produo mensal (Ton)
a.
b.

ESACB 126
ANOVA
b
727772.930 4 181943.232 27.127 .000
a
87193.348 13 6707.181
814966.278 17
Regression
Residual
Total
Model
1
Sum of
Squares df
Mean
Square F Sig.
Predictors: (Constant), Nmero de operrios, Temperatura mdia mensal (F),
Dias teis no ms, Produo mensal (Ton)
a.
b.

Coefficients
a
531.302 619.067 .858 .406 -806.111 1868.714
.232 1.550 .014 .150 .883 -3.117 3.581 .013 .041 .014
5.027E-02 .023 .624 2.166 .049 .000 .100 .894 .515 .197
110.460 32.724 .526 3.376 .005 39.765 181.156 .901 .683 .306
-1.709 2.801 -.167 -.610 .552 -7.759 4.342 .831 -.167 -.055
(Constant)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Lower
Bound
Upper
Bound
for B
Zero-order Partial Part
Correlations
a.

a
2890.9719 3499.8154 3268.3889 206.9062 18
-111.5868 131.9858 1.011E-13 71.6172 18
-1.824 1.119 .000 1.000 18
-1.363 1.612 .000 .874 18
Predicted Value
Residual
Std. Residual
Std.
Deviation N
a.

Charts
1.50 1.00 .50 0.00 -.50 -1.00 -1.50
Histogram
Dependent Variable: Consumo mensal de gua
F
r
e
q
u
e
n
c
y
5
4
3
2
1
0
Std. Dev = .87
Mean = 0.00
N = 18.00

ESACB 127
Normal P-P Plot of Regression Standardized Resi dual
Observed Cum Prob
1.00 .75 .50 .25 0.00
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1.00
.75
.50
.25
0.00

Scatterplot
1.5 1.0 .5 0.0 -.5 -1.0 -1.5 -2.0
R
e
g
r
e
s
s
i
o
n

S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5

A equao do modelo ajustado :

consumo=531.302+0.232temperat+0.05027producao+110.46dias-1.709operario

sendo R
2
=0.893 e 86 . 0
2
=
ajustado
R .

Repita-se o processo, optando pelo mtodo de clculo Stepwise. Neste caso, chegar-se-
ao modelo:
ESACB 128
consumo=443.965+0.03842producao+107.976dias

e R
2
=0.889 e 874 . 0
2
=
ajustado
R .

Repare-se que se simplificou o modelo, sem contudo prejudicar a preciso deste como
instrumento de estimativa da varivel dependente.

De seguida apresentam-se os resultados completos obtidos com o mtodo stepwise, de
modo a possibilitar a comparao com o modelo que inclui todas as variveis
independentes:

Regression
3268.3889 218.9502 18
65.0500 13.1334 18
13091.89 2716.3310 18
21.5000 1.0432 18
182.0000 21.3514 18
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Mean
Std.
Deviation N

Correlations
1.000 .013 .894 .901 .831
.013 1.000 -.005 -.022 -.080
.894 -.005 1.000 .811 .939
.901 -.022 .811 1.000 .784
.831 -.080 .939 .784 1.000
. .480 .000 .000 .000
.480 . .493 .466 .377
.000 .493 . .000 .000
.000 .466 .000 . .000
.000 .377 .000 .000 .
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
18 18 18 18 18
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Consumo mensal de
gua (m3)
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Dias teis no ms
Nmero de operrios
Pearson Correlation
Sig. (1-tailed)
N
Consumo
mensal de
gua (m3)
Temperatura
mdia
mensal (F)
Produo
mensal
(Ton)
Dias teis
no ms
Nmero de
operrios

ESACB 129
a
Dias teis no
ms
.
Stepwise (Criteria:
Probability-of-F-to-e
nter <= .050,
Probability-of-F-to-re
move >= .100).
Produo
mensal (Ton)
.
Stepwise (Criteria:
Probability-of-F-to-e
nter <= .050,
Probability-of-F-to-re
move >= .100).
Model
1
2
Variables
Entered
Variables
Removed Method
a.

