TecnicasMemorizaçao Possati 2015

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS EXATAS E DA TERRA

DEPARTAMENTO DE ESTATÍSTICA
CURSO DE ESTATÍSTICA
ANDRÉ POSSATI
AVALIAÇÃO DE TÉCNICAS DE MEMORIZAÇÃO EM UM TESTE RAVLT: UMA

APLICAÇÃO DA ANÁLISE DE COVARIÂNCIA
ORIENTADOR: Prof. Dr. Damião Nóbrega da Silva
NATAL/RN
2015
ANDRÉ POSSATI
AVALIAÇÃO DE TÉCNICAS DE MEMORIZAÇÃO EM UM TESTE RAVLT: UMA

APLICAÇÃO DA ANÁLISE DE COVARIÂNCIA
Monografia apresentada ao Departamento

de Estatı́stica da Universidade Federal do
Rio Grande do Norte, em cumprimento
com as exigências legais para obtenção do
tı́tulo de formação em Estatı́stica.
ORIENTADOR: Prof. Dr. Damião Nóbrega da Silva
NATAL/RN
2015
UFRN / Biblioteca Central Zila Mamede.
Catalogação da Publicação na Fonte
Possati, André.
Avaliação de técnicas de memorização em um Teste Ravlt: uma
aplicação da análise de covariância / André Possati – Natal, RN, 2016.
65 f.: il.
Orientador: Prof. Dr. Damião Nóbrega da Silva.
Monografia (Graduação) – Universidade Federal do Rio Grande do

Norte. Centro de Ciências Exatas e da Terra. Curso de Estatística.
1. Modelos lineares (estatística) - Monografia. 2. Teste de

Aprendizagem Auditivo Verbal de Rey (RAVLT) - Monografia 3.
Análise de covariância - Monografia. I. Silva, Damião Nóbrega da. II.
Universidade Federal do Rio Grande do Norte. III. Título.
RN/UF/BCZM CDU 519.233.4

Agradecimentos
Eu poderia escrever um livro nesta seção para falar da pessoa que tem participado
da minha vida durante esses 10 últimos anos, da minha luta, dos meus tombos, do meu
renascimento. Mas nenhum livro seria capaz de descrever a felicidade que sinto por tê-la
ao meu lado, sempre positiva, sempre rindo deliciosamente das minhas bobagens e sempre
companheira durante os perı́odos mais difı́ceis. Fernanda, obrigado por me manter ali-
mentado, amado e são, por esse perı́odo todo! Obrigado também por me apresentar sua
famı́lia maravilhosa: Inês, Washington, Rachel, Maria Angélica e Jose, de quem recebi
conselhos, abraços e três sobrinhos lindos!
Não menos importante foi a dedicação dos meus pais Rubens e Márcia, na construção
do meu caráter, do meu senso crı́tico e na construção da minha capacidade de colocar-me
no lugar do outro. Gostaria de poder fazer o mesmo que fizeram por mim, mas sei que
essa tarefa só é capaz de realizar quem é pai e mãe. Obrigado!
Obrigado também aos meus pais/amigos/irmãos Osvaldo e Maria, Ademir e Nadja,

Francisco, Wagner... por estarem sempre presentes, e principalmente por ajudarem a
mim, meu pai e irmãos a suportarem a dor da perda de minha mãe.
Gostaria de agradecer também aos meus irmãos Maurı́cio e Marcos pelo companhei-
rismo que já dura mais de 30 anos, pelas risadas, pelas noitadas regadas a boa música e
pelo alicerce que me ajudaram e ajudam a construir. Obrigado também a Anna por toda
a alegria que trouxe à famı́lia!
Ao clã Onaga, Claudia, Maı́ra e Flávia, pelo seu bom humor e sagaz inteligência, pe-
las massagens maravilhosas, pelos livros, filmes e principalmente pela companhia essencial
nesses anos todos.
Aos meus amigos de infância, Marcelo, Tiagos (Costantini e Olho), Gilberto, Rodrigos
(Moita, VG e Costantini), André, Marina, Julia, Caio e suas (seus) respectivas (os), pelas
infinitas horas de jogo, filosofia e bom humor. Aos seus pais pelo fundamental apoio nas
horas que mais precisei!
Aos meus amigos de escola que me arrastavam de casa para alguma festa quando
não tinha mais dinheiro para sair (porque gastara tudo antes da hora), Paulo, Fernando,
Bruno, Rodrigo, Eduardo, Leonardo, Wagner, Maurı́cio, Yuzo e outros vários que ainda
me acompanham.
Aos meus queridos amigos da UFRN: Kalil, Francimário, Joyce, Inara, Fidel, Elias,
Ramiro, Deillany, Jhonnata pelas muitas horas de estudo, ajuda com as disciplinas e boas
conversas, e tantos outros que não quero perder contato.
Gostaria fazer um agradecimento especial aos meus amigos do Ventania, Guilherme

e Marı́lia, primeiro pela amizade que construı́mos nesses últimos quatro anos, pela com-
panhia na casa da Ponta Negra e sobretudo pelo maravilhoso lanche que vocês fazem!
Sucesso amigos!
Ao RXK, a entidade que mais cresce no Brasil, por esses quase 20 anos de muita, mas
muita coisa boa!
Gostaria de agradecer a fantástica equipe de professores da Estatı́stica da UFRN, pelo

acolhimento e amizade, ao Prof. Pledson pelo excelente trabalho junto à coordenação do
curso e, em especial, ao Prof. Damião, que aceitou a tarefa de me orientar nesse trabalho
dedicando muitas horas de seu tempo para que o resultado fosse o melhor possı́vel. Obri-
gado Professor!
Ao Programa Novos Talentos, ao PET e IC, dos quais tive a honra de participar e
aprender lições valiosas para toda a vida, bem como aos professores/tutores desses pro-
gramas: Pledson, Formiga, Dione e Carla.
Eu não poderia terminar sem agradecer a Ana Maria, pela oportunidade de trabalhar-
mos juntos em sua Dissertação de Mestrado, por ter me cedido gentilmente seu banco de
dados, por sua dedicação em alcançar o objetivo de me fazer compreender um pouco mais
de psicologia, pelo seu tempo e pela sua amizade. Obrigado!
”Felizes aqueles que se divertem com problemas que educam a alma e elevam o espı́rito.”
Fenelon
Resumo
O Teste de Aprendizagem Auditivo Verbal de Rey (RAVLT) é um instrumento de
grande utilidade para avaliação clı́nica de processos de perda de memória. O objetivo
principal deste trabalho é avaliar os efeitos de treinamento cognitivo e higiene do sono na
memorização de palavras em um teste RAVLT com idosos de 60 a 86 anos, em Natal. Estes
indivı́duos foram alocados aleatoriamente a quatro tratamentos de interesse: controle,
treino cognitivo, higiene do sono e combinação de treino cognitivo com higiene do sono.
Dados do número de palavras recordadas e ı́ndices de memorização relacionados obtidos
após a intervenção da aplicação dos tratamentos são analisados análises de covariância,
tomando-se os valores pré-intervenção dessas medidas como covariáveis. Os resultados
sugerem que treino cognitivo combinado com higiene do sono pode aumentar o número
médio de palavras recordadas na evocação espontânea em relação ao grupo controle.
Observa–se, também, que a técnica de análise de covariância é, em geral, mais eficiente
que análise de variância para comparar os efeitos dos tratamentos.
Palavras-chave: Estudo pré-teste/pós-teste. Experimento completamente aleatorizado.

Modelos lineares.
Abstract
The Rey Auditory Verbal Learning Test (RAVLT) is a useful tool for clinical evaluation
of memory loss processes. This study aims to evaluate the effects of cognitive training and
sleep hygiene techniques on word memorization in a RAVLT test applied to 60-86 year-
old subjects. The individuals in the study were randomly allocated to four treatments of
interest: control, cognitive training, sleep hygiene and a combination of cognitive training
with sleep hygiene. Data on the post-treatment number of recalled words and related
memorization indexes are analyzed by covariance analyses, taking the corresponding pre-
intervention measures as covariates values. The results suggest that cognitive training
combined with sleep hygiene may increase the average number of words recalled in the
spontaneous evocation phase of the test in relation to the control group. Covariance
analysis is seen to be generally more efficient than analysis of variance to compare the
treatment effects.
Keywords: Pretest/posttest study. Completely Randomized Experiment. Linear Models.

Sumário
LISTA DE ILUSTRAÇÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.2 Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3 Estrutura da monografia . . . . . . . . . . . . . . . . . . . . . . . . 22
2 ESTUDO EXPERIMENTAL . . . . . . . . . . . . . . . . . . . . 23
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1 O modelo de análise de covariância . . . . . . . . . . . . . . . . . . 25
3.2 Verificação das suposições do modelo . . . . . . . . . . . . . . . . 27
3.3 Testes de hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 Paralelismo das retas de regressão . . . . . . . . . . . . . . . . . . . . 28
3.3.2 Efeito dos tratamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.3 Coeficiente angular nulo . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 Intervalos de confiança para médias ajustadas . . . . . . . . . . . 32
4 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . 35

4.1 Evocação espontânea . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.1 Tentativa A6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.2 Tentativa A7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Memória de curto prazo . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Velocidade de esquecimento . . . . . . . . . . . . . . . . . . . . . . 43
4.4 Índices de interferência . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4.1 Interferência proativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4.2 Interferência retroativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
APÊNDICES 57
A GRÁFICOS PARA ANÁLISES RESIDUAIS . . . . . . . 59
B PROGRAMA R PARA AS ANÁLISES ESTATÍSTICAS 65

Lista de ilustrações
Figura 1 – Cronograma das etapas do teste RAVLT . . . . . . . . . . . . . . . . . 21

Figura 2 – Dispersão dos escores pós-teste e pré-teste na tentativa A6 para os
quatro tratamentos. Retas de regressão são estimadas sob paralelismo . 37
Figura 3 – Dispersão dos escores pós-teste e pré-teste na tentativa A7 para os
Figura 4 – Dispersão dos escores totais pós-teste e pré-teste para os quatro trata-
mentos. Retas de regressão são estimadas sob paralelismo . . . . . . . 42
Figura 5 – Dispersão dos ı́ndices de esquecimento pós-teste e pré-teste para os
Figura 6 – Dispersão dos ı́ndices de interferências proativa pós-teste e pré-teste
para os quatro tratamentos. Retas de regressão são estimadas sob
paralelismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Figura 7 – Dispersão dos ı́ndices de interferências retroativa pós-teste e pré-teste
para os quatro tratamentos. Retas de regressão são estimadas sob
paralelismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Figura 8 – Diagrama de dispersão e gráfico de probabilidade normal com envelope
para os resı́duos padronizados do modelo de análise de covariância para
o escore da tentativa A6 . . . . . . . . . . . . . . . . . . . . . . . . . . 59
o escore da tentativa A7 . . . . . . . . . . . . . . . . . . . . . . . . . . 60
o escore total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
o ı́ndice de esquecimento . . . . . . . . . . . . . . . . . . . . . . . . . 62
o ı́ndice de interferência proativa . . . . . . . . . . . . . . . . . . . . . 63
o ı́ndice de interferência retroativa . . . . . . . . . . . . . . . . . . . . 64
Lista de Tabelas
Tabela 1 – Teste de paralelismo das retas de regressão da análise de covariância

para o escore pós-teste na tentativa A6 . . . . . . . . . . . . . . . . . 36
Tabela 2 – Estimativas de mı́nimos quadrados e erros padrões para os parâmetros
do Modelo 3 da análise de covariância para o escore pós-teste na ten-
tativa A6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Tabela 3 – Análise de variância para os testes ajustados dos efeitos dos tratamen-
tos e da covariável para o escore pós-teste na tentativa A6 . . . . . . . 38
Tabela 4 – Médias ajustadas para o escore pós-teste na tentativa A6 com erros
padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
para o escore pós-teste na tentativa A7 . . . . . . . . . . . . . . . . . 39
do Modelo 3 da análise de covariância para o escore pós-teste na ten-
tativa A7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
tos e da covariável para o escore pós-teste na tentativa A7 . . . . . . . 40
Tabela 8 – Médias ajustadas para o escore pós-teste na tentativa A7 com erros
padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
para o escore total pós-teste . . . . . . . . . . . . . . . . . . . . . . . 41
do Modelo 3 da análise de covariância para o escore total pós-teste . . 42
tos e da covariável para o escore total pós-teste . . . . . . . . . . . . . 43
Tabela 12 – Médias ajustadas para o escore total pós-teste com erros padrões . . . 43
para o ı́ndice de esquecimento pós-teste . . . . . . . . . . . . . . . . . 44
do Modelo 3 da análise de covariância para o ı́ndice de esquecimento
pós-teste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
tos e da covariável para o ı́ndice de esquecimento pós-teste . . . . . . 46
Tabela 16 – Médias ajustadas para o ı́ndice de esquecimento pós-teste com erros
padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
do ı́nidice de interferência proativa pós-teste . . . . . . . . . . . . . . 47
do Modelo 3 (escala transformada) da análise de covariância para o
ı́ndice de interferência proativa pós-teste . . . . . . . . . . . . . . . . . 47
tos e da covariável para o ı́ndice de interferência proativa pós-teste
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Tabela 20 – Médias ajustadas o ı́ndice de interferência proativa pós-teste com erros
padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
para o ı́ndice de interferência retroativa pós-teste . . . . . . . . . . . . 49
do Modelo 3 da análise de covariância para o ı́ndice de interferência
retroativa pós-teste . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
tos e da covariável para o o ı́ndice de interferência retroativa pós-teste
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Tabela 24 – Médias ajustadas para o o ı́ndice de interferência retroativa pós-teste
com erros padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
17
1 Introdução
1.1 Motivação
De acordo com o IBGE, o ritmo de envelhecimento da população brasileira está acima
da média mundial (SARAIVA; MARTINS, 2012). Dados de 2012 revelaram que a razão
entre o número de pessoas de 60 anos ou mais de idade para cada 100 pessoas de menos de
15 anos vem aumentando de maneira “marcante”, conforme o próprio instituto. Segundo
Kalache (1987), os fatores determinantes do envelhecimento de um paı́s são, fundamen-
talmente, ditados pelo comportamento de suas taxas de fertilidade e, de modo menos
importante, de suas taxas de mortalidade. Ainda segundo este autor, o envelhecimento
da população brasileira é um fato irreversı́vel, e que deverá se acentuar no futuro próximo.
Diante disso a manutenção da capacidade funcional de cada indivı́duo, de forma que ele
permaneça autônomo e independente pelo maior tempo possı́vel, é um grande desafio
(COSTA; PORTO; SOARES, 2003).
Um dos estudos conduzidos para identificar fatores que afetam a capacidade de memo-
rização de idosos foi o experimento controlado realizado como requisito para obtenção do
tı́tulo de Mestre em Psicologia na Universidade Federal do Rio Grande do Norte (UFRN)
pela estudante Ana Maria Souza Moreira (MOREIRA, 2015). O objetivo geral da au-
tora do experimento foi o de avaliar os efeitos de um programa de treino cognitivo e de
técnicas de higiene do sono para as funções executivas e para qualidade de sono de idosos
saudáveis. Tradicionalmente, as “funções executivas” referem-se às habilidades cognitivas
envolvidas no planejamento, iniciação, seguimento e monitoramento de comportamen-
tos complexos dirigidos a um fim e são utilizadas para designar uma ampla variedade
de funções cognitivas que implicam: atenção, concentração, seletividade de estı́mulos,
capacidade de abstração, planejamento, flexibilidade de controle mental, autocontrole e
memória operacional (HAMDAN; PEREIRA, 2009).
De acordo com Schaie (2005 apud COTTA et al., 2012) a memória se relaciona a
uma gama de processos cognitivos que envolvem a aquisição, a formação, a conservação
e a evocação de informações. Ao longo do ciclo de vida percebe-se seu aprimoramento
na infância e adolescência, estabilização ao longo da idade adulta e declı́nio ao longo
do envelhecimento, formando uma curva em formato de U invertido. Ainda segundo
Cotta et al. (2012), a avaliação da memória do paciente idoso se dá através de testes
neuropsicológicos e um dos testes mais utilizados nesse processo, por ser particularmente
útil em sua avaliação neuropsicológica, é o Teste de Aprendizado Auditivo-Verbal
de Rey ou RAVLT (REY, 1941; TAYLOR, 1959).
Os dados obtidos no experimento em Moreira (2015) foi baseado neste teste RAVLT.
18 Capı́tulo 1. Introdução
Este teste é constituı́do por uma listagem de 15 substantivos (lista A) a ser lida para o su-
jeito pesquisado com um intervalo de um segundo entre cada palavra. Esse procedimento
é realizado cinco vezes consecutivas e ao final de cada uma delas é pedido ao sujeito que
se recorde de cada uma das quinze palavras. Os escores (número de palavras recordadas)
alcançados durante esse processo de evocação das palavras são registrados em cada uma
das cinco tentativas. Estes escores são denotados pelas variáveis A1, A2, A3, A4 e A5
e os correspondentes valores possı́veis de cada um deles compreendem, portanto, inteiros
de 0 a 15.
Logo após esta etapa, uma lista composta por outros 15 substantivos (lista de in-
terferência B) é lida ao sujeito e solicitada sua subsequente evocação (tentativa B1). O
número de palavras certas nesta tentativa é também denotado por B1. A seguir pede-se
ao sujeito que se recorde das palavras da lista A sem que ela seja reapresentada (tentativa
A6). Após um intervalo de 20 minutos, pede-se ao sujeito que se lembre das palavras da
lista A (tentativa A7) também sem que a lista A seja lida para ele. Similarmente, os esco-
res correspondendo aos números de palavras corretamente recordadas nestas duas últimas
tentativas são denotados por A6 e A7, respectivamente. Estas etapas podem ser melhor
visualizadas no cronograma apresentado na Figura 1. Após a tentativa A7, é feito o teste
de memória de reconhecimento, quando uma lista contendo as 15 palavras da lista A, as
15 palavras da lista B e 20 distratores (semelhantes às palavras de lista A e B em termos
fonológicos ou semânticos) são lidas para o sujeito. A cada palavra lida, o sujeito deve
indicar se ela pertence (ou não) à lista A. A essa variável é dada o nome reconhecimento
e os escores alcançados variam entre 0 e 50. Contudo, essa variável não será analisada no
presente trabalho.
Os escores A1,..., A7 e B1 do teste RAVLT permitem a formação de vários outros
ı́ndices que podem ser usados para avaliar diferentes caracterı́sticas do mecanismo de me-
morização de um indivı́duo. Segundo Cotta et al. (2012), o escore total nas cinco primeiras
tentativas A1 + · · · + A5 é uma medida da curva de aprendizagem das palavras. Também,
as quantidades A7/A6, B1/A1 e A6/A5 medem respectivamente a velocidade de esqueci-
mento, a interferência proativa e a interferência retroativa. A velocidade de esquecimento
permite estudar a relação do conteúdo aprendido com o tempo. A interferência proativa
permite avaliar o grau de dificuldade do aprendizado de uma nova informação devido a
informação previamente absorvida e a retroativa avalia a dificuldade do indivı́duo recordar
informação passada devido a exposição de um novo conteúdo.
1.2. Objetivos 19
Figura 1 – Cronograma das etapas do teste RAVLT
Uma caracterı́stica deste estudo experimental é a medição das variáveis do teste