Model Summary
c
.901
a
.811 .800 98.0273 .811 68.810 1 16 .000
.943
b
.889 .874 77.5677 .078 10.554 1 15 .005
Model
1
2
R R Square
Adjusted R
Square
Std. Error
of the
Estimate
R Square
Change F Change df1 df2
Sig. F
Change
Change Statistics
Predictors: (Constant), Dias teis no ms
a.
Predictors: (Constant), Dias teis no ms, Produo mensal (Ton)
b.
c.

ANOVA
c
661216.554 1 661216.554 68.810 .000
a
153749.724 16 9609.358
814966.278 17
724715.124 2 362357.562 60.225 .000
b
90251.154 15 6016.744
814966.278 17
Regression
Residual
Total
Regression
Residual
Total
Model
1
2
Sum of
Squares df
Mean
Square F Sig.
Predictors: (Constant), Dias teis no ms
a.
Predictors: (Constant), Dias teis no ms, Produo mensal (Ton)
b.
c.

Coefficients
a
-796.273 490.549 -1.623 .124 -1836.190 243.643
189.054 22.791 .901 8.295 .000 140.740 237.369 .901 .901 .901
443.965 544.446 .815 .428 -716.494 1604.425
107.976 30.791 .514 3.507 .003 42.346 173.606 .901 .671 .301
3.842E-02 .012 .477 3.249 .005 .013 .064 .894 .643 .279
(Constant)
Dias teis no ms
(Constant)
Dias teis no ms
Produo mensal (Ton)
Model
1
2
B Std. Error
Unstandardized
Coefficients
Beta
Standardi
zed
Coefficien
ts
t Sig.
Lower
Bound
Upper
Bound
for B
Zero-order Partial Part
Correlations
a.

ESACB 130
Excluded Variables
c
.032
a
.290 .776 .075 1.000
.477
a
3.249 .005 .643 .343
.323
a
2.017 .062 .462 .385
.026
b
.296 .772 .079 .999
-.176
b
-.683 .506 -.179 .116
Temperatura mdia
mensal (F)
Produo mensal (Ton)
Nmero de operrios
Temperatura mdia
mensal (F)
Nmero de operrios
Model
1
2
Beta In t Sig.
Partial
Correlation Tolerance
Collinearit
y
Statistics
Predictors in the Model: (Constant), Dias teis no ms
a.
Predictors in the Model: (Constant), Dias teis no ms, Produo mensal (Ton)
b.
c.

a
2876.5112 3487.1743 3268.3889 206.4711 18
-105.6879 130.9278 2.274E-13 72.8621 18
-1.898 1.060 .000 1.000 18
-1.363 1.688 .000 .939 18
Predicted Value
Residual
Std. Residual
Std.
Deviation N
a.

Charts
1.50 1.00 .50 0.00 -.50 -1.00 -1.50
Histogram
F
r
e
q
u
e
n
c
y
5
4
3
2
1
0
Std. Dev = .94
Mean = 0.00
N = 18.00

ESACB 131
Normal P-P Plot of Regression Standardized Resi dual
Observed Cum Prob
1.00 .75 .50 .25 0.00
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1.00
.75
.50
.25
0.00

Scatterplot
1.5 1.0 .5 0.0 -.5 -1.0 -1.5 -2.0
R
e
g
r
e
s
s
i
o
n

S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5

7.4 - AJUSTAMENTO DE MODELOS PR-DEFINIDOS

O SPSS dispe de uma rotina que permite o ajustamento de vrios modelos pr-
definidos a uma amostra de valores bi-variados (x,y). Tais modelos so:

ESACB 132
- Linear: x b b y .
1 0
+ =
- Quadrtico:
2
2 1 0
. . x b x b b y + + =
- Cbico:
3
3
2
2 1 0
. . . x b x b x b b y + + + =
- Logartmico: x b b y ln .
1 0
+ =
- Inverso:
x
b
b y
1
0
+ =
- Potncia:
1
.
0
b
x b y = x b b y ln . ln ln
1 0
+ =
- Composto (compound):
x
b b y
1 0
. =
1 0
ln . ln ln b x b y + =
- Sigmoidal (S):
x
b
b
e y
1
0
+
=
x
b
b y
1
0
ln + =
- Logstico:
x
b b
u
y
1 0
.
1
1
+
= ( )
1 0
ln . ln
1 1
ln b x b
u y
+ =
|
|
.
|
\
|

(em que u o limite assimpttico superior, u>0, u>y
max
)
- Crescimento (growth):
x b b
e y
.
1 0
+
= x b b y . ln
1 0
+ =
- Exponencial:
x b
e b y
.
0
1
. = x b b y . ln ln
1 0
+ =

Muitos destes modelos so frequentemente usados em modelos economtricos, em que
a varivel independente ou causal o decurso do tempo. Se for este o caso, no menu
apropriado o utilizador pode definir que x o tempo (ver caixa de dilogo seguinte).

Para exemplificar esta metodologia, vamos usar os dados referentes s caractersticas do
molho de tomate (em anexo). Como anteriormente se viu, o grfico denota uma ligeira
curvatura na zona superior dos valores xx, que faz suspeitar que um modelo polinomial
talvez seja melhor ajustado que o modelo linear simples.

Para tal, fazer:

Statistics
Regression

Neste menu, seleccionar a opo Curve Estimation... que d acesso seguinte caixa de
dilogo, onde se definem as variveis dependente (solidos) e independente (insoluve) e
se seleccionam os modelos que se pretendem obter, e se define para apresentar a tabela
da anova para cada um dos modelos calculados:

ESACB 133

Por defeito, os modelos ajustados incluem a constante (coeficiente b
0
)
, e apresentado o grfico com os modelos calculados
.

O utilizador pode seleccionar um ou mais modelos, com o objectivo de, pela anlise dos
resultados, nomeadamente R
2
e anova, seleccionar o modelo melhor ajustado. No
exemplo, foi solicitado para calcular os modelos linear, quadrtico e cbico. Os
resultados so os seguintes:

MODEL: MOD_1.

Dependent variable.. SOLIDOS Method.. LINEAR

Listwise Deletion of Missing Data
Multiple R .97001
R Square .94092
Adjusted R Square .93823
Standard Error 1.28802
Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 581.27190 581.27190
Residuals 22 36.49768 1.65899

F = 350.37794 Signif F = .0000

-------------------- Variables in the Equation ------------
--------
ESACB 134

Variable B SE B Beta
T Sig T

INSOLUVE -2.646653 .141393 -.970010 -
18.718 .0000
(Constant) 76.193433 1.965707
38.761 .0000
Dependent variable.. SOLIDOS Method.. QUADRATI

Multiple R .98637
R Square .97293
Standard Error .89243


Regression 2 601.04440 300.52220
Residuals 21 16.72518 .79644

F = 377.33322 Signif F = .0000

--------

T Sig T

INSOLUVE -8.288178 1.136478 -3.037655 -
7.293 .0000
INSOLUVE**2 .200730 .040286 2.075370
4.983 .0001
(Constant) 115.123024 7.930949
14.516 .0000

Dependent variable.. SOLIDOS Method.. CUBIC

Multiple R .98637
R Square .97293
Standard Error .89243


Regression 2 601.04440 300.52220
Residuals 21 16.72518 .79644
ESACB 135

F = 377.33322 Signif F = .0000

--------

T Sig T

INSOLUVE -8.288178 1.136478 -3.037655 -
7.293 .0000
INSOLUVE**2 .200730 .040286 2.075370
4.983 .0001
(Constant) 115.123024 7.930949
14.516 .0000