RAVLT relacionadas com a memória dos indivı́duos participantes, ou seja A1 a A7 e
B1, nas fases antes e depois da intervenção decorrente dos tratamentos aplicados. As
variáveis respostas foram tomadas como as medidas e ı́ndices de interesse referentes na
fase pós-intervenção do experimento e as covariáveis foram definidas como o valor de cada
resposta na fase pré-intervenção pela aplicação dos tratamentos.
1.2 Objetivos
1.2.1 Objetivo geral

O objetivo geral desta monografia é o de avaliar estatisticamente a significância dos efeitos
dos tratamentos do experimento realizado em Moreira (2015), ou seja, controle, higiene do
sono, treino cognitivo e higiene do sono mais treino cognitivo, em caracterı́sticas medidas
pós-aplicação do teste RAVLT. Estas caracterı́sticas são relacionadas com:
• memória de curto prazo do teste RAVLT;
• evocação espontânea;
• velocidade de esquecimento;
• medida de interferência proativa;

20 Capı́tulo 1. Introdução
• ı́ndice de interferência retroativa.
A ferramenta estatı́stica escolhida para analisar os dados do experimento em Moreira

(2015) é a análise de covariância (ANCOVA). A análise de covariância é uma técnica
estatı́stica que combina caracterı́sticas de um modelo de análise de variância (ANOVA)
com modelos de regressão para avaliar os efeitos dos tratamentos controlando–se os efeitos
da covariável na resposta. Esta técnica é bem descrita em Cochran e Cox (1957), Cox
(1958), Snedecor e Cochran (1989) e Kuehl (2000), dentre outros. Uma das motivações
dessa técnica é o aumento de precisão na estimação dos efeitos dos tratamentos em expe-
rimentos aleatorizados devido a incorporação de informação auxiliar correlacionada com
a resposta de interesse. Detalhes sobre a aplicação da teoria de modelos lineares para
estimação e inferência em modelos de análise de covariância podem ser vistos em Neter
et al. (1996), Rencher (2008) e Hinkelmann e Kempthorne (2007).
1.2.2 Objetivos especı́ficos

A aplicação da análise de covariância neste trabalho dar-se-á usando as medidas pré-teste
como covariáveis. Neste contexto, definem–se como objetivos especı́ficos os seguintes:
• Avaliar estatisticamente se as retas da regressão de cada tratamento das medidas

pós-teste versus as medidas pré-teste podem ser representadas por retas paralelas;
• Avaliar e estimar estatisticamente o efeito das covariáveis e dos efeitos dos trata-
mentos sobre as caracterı́sticas definidas na Seção 1.2.1;
• Estimar as respostas médias dos tratamentos ajustadas pelo efeitos da covariáveis;
• Estimar a eficiência da inclusão da covariável nas análises em relação aos modelos

de análise de variância para planos experimentais completamente aleatorizados.
1.3 Estrutura da monografia

A estrutura desta monografia é a seguinte: No Capı́tulo 2, será apresentada uma descrição
mais detalhada do experimento realizado em Moreira (2015). A metodologia estatı́stica
para as análises estatı́sticas será abordada no Capı́tulo 3. A análises dos resultados será
discutida no Capı́tulo 4. Por último, no Capı́tulo 5, serão apresentadas as conclusões do
trabalho e sugestões para estudos futuros.
21
2 Estudo experimental
Serão apresentados, a seguir, aspectos do protocolo experimental usado para a obtenção

dos dados no estudo apresentado em Moreira (2015). A utilização destes dados para esta
monografia foi devidamente autorizada pela pesquisadora responsável pelo trabalho. Era
de interesse, a princı́pio, conduzir a pesquisa em toda a cidade de Natal, mas devido a
algumas dificuldades optou-se por restringir a coleta de dados a apenas uma instituição. A
instituição escolhida tem como missão incentivar e empreender iniciativas que promovam
o bem estar da pessoa idosa. Ao final desta etapa, um total de 41 idosos maiores de 60
anos, sendo 35 mulheres e 6 homens, foram selecionados para participação no estudo.
Os indivı́duos do estudo foram aleatoriamente divididos em quatro grupos: Controle,
Treino cognitivo (TC), Higiene do sono (HS) e Treino Cognitivo + Higiene do Sono
(TC+HS). Excetuando-se o grupo Treino Cognitivo, que foi constituı́do por 11 sujeitos,
os demais grupos se estabeleceram com 10 indivı́duos cada. A média geral de idade se
situou próxima aos 69,5 anos com desvio padrão de 7,9 anos.
A pesquisa aconteceu em três etapas, realizadas nessa ordem: avaliação do funciona-
mento executivo e qualidade do sono dos participantes, intervenção especı́fica destinada a
cada grupo e reavaliação das funções executivas e da qualidade do sono. Ao grupo controle
foram aplicadas as avaliações iniciais e sua reavaliação foi realizada após um mês e meio.
O mesmo intervalo de tempo foi dado aos outros três grupos para que fossem reavaliados.
O grupo TC participou de um programa de treino cognitivo das funções executivas. O
grupo HS foi submetido a um programa de psicoeducação das técnicas de higiene do sono
e o grupo TC+HS participou de um programa de treino das funções executivas bem como
da psicoeducação da higiene do sono.
Todos os grupos passaram por um programa de treinamento que durou seis sessões,
com frequência semanal e duração média de 1 hora e 30 minutos cada sessão. O grupo
de sujeitos submetido ao tratamento TC passou pelo treinamento onde foram propostos
três exercı́cios simples de memorização, um exercı́cio extra (de complexidade maior) e
um exercı́cio a ser realizado em casa. As atividades presenciais eram monitoradas pela
pesquisadora e a atividade realizada em casa era retomada na sessão seguinte, onde se
perguntava ao sujeito sobre a execução, suas dificuldades e aspectos mais interessantes. Na
última sessão não foi proposto exercı́cio de casa. No grupo submetido ao tratamento HS
foram trabalhadas e discutidas as funções do sono e a sua importância para a manutenção
da boa qualidade de vida, como por exemplo, a importância da regularidade do sono, a
importância dos hábitos comportamentais no sono e a importância do ambiente de sono
adequado. Essas sessões também foram finalizadas com a proposição de exercı́cios a serem
realizados em casa, com exceção da última.
22 Capı́tulo 2. Estudo experimental
Todas as avaliações e intervenções foram realizadas pela mestranda responsável pela

pesquisa. No entanto, todos os protocolos foram codificados e entregues para que ou-
tros pesquisadores pontuassem, sem que a autora tivesse acesso a informação de quais
protocolos representavam as pré e/ou pós intervenções, como também sem saber quais
correspondiam a cada grupo.
O objetivo geral do experimento em Moreira (2015) é avaliar os efeitos de um programa
de treino cognitivo e das técnicas de higiene do sono para as funções executivas e para
qualidade de sono de idosos saudáveis. Contudo, no presente trabalho, a atenção principal
se dá na análise dos dados referentes às variáveis que se relacionam exclusivamente com a
memória, visto que o experimento realizado com os idosos não contemplava esse objetivo
especı́fico. Optou-se também por se desconsiderar quaisquer inferências à população uma
vez que os indivı́duos participantes dos estudo não foram selecionados por amostragem
probabilı́stica.
23
3 Metodologia
3.1 O modelo de análise de covariância

Considere um experimento controlado com k tratamentos alocados segundo um plano
completamente aleatorizado a um conjunto de N = n1 + n2 + · · · + nk unidades experi-
mentais, em que ni denota o número de réplicas do i-ésimo tratamento. Seja yij o valor de
uma variável resposta y de interesse para a j-ésima unidade experimental submetida ao
i-ésimo tratamento. Similarmente, seja xij o valor de uma covariável x a j-ésima unidade
experimental do i-ésimo tratamento, para i = 1, 2, ..., k e j = 1, 2, ..., ni .
O modelo estatı́stico de análise de covariância com um fator de tratamento e uma
covariável x pode ser expresso por
yij = µ + αi + βxij + ij , (3.1)
em que µ é uma constante, αi é o efeito fixo do i-ésimo tratamento (com α1 = 0) e os ij

são variáveis aleatórias independentes e identicamente distribuı́das N (0, σ 2 ) representando
os erros experimentais associados com as observações yij , i = 1, 2, ..., k e j = 1, 2, ..., ni .
Algumas observações sobre este modelo são:
1. Uma outra suposição adicional que é implı́cita no modelo (3.1) é que os valores
da covariável não são influenciados pelos tratamentos. No presente contexto, esta
suposição não deve ser violada no experimento que será analisado uma vez que,
conforme descrito na Capı́tulo 2, os valores das covariáveis foram medidos antes
da aplicação dos tratamentos e não medidos simultaneamente com os valores das
variáveis respostas.
2. A parametrização α1 = 0 no modelo (3.1) define o parâmetro µ como o efeito do

tratamento 1 (tratamento de referência) e os parâmetros αi , i = 2, ..., k, como os
efeitos diferenciais do i-ésimo tratamento em relação ao primeiro tratamento. Esta
parametrização para o efeito do primeiro tratamento é compatı́vel com a restrição
padrão usada pelo software estatı́stico R. Na realidade, outras restrições poderiam ser
adotadas, como por exemplo αk = 0 (a opção padrão no sistema SAS) e ki=1 αi = 0.
P
Cada dessas restrições alternativas levam a diferentes interpretações dos parâmetros

do modelo.
3. O modelo (3.1) sugere que a regressão de y em x pode ser sumarizada por retas
paralelas, uma para cada tratamento. Estas retas têm coeficientes angulares comum
β, mas os correspondentes interceptos são dados por µ, µ + α2 ,..., µ + αk . Um caso
particular deste modelo é quando α2 = · · · = αk , quando as retas são coincidentes.
24 Capı́tulo 3. Metodologia
Um outro caso particular é quando β = 0, situação esta representando retas paralelas

ao eixo x.
A representação matricial para o modelo de ANCOVA (3.1) é dada por
y = Zα + xβ + , (3.2)
em que y = (y11 , ..., y1n1 , y21 , ..., y2n2 , ..., yk1 , ..., yknk )> ,
     
1 0 0 ... 0 x11 11
 . . . .  .  . 
 .. .. .. ..   ..  .. 
 

     
 1 0 0 ... 0   x1n1  1n1 
     

       
 1 1 0 ... 0  µ  x21   21 
     
 .. .. .. ..   ..  .. 
α
  
 . . . .    2   .   . 
ZN ×k = 
 , α k×1 =  .. 
  , x N ×1 =   e N ×1 = ,
 1 1 0 ... 0 
  . 
 x
 2n2



 2n2 

 . . . ..   .  . 
 .. .. ..  ..  .. 
 
 .  α k 

  
     
 1 0 0 ... 1   xk1   k1 
 .. .. .. ..   ..  .. 
     
 . . . .   .  . 


1 0 0 ... 1 xknk knk
com ∼ N (0, σ 2 I). Esta notação indica que o vetor tem distribuição Normal N -
dimensional com vetor de médias zero e matriz de covariâncias σ 2 I.
Os estimadores de mı́nimos quadrados dos parâmetros α e β sob o modelo (3.2) são
dados como a solução (α,
b β)
b do sistema de equações normais (RENCHER, 2008, p. 446)
Z> Zα
b + Z> xβb = Z> y,
(3.3)
x> Zα
b + x> xβb = x> y.
Dessa forma, uma vez que Z> Z tem posto completo, segue que o estimador de mı́nimos
quadrados do vetor α é
   
µ
b ȳ1. − βbx̄1.
 α  ȳ2. − ȳ1. − β(x̄
b 2. − x̄1. ) 
  
b2  > −1 >

α
b= .
 . 
=α 0 − (Z Z) Z x β
b=
. , (3.4)
.
b
. .
 
   
αbk ȳk. − ȳ1. − β(x̄
b k. − x̄1. )
b 0 = (Z> Z)−1 Z> y é a solução para as equações normais para o modelo y = Zα+
em que α
sem covariáveis, ȳi. = (1/ni ) nj=1 yij , x̄i. = (1/ni ) nj=1
P i P i
xij e α
b1 = 0. O estimador de
mı́nimos quadrados para β pode ser calculado pela expressão
βb = [x> (I − P)x]−1 x> (I − P)y = e−1

xx exy , (3.5)
em que P = Z(Z> Z)−1 Z> ,

ni
k X
X
>
exx = x (I − P)x = (xij − x̄i. )2
i=1 j=1
3.2. Verificação das suposições do modelo 25
e
ni
k X
X
exy = x> (I − P)y = (xij − x̄i. )(yij − ȳi. ).
i=1 j=1
A soma de quadrados residual associada com o ajuste pode ser também calculada por
> >
b > Z> y − βb X> y = SQEy − βb X> (I − P)y,
SQEy.x = y> y − α (3.6)
em que
ni
k X
X
SQEy = eyy = y> (I − P)y = (yij − ȳi. )2
i=1 j=1
é a mesma soma de quadrados para o modelo ANOVA y = Zα + sem covariáveis. A

soma de quadrados SQEy.x tem N − k − 1 graus de liberdade associados e uma outra
expressão alternativa é dada por
k X ni Pk Pni 2
e2xy X 2
[ i=1 j=1 (xij − x̄i. )(yij − ȳi. )]
SQEy.x = eyy − = (yij − ȳi. ) − Pk Pni . (3.7)
exx i=1 j=1 i=1 j=1 (xij − x̄i. )
2
Observa–se, portanto, que SQEy.x < SQEy . Com base neste fato, pode–se medir o
aumento em eficiência pela adição da covariável no modelo por
SQEy /(N − k)
E= ,
SQEy.x /(N − k − 1)
ou seja a razão do quadrado médio residual do modelo de ANOVA sem covariáveis para o
quadrado médio residual do modelo de ANCOVA. Esta medida foi proposta por Finney
(1946) e sugerida por Kuehl (2000). Ela indica quantas réplicas seriam necessárias pelo
modelo ANOVA para atingir a mesma precisão das médias dos tratamentos estimadas
sob o modelo ANCOVA. Por exemplo, o valor de 1,5 em eficiência significa que o modelo
de análise de variância precisa de 50% mais réplicas para atingir a mesma precisão das
médias dos tratamentos estimadas sob o modelo de análise de covariância.
3.2 Verificação das suposições do modelo

O modelo de análise de covariância (3.1) assume que erros aleatórios são independentes
e normalmente distribuı́dos com média zero e variância constante. Como o experimento
é aleatorizado, espera-se que os testes produzidos baseados no modelo que assume in-
dependência das observações sejam aproximações válidas para os testes que deveriam
ser realizados com base na teoria da aleatorização. Uma apresentação desta teoria para
análise de covariância é dada em Hinkelmann e Kempthorne (2007, cap. 8).
A suposição de homogenidade das variâncias pode ser verificada pela análise do gráfico
de dispersão dos resı́duos (ou de uma versão padronizada) versus os valores preditos pelo
modelo ajustado. De acordo com o ajuste pelo método dos mı́nimos quadrados para o
modelo (3.1) com base nos estimadores (3.4) e (3.5), os valores preditos pelo modelo são
ybij = µ
b+α
bi + βx b ij − x̄i. ).
b ij = ȳi. + β(x (3.8)
Os resı́duos resultantes deste ajuste são dados por
eij = yij − ybij = yij − ȳi. − β(x

b ij − x̄i. ) (3.9)
e os resı́duos padronizados (TAMHANE, 2009) são

eij
rij = r n o, (3.10)
1 (xij −x̄i. )2
sy.x 1− ni
+ exx
em que sy.x = SQEy.x /(N −k−1). Pode–se, também, testar formalmente a homogeneidade
das variâncias com testes, como por exemplo, o teste de Levene (LEVENE, 1960). A idéia
geral do teste de Levene é testar se as variâncias das observações são homogêneas através
de uma ANOVA para comparar as médias de zij = |yij − mediana(yij )|. Esta variável
transformada é tal que E(zij ) ≈ V ar(yij ).
A suposição de normalidade pode ser verificada com o teste de Shapiro-Wilk (SHA-
PIRO; WILK, 1965) e a avaliação do gráfico de probabilidade normal. Nos casos que
evidenciam não normalidade ou variância heterogênea entre os erros do modelo, o procedi-
mento de transformação de Box-Cox (BOX; COX, 1964) pode ser aplicado para encontrar
uma escala em que estas suposições sejam aproximadamente atendidas.
3.3 Testes de hipóteses

3.3.1 Paralelismo das retas de regressão
A principal hipótese a ser testada em uma análise covariância é, normalmente, a de que
não há efeito dos tratamentos na variável resposta, ajustando–se pelo valor da covariável.
Contudo, antes de proceder o teste desta hipótese, deve–se verificar se o modelo (3.1)
fornece uma descrição apropriada para os dados. Um passo importante neste sentido é a
verificação da suposição que as retas de regressão da resposta em função de covariável,
relativa a cada tratamento, são paralelas.
Para verificar esta suposição, pode–se aplicar o princı́pio da soma de quadrados extra
em um modelo linear geral (ver, por exemplo, Neter et al. (1996, Seção 2.8)). Esta
abordagem se baseia na comparação das somas de quadrados residuais entre o modelo
reduzido (induzido pela hipótese nula) e o modelo completo, cujos parâmetros podem
assumir os valores das hipóteses nula ou da alternativa. O teste F para a hipótese de
interesse usa a estatı́stica
(SQE(R) − SQE(C))/(gl(R) − gl(C))
F = , (3.11)
SQE(C)/gl(C)
3.3. Testes de hipóteses 27
em que SQE(R) e SQE(C) são as somas de quadrados residuais dos modelos reduzido e
completo e gl(R) e gl(C) são, analogamente, os graus de liberdade das respectivas somas
de quadrados destes modelos. Sob a hipótese nula, a estatı́stica (3.11) tem distribuição
F de Snedecor com graus de liberdade gl(R) − gl(C) e gl(C), respectivamente.
A hipótese de paralelismo das retas de regressão pode, então, ser verificada da seguinte
maneira. Tomando–se o modelo (3.1) como modelo reduzido, a soma de quadrados re-
sidual deste modelo dada por SQEy.x em (3.7) tem N − k − 1 graus de liberdade. O
modelo completo é formado pelos mesmos parâmetros e condições do modelo reduzido,
porém com a adição de termos para permitir diferentes coeficientes angulares nas retas
de regressão entre os tratamentos, ou seja
yij = µ + αi + βxij + γ2 I2ij xij + · · · γk Ikij xij + ij , (3.12)
i = 1, 2, ..., k e j = 1, 2, ..., ni , em que
(
1, se i = 2,
I2ij =
0, caso contrário,
..
. (
1, se i = k,
Ikij =
0, caso contrário.
e γ2 ,..., γk representam os incrementos no coeficiente angular da reta de regressão do

tratamento 1 para produzir os respectivos coeficientes angulares das retas dos tratamentos
2,..., k. Portanto, como as retas de regressão entre os tratamentos são paralelas se, e
somente, se γ2 = · · · = γk = 0, as hipóteses de interesse neste caso são
H01 : γ2 = ... = γk = 0
H11 : pelo menos um γi , i = 2, ..., k, é diferente de zero.
Um procedimento conveniente de cálculo da soma de quadrados residual do modelo

completo é a partir da formulação matricial para este modelo
y = Wγ + , (3.13)
com ∼ N (0, σ 2 I),

   
1 0 0 ... 0 x11 0 ... 0 11
 . . . ..    . 
 .. .. ..  .. 