--------------- Variables not in the Equation -------------
--

Variable Beta In Partial Min Toler T Sig
T

INSOLUVE**3 -4.796852 -.214795 1.368E-05 -.984
.3371

Notes:
9 Tolerance limits reached; some dependent variables were
not entered.
% slidos no molho
% insolveis em gua
20 18 16 14 12 10
60
50
40
30
20
Observed
Linear
Quadratic

ESACB 136
Note-se que ao passar do modelo linear y = 76.1934 2.6467x, R
2
=0.9409 para o
modelo quadrtico y = 115.1230 8.2882x + 0.2007x
2
, R
2
=0.9729, h um acrscimo
significativo do ajustamento (T
b2
=4.983, significativo; F=377.33 significativo);
contudo, ao passar para o modelo cbico, a estatstica T
b3
=-0.984 no significativa, e
nem sequer calculado este modelo, sendo apresentados os resultados do modelo
quadrtico, o que significa que o melhor modelo (dos pedidos) o modelo quadrtico.

SPSS 8 - Manusear os Resultados
ESACB 136
8 - MANUSEAR OS RESULTADOS

medida que se vo executando tarefas com o SPSS, os resultados vo-se acumulando
sucessivamente no Viewer do programa.

A janela do organigrama apresenta a sequncia de resultados, que comeam na
identificao ; cada rotina ou tarefa aparece identificada com uma marca
identificativa dos resultados, e respectivo contedo; por exemplo, os resultados
correspondentes obteno das estatsticas descritivas identificado no organigrama
pelo esquema .

Cada conjunto de resultados comea pela identificao da rotina ou tarefa
( ) e com o respectivo contedo; esta rotina apresenta um ttulo
visvel (repare que o livro est aberto), e que corresponde linha
Descriptives na janela direita, um conjunto de notas que no esto visveis
no output (o livro est fechado), e as estatsticas descritivas visveis na janela de
output (o livro est aberto). Esta organizao mantm-se para
os resultados das tarefas seguintes.

ESACB 137
Note que cada rotina tem um conjunto de notas, mas que no esto visualizadas; para as
ver na janela de output, o utilizador s tem que fazer duplo click sobre , de
modo a abrir o livro, e aparecerem as notas na janela direita.

Repare que as notas incluem a data e hora de obteno dos resultados, a localizao do
ficheiro de dados usado, o nmero de linhas ou casos do ficheiro de dados, indicaes
sobre a existncia e tratamento de missing values, e as instrues que originaram os
resultados (o utilizador gerou estas instrues, ou programa, seleccionando cons e
janelas nos menus do programa; contudo, e para utilizaes mais avanadas, o SPSS
tem um editor de programas, em que o utilizador constri as rotinas de anlise, como se
de uma linguagem de programao de tratasse). A ltima linha das notas indica o tempo
de processamento que a CPU do computador levou a executar esta rotina (neste caso,
0.99 segundos).

Para fechar o livro de notas, isto , para que as notas no sejam visualizadas no
output, fazer duplo click sobre .

Para condensar a parte de organigrama correspondente a uma rotina de anlise, fazer
click sobre o boto - esquerda da sua identificao; por exemplo, para condensar o
organigrama das estatsticas descritivas, fazer click sobre

O organigrama fica com o seguinte aspecto:
ESACB 138

Esta condensao do organigrama tem a vantagem de permitir maior rapidez na
localizao de determinados conjuntos de resultados, pois o utilizador pode condensar
as partes no relevantes do organigrama, ficando apenas aberta a parte relevante do
organigrama.