 . 
 µ  
 
 1 0 0 ... 0 x1n1 0 ... 0 α
   
 2   1n1 
  

 1 1 0 ...
  ..   
 0 x21 x21 ... 0 
  .   21 
 
 .. .. .. ..     .. 
 . . . .   αk   . 
W=  1 1 0 ...
, γ = 
  e= .
 0 x2n2 x2n2 ... 0 
  β  
 2n2 

 . . . ..
   . 
 .. .. ..  .. 
  γ 
.   2 
.. 
     
   
 1 0 0 ... 1 xk1 0 ... xk1  
 .   k1 
 .. .. .. .. .. .. ..  .. 
   
 . . . . . . ... .

 γk  . 
1 0 0 ... 1 xknk 0 ... xknk knk
Pela teoria de modelos lineares, como W é de posto completo, o estimador de mı́nimos

quadrados do vetor γ é
γ
b = (b
µ, α
b2 , ..., µ
bk , β,
bγ bk )> = (W> W)−1 W> y
b2 , ..., γ
Tomando-se Pw = W(W> W)−1 W> , a soma de quadrados residual do modelo (3.13)

pode ser escrita como
SQEw = y> (I − Pw )y,
com N − (1 + k − 1 + 1 + k − 1) = N − 2k graus de liberdade associados. A diferença dos

graus de liberdade do modelo reduzido para o modelo completo é, neste caso, N − k −
1 − (N − 2k) = k − 1. Portanto, a estatı́stica F para testar a hipótese H01 é
(SQEy.x − SQEw )/(k − 1)

F = , (3.14)
SQEw /(N − 2k)
Quando H01 é verdadeira, F tem distribuição F de Snedecor com k − 1 no numerador
e N − 2k no denominador. Assim, este teste rejeita H01 em favor de H11 , ao nı́vel
de significância de α, se o valor observado da estatı́stica F em (3.14) for superior a
Fk−1,N −2k (α).
3.3.2 Efeito dos tratamentos

A formulação do teste da hipótese de que não há efeito dos tratamentos depende se as
retas de regressão são paralelas ou não. Se o valor de F em (3.14) é significativo, ou seja
quando há evidências estatı́sticas de não paralelismo, então os efeitos dos tratamentos
devem ser estudados em diferentes valores da covariável.
Se o teste de paralelismo das retas não é significativo, então pode–se testar a hipótese
de que os tratamentos têm efeitos nulos pelo prinicı́pio da soma de quadrados extra
3.3. Testes de hipóteses 29
adotando–se o modelo (3.1) como o modelo completo. A soma de quadrados residual do

modelo completo é dada por SQEy.x em (3.7), com N − k − 1 graus de liberdade. As
hipóteses nula e alternativa de interesse agora correspondem respectivamente a
H02 : α2 = ... = αk = 0
H12 : pelo menos um αi (i = 2, ..., k) é diferente de zero.
O modelo reduzido é obtido impondo–se a restrição α2 = ... = αk = 0 em (3.1), ou seja
yij = µ + βxij + ij , (3.15)
i = 1, ..., k e j = 1, ..., ni , sob as mesmas suposições para os erros aleatórios dadas no

modelo (3.1). A soma de quadrados residual deste modelo é mesma soma de quadrados
em um modelo de regressão linear simples da resposta sobre a covariável, isto é
k X ni
[ ki=1 nj=1 (xij − x̄.. )(yij − ȳ.. )]2
P P i
X
2
SQE = (yij − ȳ.. ) − Pk Pni , (3.16)
2
i=1 j=1 i=1 j=1 (xij − x̄.. )
em que ȳ.. = (1/N ) ki=1 nj=1 yij , x̄.. = (1/N ) ki=1 nj=1
P P i P P i
xij e os correspondentes graus
de liberdade são iguais a N − 2.
Portanto, a estatı́stica F para testar a hipótese H02 é
(SQE − SQEy.x )/(k − 1)
F = , (3.17)
SQEy.x /(N − k − 1)
que, quando H02 é verdadeira, tem distribuição F de Snedecor com (N −2)−(N −k −1) =
k − 1 no numerador e N − k − 1 no denominador. Seja Fk−1,N −k−1 (α) o quantil 100(1 − α)
desta distribuição. Portanto, o teste para H02 rejeita esta hipótese em favor de H12 , ao
nı́vel de significância de α, se o valor observado da estatı́stica F em (3.17) for superior a
Fk−1,N −k−1 (α).
3.3.3 Coeficiente angular nulo

Outra hipótese que pode ser testada em uma análise de covariância é de que não há efeito
da covariável na E(yij ), ajustando–se pelos efeitos dos tratamentos. As hipóteses nula e
alternativa para este caso são:
H03 : β = 0
H13 : β 6= 0
e o teste correspondente pode também ser realizado pelo princı́pio da soma de quadra-
dos extra. Para testar estas hipóteses, impõe–se a restrição sobre β em H03 no modelo
completo (3.1), obtendo–se o modelo reduzido
yij = µ + αi + ij , (3.18)

i = 1, ..., k e j = 1, ..., ni , com α1 = 0 e os erros aleatórios tendo as mesmas suposições

do modelo (3.1). Este modelo corresponde a um modelo de ANOVA sem covariáveis. A
soma de quadrados residual deste modelo reduzido é
ni
k X
X
SQE = eyy = (yij − ȳi. )2 ,
i=1 j=1
com N − k graus de liberdade. Logo, por (3.7), a diferença entre as somas de quadrados
residuais dos modelos reduzidos e completo é
e2xy
SQE − SQEy.x = ,
exx
com N − k − (N − k − 1) = 1 grau de liberdade. Assim, a estatı́stica do teste para H03 é
e2xy /exx
F = (3.19)
SQEy.x /(N − k − 1)
e deve–se rejeitar H03 : β = 0 em favor de H13 : β 6= 0 se F for superior a F1,N −k−1 (α).
3.4 Intervalos de confiança para médias ajustadas

Suponha que a hipótese H02 de que os tratamentos não têm efeito, ajustando–se pela
covariável, é rejeitada. Então, pode–se proceder uma análise de quais tratamentos são
estatisticamente diferentes dos demais. Outra possibilidade é a análise de contrastes entre
as médias dos tratamentos.
Em um modelo de análise de covariância as médias de maior interesse são estimativas
dos valores esperados da resposta para um determinado valor x0 da covariável. Contudo,
como estas médias dependem do valor x0 escolhido, costuma–se estimá-las tomando–se
x0 = x̄.. , ou seja
µi = E(yij ) = µ + αi + β x̄.. .
De acordo com (3.4) e (3.5), a estimativa de µi é dada por
µ
bi = µ bi + βbx̄.. = ȳi. − β(x̄
b+α b i. − x̄.. ), i = 1, ..., k.
Estas quantidades são denominadas de médias ajustadas ou médias de mı́nimos quadrados.

Intervalos de confiança para as médias ajustadas podem ser construı́dos adaptando–se
procedimentos inferenciais sobre médias de populações normais. Tamhane (2009), por
exemplo, estabelece que sob o modelo (3.1)
(x̄i. − x̄.. )2

2 1
bi ∼ N µi , σ
µ +
ni exx
3.4. Intervalos de confiança para médias ajustadas 31
e
(x̄i. − x̄i0 . )2

2 1 1
bi − µ
µ bi0 ∼ N µi − µi0 , σ + + .
ni ni0 exx
Assim, um intervalo de 100(1 − α)% de confiança para µi é dado por

s
1 (x̄i. − x̄.. )2
bi ± tν,α/2 sy.x
µ + ,
ni exx
em que tν,α/2 representa o (1−α/2) quantil da distribuição t de Student com N −k−1 graus
de liberdade e sy.x = SQEy.x/(N − k − 1). Similarmente, um intervalo de 100(1 − α)%
de confiança para µi − µi0 é dado por
s
1 1 (x̄i. − x̄i0 . )2
bi − µ
µ bi0 ± tν,α/2 sy.x + + (3.20)
ni ni0 exx
Neter et al. (1996, p. 1024-1025) sugerem que quando uma famı́lia de intervalos deva ser
construı́da, então métodos para inferência simultânea, tais como Scheffé e Bonferroni,
sejam aplicados, mas que o método de Tukey não é apropriado neste contexto de análise
de covariância.
33
4 Análise dos resultados
Consideram-se agora as análises dos dados do estudo experimental descrito no Capı́tulo 2.