Para expandir, fazer duplo click sobre o boto + correspondente

Para visualizar resultados subsequentes, o utilizador pode usar a barra de scroll vertical
da janela de resultados, ou simplesmente fazer clik no item respectivo do organigrama.
Para ter acesso imediato ao diagrama de extremos-e-quartis referente a todos is valores,
fazer click sobre o item

Alm da visualizao, o utilizador pode copiar este grfico (ou qualquer outro conjunto
de resultados) para outra aplicao em Windows (por exemplo, processador de texto).
ESACB 139
Para tal, localizar o bloco de resultados pretendido (tal como descrito); Fazer Edit Copy
(ou CTRL-C), para capturar uma imagem do bloco seleccionado para o clipboard
(rea de transferncia) do Windows; colocar-se na aplicao pretendida (poor exemplo,
num documento do Word) e fazer a colagem da imagem (Edit Past, ou CTRL-V).

Se se efectuou uma anlise e se chegou concluso que est repetida, ou que pura e
simplesmente no interessa, pode eliminar-se do Viewer. No exemplo seguinte, repetiu-
se a rotina Descriptives, de modo que os resultados esto em duplicado.

Podem acrescentar-se caixas de texto com comentrios aos resultados, por exemplo
algumas anlises que se considerem pertinentes.

Para incluir o comentrio O histograma evidencia uma tendncia assimtrica aps o
histograma, seleccionar o item Histogram:

e fazer Insert New Text ou fazer click no boto . Na janela de resultados aberta
uma caixa de texto, onde se esccrevem os comentrios pretendidos:

ESACB 140

Para eliminar um dos conjunto de resultados da rotina Descriptives, fazer click sobre o
item respectivo no organigrama:

e de seguida fazer Edit Cut, ou CTRL-X, ou simplesmente carregar na tecla DEL.

Podem guardar-se os resultados em ficheiro, de modo que posteriormente o utilizador
possa recuper-los sem ter de os recalcular. Para gravar os resultados contidos no
Viewer do SPSS, estando colocado nesta janela, fazer:

File
Save

Aparece a seguinte caixa de dilogo, onde se selecciona o disco/directrio onde se
pretende gravar; na caixa escreve-se
o nome a dar ao ficheiro (sem extenso); o programa automaticamente acrescenta a
extenso .spo tpica dos ficheiros Viewer do SPSS.

ESACB 141

Posteriormente, se se pretender apenas consultar os resultados, basta abrir este ficheiro
no SPSS. Caso se pretenda continuar a executar anlises e acrescent-las a este ficheiro,
ento deve abrir-se tambm o ficheiro de dados para a partir da proceder s anlises.

Para imprimir os resultados do Viewer, faz-se File Print; na caixa de dilogo seguinte,
confirmar a impressora, e fazer OK:

Se interessar imprimir no todo o conjunto de resultados, mas apenas alguns dos blocos,
devem seleccionar-se previamente. Para tal, se os blocos so contguos, manter a tecla
SHIFT carregada e fazer click sobre os items a seleccionar; se os blocos no so
adjacentes, manter a tecla CTRL carregada e fazer click sobre os items a seleccionar:

ESACB 142

Neste exemplo, apenas o bloco Descriptives e o bloco Producao esto seleccionados; se
se mandar imprimir, s sero impressos estes resultados.

Repare que agora, no aparece activada a opo , a indicar
que imprimir apenas os blocos seleccionados.

SPSS Anexos
ESACB 143

ANEXOS

Listagem dos ficheiros SPSS referenciados no texto

plasma.sav

hora estrogen fosfo
1 Manh Controle 8,53
4 Manh Controle 14
6 Manh Presente 17,53
11 Tarde Controle 39,14
16 Tarde Presente 32
17 Tarde Presente 23,8

pulso.sav

caso sexo fuma idade ritmoa ritmod
1 Homem Fuma 31 62 126
2 Mulher Fuma 20 78 154
3 Homem No Fuma 28 64 128
4 Mulher No Fuma 29 96 155
5 Homem Fuma 21 66 128
10 Homem Fuma 28 90 144
15 Homem Fuma 23 92 134
20 Homem Fuma 20 66 132
21 Homem Fuma 38 70 122
29 Homem Fuma 22 68 126
30 Homem Fuma 19 70 144
36 Homem Fuma 34 62 132
38 Homem Fuma 21 90 138