Análises de covariância são empregadas para avaliar efeitos dos tratamentos e covariáveis
nas variáveis pós-teste RAVLT relacionadas com a evocação espontânea, memória de
curto prazo, velocidade de esquecimento e interferência pró e retroativa. Detalhes da
metodologia estatı́stica utilizada são apresentados no Capı́tulo 3.
Todas as análises foram realizadas com o uso do software R (R Core Team, 2015). Um
modelo do programa computacional usado nesse software é dado no Apêndice B. Para
cada variável, os seguintes modelos foram ajustados para testar as hipóteses de interesse:
Modelo 1: yij = µ + βxij + ij

Modelo 2: yij = µ + αi + ij
(4.1)
Modelo 3: yij = µ + αi + βxij + ij
Modelo 4: yij = µ + αi + βxij + γ2 I2ij xij + · · · γk Ikij xij + ij ,
em que I`ij = 1 se i = ` e I`ij = 0 se i 6= `, ` = 2, ..., k. Estes modelos são definidos

em (3.15),(3.18), (3.1) e (3.12). Cada modelo ajustado, foi submetido às verificações das
correspondentes suposições de normalidade e variâncias constante dos erros aleatórios.
Infelizmente, o conjunto de dados fornecido não continha informações sobre a ordem
em que as observações foram obtidas para permitir uma investigação sobre violações da
suposição de independência das observações. Nos casos em que violações foram detectadas,
transformações pelo método de Box-Cox foram aplicadas na variável dependente e também
na covariável para manter a mesma escala para ambas variáveis.
4.1 Evocação espontânea

As tentativas A1 a A7 para registrar o reconhecimento das palavras do questionário
RAVLT referem-se à evocação das palavras lidas da lista A. Contudo, apenas as cinco
primeiras tentativas (A1 até A5) são precedidas da leitura dessa lista. Já as tentativas A6
e A7 são consideradas “tentativas de evocação espontânea”, já que, como a nomenclatura
adotada sugere, não há leitura prévia da lista ao sujeito nessa fase do teste.
4.1.1 Tentativa A6
As análises a seguir consideram o escore pós-teste na tentativa A6 como variável depen-
dente e o escore pré-teste na tentativa A6 como covariável. Inicialmente, procedeu–se o
teste de paralelismo das retas de regressão. De acordo com (3.18), este teste é obtido
pela comparação das somas de quadrados dos resı́duos do Modelo 3 (reduzido) e Modelo
34 Capı́tulo 4. Análise dos resultados
4 (completo). Análises dos resı́duos destes modelos foram realizadas para verificar as
suposições dos mesmos, não se detectando nenhuma evidência de violação. A Tabela 1
apresenta os graus de liberdade (GLE) e soma de quadrados residuais (SQE) para estes
dois modelos, a diferença dos graus de liberdade (GL) e a diferenca das somas de qua-
drados residuais entre o modelo reduzido e o modelo completo (SQ), a estatı́stica F e o
correspondente p-valor para o teste. Portanto, não há evidências estatı́sticas para rejei-
tar a hipótese de paralelismo das retas de regressão dos tratamentos (F = 0,16 com 3
e 33 graus de liberdade, P = 0,92), indicando que os efeitos dos tratamentos ajustados
pela covariável e o efeito da covariável ajustado pelos tratamentos podem ser estudados
separadamente um do outro.
Tabela 1 – Teste de paralelismo das retas de regressão da análise

de covariância para o escore pós-teste na tentativa A6
Modelo GLE SQE GL SQ F Pr(>F)
3 36 209,40
4 33 206,46 3 2,94 0,16 0,9246
Os ajustes pelo método dos mı́nimos quadrados pelos Modelos 1, 2 e 3 permitem testar
as hipóteses sobre os efeitos ajustados dos tratamentos e do efeito ajustado da covariável.
Ao ajuste de modelo de retas paralelas da regressão dos tratamentos (Modelo 3) foram
verificadas as correspondentes suposições de normalidade dos erros aleatórios pelo teste
Shapiro–Wilk (estatı́stica W = 0,98, P = 0,75) e variâncias constantes pelo teste de Levene
(F = 0,64, com 3 e 37 graus de liberdade, e P = 0,59), não se observando evidências
de violação dessas suposições. Os gráficos dos resı́duos padronizados do Modelo 3 na
Figura 8 no Apêndice A corroboram os resultados obtidos nesses testes. Estes gráficos
não indicam instabilidade da variância dos resı́duos versus os valores preditos e versus
os tratamentos. Também, o gráfico dos resı́duos padronizados versus a covariável não
sugere alguma possibilidade de efeito não linear dessa covariável nos escores pós-teste.
Por último, o gráfico de probabilidade Normal sugere que a suposição de normalidade dos
erros aleatórios no Modelo 3 parece razoável, uma vez que todos os resı́duos se encontram
dentro do envelope para a reta esperada.
As estimativas e erros padrão dos parâmetros do Modelo 3 são dados na Tabela 2. A
soma de quadrados residual para este modelo, dada na Tabela 1, é SQEy.x = 209,40 com
N − k − 1 = 41 − 4 − 1 = 36 graus de liberdade, levando a estimativa da variância do
erro experimental σ b2 = s2y.x = 209,40/36 = 5,82. As somas de quadrados residuais dos
Modelos 1 e 2 são 248,58 e 319,01 com 39 e 37 graus e liberdade, respectivamente. Assim,
as estimativas de σ 2 por estes modelos são 248,58/39 = 6,37 e 319,01/37 = 8,62.
A Figura 2 exibe um diagrama de dispersão para os escores pós teste versus os escores
pré-teste para cada tratamento com as respectivas retas ajustadas pelo Modelo 3. De
acordo com a Tabela 3, que contém as somas de quadrados diferenciais (Tipo III) para
4.1. Evocação espontânea 35
Tabela 2 – Estimativas de mı́nimos quadrados e erros padrões para

os parâmetros do Modelo 3 da análise de covariância
para o escore pós-teste na tentativa A6
Coeficiente Estimativa Erro padrão
µb 4,8967 1,4013
βb 0,5608 0,1292
α
b2 0,2711 1,0571
α
b3 1,0142 1,1336
α
b4 2,5365 1,0814
20
Controle
TC
HS
TC+HS
Resposta pós tratamento
15
10
5
2 4 6 8 10 12 14
Resposta pré tratamento
Figura 2 – Dispersão dos escores pós-teste e pré-teste na tentativa A6 para os quatro

tratamentos. Retas de regressão são estimadas sob paralelismo
testar o efeito entre o modelo reduzido e completo, a estatı́stica para testar a significância
dos efeitos dos tratamentos ajustados pela covariável é F = 2,25 com 3 e 36 graus de
liberdade (P = 0,099). Assim, há evidências estatı́sticas moderadas de diferenças entre
as médias dos tratamentos ao nı́vel de significância de 10%, mas não ao nı́vel de 5%.
Esta evidência sobre os efeitos dos tratamentos controlando–se pela covariável pode,
de certa forma, ser melhor entendida com base nas médias ajustadas dadas na Tabela 4.
O Tratamento que combina higiene do sono com treino cognitivo apresenta, em média,
duas palavras a mais do que a média dos outros três tratamentos. Usando (3.20), in-
tervalos de confiança de aproximadamente 90% de confiança para a diferença de médias
dos tratamentos TC, HS e TC+HS para a média ajustada do tratamento controle são
respectivamente (-1,56; 2,10), (-1,48; 3,51) e (0,67; 4,40). Portanto, indivı́duos submeti-
Tabela 3 – Análise de variância para os testes ajustados dos efeitos

dos tratamentos e da covariável para o escore pós-teste
na tentativa A6
Fonte SQ GL F Pr(>F)
Intercepto 71,02 1 12,21 0,0013
A6 (pré) 109,61 1 18,84 0,0001
Tratamentos 39,18 3 2,25 0,0997
Resı́duos 209,40 36
dos a combinação dos tratamentos TC + HS apresentam um número médio (ajustado)

de palavras recordadas na tentativa A6 de pelo menos 0,7 e no máximo 4,4 a mais do
que o número médio dos indivı́duos sob o tratamento controle. Os tratamentos TC e
HS, quando aplicados isoladamente, não apresentam diferenças significativas em relação
ao controle. Também, pode–se observar na Tabela 4, que os erros padrões das médias
ajustadas são próximos de 0,8 unidade. Esse resultado sugere a necessidade de um expe-
rimento com maior número de réplicas de cada tratamento para permitir uma distinção
mais clara entre os tratamentos.
Tabela 4 – Médias ajustadas para o escore pós-teste na ten-

tativa A6 com erros padrões
Tratamento Média Erro padrão
Controle 9,45 0,77
TC 9,72 0,73
HS 10,47 0,79
TC+HS 11,99 0,76
Já o teste para verificar o efeito da covariável ajustado pelos tratamentos, linha da
fonte de variação A6 (pré) na Tabela 3, é fortemente significativo (F = 18,84 com 1
e 36 graus de liberdade, P = 0,0001). Assim, os escores de evocação espontânea pós
tratamentos estão positivamente correlacionados com os escores de evocação espontânea
pré tratamentos (βb = 0,56, erro padrão = 0,13).
A eficiência da inclusão da covariável é dada por E = 8,62/5,82 = 1,48, sugerindo que
seriam necessárias 48% mais réplicas para que um modelo de análise de variância sem a
covariável atingisse a mesma precisão dos efeitos dos tratamentos sob o modelo de análise
de covariância que usa os escores pré-teste como covariável.
4.1.2 Tentativa A7
Agora, procedem-se as análises para o escore pós-teste na tentativa A7 como variável
dependente e o escore pré-teste na tentativa A7 como covariável. De maneira análoga
as análises na Seção 4.1.1, procedeu–se inicialmente as análises dos resı́duos do Modelo
4, não se observando nenhuma evidência de violação das suposições desse modelo. O
4.1. Evocação espontânea 37
teste de paralelismo das retas de regressão foi também obtido comparando–se as somas de
quadrados dos resı́duos do Modelo 3 (reduzido) e Modelo 4 (completo). De acordo com a
Tabela 5, não há razões para rejeitar a hipótese de paralelismo das retas de regressão dos
tratamentos (F = 0,48 com 3 e 33 graus de liberdade, P = 0,70).

de covariância para o escore pós-teste na tentativa A7
3 36 195,78
4 33 187,57 3 8,21 0,48 0,6975
Para os resı́duos do modelo ajustado com retas de regressão paralelas entre os trata-
mentos (Modelo 3), o teste de Shapiro-Wilk apresenta o valor da estatı́stica de teste W
= 0,98 e valor P = 0,85. O teste de Levene para homogeidade das variâncias entre os
tratamentos tem F = 0,17, com 3 e 37 graus de liberdade, e P = 0,92. Portanto, não há
evidencias contra as suposições de normalidade e variância constante dos erros aleatórios
sob o Modelo 3. Estas conclusões podem ser visualizadas com os gráficos na Figura 9
no Apêndice A. Percebe–se também desta figura que não é evidente se há um efeito não
linear da covariável na resposta.
As estimativas e erros padrão dos parâmetros do Modelo 3 são dados na Tabela 6. A
Tabela 6 – Estimativas de mı́nimos quadrados e erros padrões para

os parâmetros do Modelo 3 da análise de covariância
para o escore pós-teste na tentativa A7
µb 4,6292 1,2739
βb 0,7555 0,1251
α
b2 -1,3582 1,0194
α
b3 -0,4178 1,0555
α
b4 -0,3311 1,0520
soma de quadrados residual para este modelo é SQEy.x = 195,78 com 41 − 4 − 1 = 36

graus de liberdade. A estimativa da variância do erro experimental sob este modelo é
b2 = s2y.x = 195,78/36 = 5,44. As somas de quadrados residuais dos Modelos 1 e 2 são
σ
206,64 e 393, 98 com 39 e 37 graus e liberdade, respectivamente, e as correspondentes
estimativas de σ 2 por estes modelos são 206,64/39 = 5,30 e 393,98/37 = 10,65.
O diagrama de dispersão para os escores pós-teste versus os escores pré-teste para cada
tratamento com as respectivas retas ajustadas pelo Modelo 3 é exibido na Figura 3. De
acordo com a Tabela 7, a estatı́stica para testar a significância dos efeitos dos tratamentos
ajustados pela covariável é F = 0,67 com 3 e 36 graus de liberdade (P = 0,58). Assim,
não há evidências estatı́sticas de diferenças entre as médias ajustadas dos tratamentos ao
nı́vel de significância de 5%, conforme pode–se perceber nas relações das médias ajustadas
20
Controle
TC
HS
TC+HS
15
10
5
2 4 6 8 10 12 14
Figura 3 – Dispersão dos escores pós-teste e pré-teste na tentativa A7 para os quatro

e erros padrões da Tabela 8. Neste sentido, o efeito dos tratamentos combinados foi mais
forte na tentativa A6, do que na A7.
O teste para verificar se há efeito linear da escore A7 pré-teste no correspondente
escore pós-teste, ajustado pelos tratamentos é, a exemplo do resultado desse teste na
análise do escore A6, fortemente significativo (F = 36,44 com 1 e 36 graus de liberdade,
P < 0,0001). Este teste sugere que o modelo de análise de covariância é mais apropriado
para comparar os efeitos dos tratamentos do que o modelo de análise de variância que
ignora os escores pré-teste, uma vez que os escores de evocação espontânea pós-teste na
tentativa A7 estão positivamente correlacionados com os correspondentes valores pré-teste
(β̂ = 0,76, erro padrão = 0,13).

dos tratamentos e da covariável para o escore pós-teste
na tentativa A7
Intercepto 71,81 1 13,21 0,0009
A7 (pré) 198,20 1 36,44 <0,0001
Tratamentos 10,86 3 0,67 0,5787
A eficiência da inclusão da covariável é dada por E = 10,65/5,44 = 1,96, sugerindo

4.2. Memória de curto prazo 39
Tabela 8 – Médias ajustadas para o escore pós-teste na ten-

tativa A7 com erros padrões
Controle 10,91 0,74
TC 9,55 0,70
HS 10,50 0,76
TC+HS 10,58 0,75
que seriam necessárias 96% mais réplicas para que um modelo de análise de variância
sem a covariável atingisse a mesma precisão dos efeitos dos tratamentos sob o modelo de
análise de covariância que usa os escores pré-teste como covariável.
4.2 Memória de curto prazo

Os testes A1 até A5 se relacionam com a memória de curto prazo (COTTA et al., 2012),
tendo em vista que cada um dos cinco testes é precedido da leitura da lista A. Ao
somatório dos acertos das cinco primeiras tentativas de evocação (A1 até A5) é dado o
nome de “escore de aprendizagem” (que adiante será chamado de Total ).
As análises a seguir consideram o escore total pós-teste como variável dependente e o
escore total pré-teste como covariável. Os quatro modelos de interesse foram ajustados
pelo método dos Mı́nimos Quadrados e as análises dos resı́duos também não detectaram
nenhuma evidência de violação das suposições do Modelo 4. O resultado do teste de
paralelismo entre as retas de regressão para cada tratamento é dado na Tabela 9. Portanto,
não se observa evidências estatı́sticas contra a hipótese de paralelismo (F = 0,35 com 3 e
33 graus de liberdade, P = 0,79).

de covariância para o escore total pós-teste
3 36 1431,99
4 33 1388,29 3 43,70 0,35 0,7921
Uma vez que o modelo de retas paralelas entre os tratamentos fornece uma repre-
sentação adequada dos dados, realiza–se a análise dos resı́duos do Modelo 3. As es-
tatı́sticas do teste de normalidade de Shapiro-Wilk e do teste de Levene para homegenei-
dade das variâncias entre os tratamentos são respectivamente W = 0,96 (P = 0,18) e F =
0,58 (com 3 e 37 graus de liberdade, P = 0,63), não se observando evidências estatı́sticas
de violação dessas suposições. Os gráficos na Figura 10 no Apêndice A suportam estas
conclusões e não evidenciam um efeito não linear da covariável na resposta.
O ajuste do Modelo 3 para o escore total pós-teste pode ser sumarizado pelas estima-
tivas e erros padrão dos parâmetros do Modelo 3 que são dados na Tabela 10. Também,
Tabela 10 – Estimativas de mı́nimos quadrados e erros padrões

para os parâmetros do Modelo 3 da análise de co-
variância para o escore total pós-teste
µb 12,7256 5,3811
βb 0,9390 0,1207
α
b2 -4,5104 2,7577
α
b3 -0,6013 2,8485
α
b4 -3,5634 2,8215
a soma de quadrados residual para este modelo, é SQEy.x = 1432,0 com 36 graus de li-
berdade, levando a estimativa da variância do erro experimental σ b2 = s2y.x = 1432,0/36 =
39,78. Estas somas de quadrados residuais para os Modelos 1 e 2 são 1580,8 e 3838, 6 com
39 e 37 graus e liberdade, e as estimativas de σ 2 para estes modelos são 1580,8/39 = 40,53
e 3838,6/37 = 103,74.
A relação entre os escores totais pós-teste versus os escores totais pré-teste para cada
tratamento pode ser visualizada na Figura 4. De acordo com a Tabela 11, não há efeitos
Controle
70
TC
HS
TC+HS
60
50
40
30
20
25 30 35 40 45 50 55
Figura 4 – Dispersão dos escores totais pós-teste e pré-teste para os quatro tratamentos.
Retas de regressão são estimadas sob paralelismo
dos tratamentos ajustados pela covariável significativamente diferentes de zero (F = 1,25

com 3 e 36 graus de liberdade, P = 0,31), sugerindo uma homogeneidade entre os escores
totais médios dos quatros tratamentos, ajustados pelos valores dos escores totais anteriores
4.3. Velocidade de esquecimento 41
à aplicação dos tratamentos. Pelas análise das médias ajustadas na Tabela 12, nota–se

dos tratamentos e da covariável para o escore total pós-
teste
Intercepto 222,46 1 5,59 0,0235
Total (pré) 2406,62 1 60,50 <0,0001
Tratamentos 148,78 3 1,25 0,3072
uma pequena desvantagem no número de médio ajustado de palavras dos tratamentos TC,
HS e TC+HS em relação ao Controle, e erros padrões dessas médias quase iguais entre
si e próximos de duas unidades. Este comportamento dos grupos tratados em relação
ao grupo controle precisa ser melhor entendido, seja com experimentações adicionais ou
buscando–se uma melhor interpretação para este resultado.
A Tabela 11 ainda revela que o teste para verificar o efeito da covariável ajustado
pelos tratamentos é fortemente significativo (F = 60, 50 com 1 e 36 graus de liberdade,
P < 0,0001), indicando a correlação positiva entre os escores totais pré e pós-teste (βb =
0,94, erro padrão = 0,12).
Tabela 12 – Médias ajustadas para o escore total pós-teste

com erros padrões
Controle 51,20 2,00
TC 46,69 1,91
HS 50,60 2,02
TC+HS 47,64 2,00

que seriam necessárias duas vezes e meia o número de réplicas para que um modelo de
análise de variância sem a covariável atingisse a mesma precisão dos efeitos dos tratamen-
tos sob o modelo de análise de covariância que usa os escores pré-teste como covariável.
4.3 Velocidade de esquecimento

Segundo Cotta et al. (2012), a velocidade de esquecimento avalia a vulnerabilidade do
conteúdo apreendido à passagem do tempo. Essa caracterı́stica é medida pela razão entre
os escores A7 e A6, ou seja A7/A6. Nota-se, por essa definição, que valores menores que
1 indicam esquecimento e valores maiores ou iguais a 1 indicam o oposto.
Nas análises seguintes, a variável dependente é o ı́ndice de esquecimento pós-teste e a
variável dependente é o valor deste ı́ndice com as medidas pré-teste. Os quatro modelos
definidos no ı́nicio deste capı́tulo foram ajustados. A análise dos resı́duos para o Modelo 4
sugeriu evidências de violações das suposições normalidade e/ou variância constante. Por
isso, aplicou–se o procedimento de Box-Cox para encontrar uma transformação para a
variável dependente em que tais suposições fossem adequadas. A transformação sugerida
foi a logarı́tmica, a qual foi aplicada não só no ı́ndice de esquecimento pós-teste, mas
também no ı́ndice pré-teste.
A estatı́stica para testar a hipótese de paralelismo das retas de regressão dos tratamen-
tos, usando os dados transformados, é dada na Tabela 13. Portanto, não há evidências
estatı́sticas para rejeitar a hipótese de paralelismo das retas de regressão ao dos trata-
mentos ao nı́vel de 5% (F = 2,48 com 3 e 33 graus de liberdade, P = 0,08).