arroz.sav

caso variedad azoto repete producao
1 IR8 0 kg/ha 1 3852
2 IR8 0 kg/ha 2 2606
3 IR8 0 kg/ha 3 3144
4 IR8 0 kg/ha 4 2894
5 IR8 60 kg/ha 1 4788
6 IR8 60 kg/ha 2 4936
7 IR8 60 kg/ha 3 4562
8 IR8 60 kg/ha 4 4608
9 IR8 90 kg/ha 1 4576
10 IR8 90 kg/ha 2 4454
11 IR8 90 kg/ha 3 4884
12 IR8 90 kg/ha 4 3924
13 IR8 120 kg/ha 1 6034
14 IR8 120 kg/ha 2 5276
15 IR8 120 kg/ha 3 5906
16 IR8 120 kg/ha 4 5652
17 IR8 150 kg/ha 1 5874
18 IR8 150 kg/ha 2 5916
19 IR8 150 kg/ha 3 5984
20 IR8 150 kg/ha 4 5518
21 IR5 0 kg/ha 1 2846
22 IR5 0 kg/ha 2 3794
23 IR5 0 kg/ha 3 4108
24 IR5 0 kg/ha 4 3444
25 IR5 60 kg/ha 1 4956
26 IR5 60 kg/ha 2 5128
27 IR5 60 kg/ha 3 4150
28 IR5 60 kg/ha 4 4990
29 IR5 90 kg/ha 1 5928
30 IR5 90 kg/ha 2 5698
31 IR5 90 kg/ha 3 5810
32 IR5 90 kg/ha 4 4308
33 IR5 120 kg/ha 1 5664
34 IR5 120 kg/ha 2 5362
35 IR5 120 kg/ha 3 6458
36 IR5 120 kg/ha 4 5474
37 IR5 150 kg/ha 1 5458
38 IR5 150 kg/ha 2 5546
39 IR5 150 kg/ha 3 5786
40 IR5 150 kg/ha 4 5932
41 C4-63 0 kg/ha 1 4192
42 C4-63 0 kg/ha 2 3754
43 C4-63 0 kg/ha 3 3738
44 C4-63 0 kg/ha 4 3428
45 C4-63 60 kg/ha 1 5250
46 C4-63 60 kg/ha 2 4582
47 C4-63 60 kg/ha 3 4896
arroz.sav

48 C4-63 60 kg/ha 4 4286
49 C4-63 90 kg/ha 1 5822
50 C4-63 90 kg/ha 2 4848
51 C4-63 90 kg/ha 3 5678
52 C4-63 90 kg/ha 4 4932
53 C4-63 120 kg/ha 1 5888
54 C4-63 120 kg/ha 2 5524
55 C4-63 120 kg/ha 3 6042
56 C4-63 120 kg/ha 4 4756
57 C4-63 150 kg/ha 1 5864
58 C4-63 150 kg/ha 2 6264
59 C4-63 150 kg/ha 3 6056
60 C4-63 150 kg/ha 4 5362

catsup.sav

caso insoluve solidos
1 10,71 51
2 11,76 45,2
3 11,36 44,8
4 11,27 47,4
5 15,3 35,5
6 12,07 44,5
7 15,98 35,3
8 13,34 39,3
9 13,34 40,8
10 14,29 38,4
11 13,66 39,3
12 14,79 36
13 14,5 37,9
14 14,8 36,2
15 14,88 35,3
16 10,86 48,5
17 13,34 40
18 13,01 43
19 12,87 41,5
20 14,4 36,7
21 15,12 35,3
22 17,06 32,5
23 18,22 30,2
24 13,73 38,9

Spss Manual de Utilizacao

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

Spss Manual de Utilizacao

Enviado por

Direitos autorais:

Formatos disponíveis

ESCOLA SUPERIOR AGRRIA

INSTITUTO POLITCNICO DE CASTELO BRANCO

Você também pode gostar