de covariância para o ı́ndice de esquecimento pós-teste

3 36 1,59
4 33 1,29 3 0,29 2,48 0,0782
As estatı́sticas de Shapiro-Wilk e do teste de Levene para verificar as suposições de

normalidade e variância constante no Modelo 3, usando os dados das variáveis pré-teste
e pós-teste na escala logarı́tmica, são W = 0,96 (P = 0.15) e F = 0.75 (com 3 e 33 graus
de liberdade, P = 0,53), indicando portanto que ambas suposições são razoáveis para a
análise. Os gráficos correspondentes para análise residual estão na Figura 11 do Apêndice
A. Nestes gráficos, a anomalia mais aparente é no gráfico de probabilidade normal, em
que um resı́duo padronizado não se situa dentro do envelope esperado. Porém, o valor
deste resı́duo está próximo da “fronteira” definida pelo envelope e, espera-se, que ele não
seja uma observação influente para comprometer as conclusões da análise dos resultados
para este ı́ndice.
As estimativas e erros padrão dos parâmetros do Modelo 3 são dados na Tabela 14.
Este ajuste tem uma soma de quadrados residual igual a SQEy.x = 1,59 com 36 graus

variância para o ı́ndice de esquecimento pós-teste
µb 0,0651 0,0668
βb -0,0745 0,0874
α
b2 -0,1047 0,0919
α
b3 -0,0463 0,0954
α
b4 -0,1388 0,0953
b2 = s2y.x =
de liberdade, produzindo uma estimativa da variância do erro experimental σ
4.3. Velocidade de esquecimento 43
1,59/36 = 0, 04. As somas de quadrados residuais dos Modelos 1 e 2 são 1,70 e 1,62 com
39 e 37 graus e liberdade, respectivamente. Assim, as estimativas de σ 2 por estes modelos
são 1,70/39 = 0,04 e 1,62/37 = 0,04.
A Figura 5 exibe o diagrama de dispersão para os ı́ndices de esquecimento pós teste
versus os valores pré-teste para cada tratamento com as respectivas retas ajustadas pelo
Modelo 3. O teste para a hipótese de que não há efeito dos tratamentos ajustado pela
1.0
Controle
TC
HS
TC+HS
0.5
0.0
−0.5
−1.0
−2 −1 0 1 2
Figura 5 – Dispersão dos ı́ndices de esquecimento pós-teste e pré-teste para os quatro

covariável é dado na Tabela 15. Assim, não há evidências estatı́sticas de diferenças entre
as médias dos tratamentos ao nı́vel de significância de 5% (F = 0,86 com 3 e 36 graus de
liberdade, P = 0,47). As médias ajustadas estimadas são dadas na Tabela 16. Nota–se
um menor número médio do ı́ndice de esquecimento transformado nos tratamentos TC
e TC+HS em relação ao controle e ao HS (mas, erros padrões aproxidamente iguais).
É importante notar que esta escala é logarı́tmica, isto implica que os valores negativos
são aqueles onde se observou valor do ı́ndice menor que 1 na razão A7/A6 dos valores
originais, ou seja, indicando maior esquecimento em algum nı́vel. No presente caso, essas
diferenças não foram significativas.
O teste para verificar o efeito da covariável ajustado pelos tratamentos também não
foi significativo (F = 0,73 com 1 e 36 graus de liberdade, P = 0,40). Assim, os valores do
ı́ndice de esquecimento pré-teste não tem correlação linear significativa com os valores do
ı́ndice pós-teste (βb = -0,07, erro padrão = 0,09).
Tabela 15 – Análise de variância para os testes ajustados dos efei-

tos dos tratamentos e da covariável para o ı́ndice de
esquecimento pós-teste
Intercepto 0,04 1 0,95 0,3365
Esquecimento (pré) 0,03 1 0,73 0,3998
Tratamentos 0,11 3 0,86 0,4726
Resı́duos 1,59 36
Tabela 16 – Médias ajustadas para o ı́ndice de esquecimento

pós-teste com erros padrões
Controle 0,06 0,07
TC -0,04 0,06
HS 0,02 0,07
TC+HS -0,08 0,07
A eficiência da inclusão da covariável é dada por E = 0,04/0,04 = 1, sugerindo que

o modelo de análise de variância sem a covariável tem a mesma precisão dos efeitos dos
tratamentos que o modelo de análise de covariância que usa os escores pré-teste como
covariável. Isto implica não haver necessidade de se utilizar a técnica ANCOVA para esse
caso e os efeitos dos tratamentos poderiam ser estimados e testados por um modelo de
análise de variância (ANOVA) com o fator de tratamentos sem a covariável.
4.4 Índices de interferência

A seguir serão analisados o ı́ndice de interferência proativa (B1/A1) e o ı́ndice de inter-
ferência retroativa (A6/A5). Estes ı́ndices tratam da capacidade do sujeito em resistir
ao efeito de distratores proativos (interferência de um conteúdo anteriormente aprendido
sobre a aprendizagem de um novo conteúdo) e, da avaliação da interferência de um novo
conteúdo na aprendizagem de um conteúdo anteriormente aprendido), respectivamente
(COTTA et al., 2012).
4.4.1 Interferência proativa

As análises desta seção consideram o ı́ndice de interferência pro-ativa pós-teste como
variável dependente, tomando–se a versão pré-teste deste ı́ndice como covariável. O
procedimento de Box-Cox aplicado aos resı́duos do Modelo 4 sugeriu a necessidade de
transformar os dados da variável dependente para a recı́proca da raiz quadrada, ou seja
√
1/ y. Esta mesma transformação foi aplicada a covariável. A análise residual para o
4.4. Índices de interferência 45
modelo ajustado com os dados transformados não evidenciou suspeitas de violações da

normalidade e variância homogênea das observações ou efeito não linear da covariável.
Com base nos ajustes dos Modelos 3 e 4 na escala transformada, realizou–se o teste
de paralelismo cujos resultados são dados na Tabela 17. Este teste não indica, portanto,
evidências estatı́sticas para rejeitar a hipótese de paralelismo das retas de regressão dos
tratamentos (F = 1,09 com 3 e 33 graus de liberdade, P = 0,37).

de covariância do ı́nidice de interferência proativa pós-
teste
3 36 1,46
4 33 1,33 3 0,13 1,09 0,3670
O ajuste do Modelo 3 foi submetido a verificação das suposições de normalidade e

variâncias constantes. Os testes de Shapiro-Wilk e de Levene forneceram respectivamente
as estatı́sticas W = 0,99 e (P = 0,99) e F = 0,68 (com 3 e 33 graus de liberdade, P =
0,57), não revelando portanto indı́cios de violações dessas suposições. Uma análise gráfica
que estas suposições são razoáveis é dada na Figura 12 no Apêndice A.
As estimativas e erros padrão dos parâmetros do Modelo 3 são dados na Tabela 18. Os

para os parâmetros do Modelo 3 (escala transformada)
da análise de covariância para o ı́ndice de interferência
proativa pós-teste
µb 0,8500 0,1733
βb 0,3823 0,1578
α
b2 -0,1767 0,0880
α
b3 -0,1297 0,0904
α
b4 -0,0372 0,0912
resı́duos deste modelo tem soma de quadrados SQEy.x = 1,46 com 36 graus de liberdade.
A correspondente estimativa da variância do erro experimental σ b2 = s2y.x = 1,46/36 =
0,04. Os Modelos 1 e 2 produzem soma de quadrados residuais iguais a 1,66 e 1,70 com
39 e 37 graus e liberdade, respectivamente. Assim, as estimativas de σ 2 por estes modelos
são 1,66/39 = 0,04 e 1,70/37 = 0,04.
O diagrama de dispersão para os ı́ndices de interferência proativa (transformados) pós
e pré-teste e as respectivas retas ajustadas de cada tratamento pelo Modelo 3 são dados
na Figura 6. De acordo com os testes na Tabela 19, não há evidências estatı́sticas de
diferenças entre as médias dos tratamentos ao (F = 1,68 com 3 e 36 graus de liberdade,
P = 0,19). A Tabela 20 mostra as diferenças nas médias das variáveis transformadas
3.0
Controle
TC
HS
2.5 TC+HS
2.0
1.5
1.0
0.5
0.0
0.5 1.0 1.5 2.0
Figura 6 – Dispersão dos ı́ndices de interferências proativa pós-teste e pré-teste para os

quatro tratamentos. Retas de regressão são estimadas sob paralelismo
(elevando-se as variáveis originais a −1/2), indicando que na escala original maiores valores
para interferência proativa foram em média sob o tratamentos TC, depois HS, seguido
por TC+HS, em relação ao tratamento controle. Contudo, pelo teste discutido acima tais
diferenças entre as médias ajustadas não foram estatisticamente significativas.
O teste sobre o efeito da covariável ajustado pelos tratamentos, segunda linha da
Tabela 19, é significativo (F = 5,87 com 1 e 36 graus de liberdade, P = 0,02). Assim,
detecta–se que há um efeito linear positivo do ı́ndice de interferência proativa pré-teste
no correspondente ı́ndice pós-teste (βb = 0,38, erro padrão = 0,16), justificando o uso
da análise de covariância em relação a um modelo com efeito apenas dos tratamentos
(Modelo 2).

tos dos tratamentos e da covariável para o ı́ndice de
interferência proativa pós-teste
Intercepto 0,98 1 24,06 <0,0001
Proativa (pré) 0,24 1 5,87 0,0206
Tratamentos 0,20 3 1,68 0,1889
Resı́duos 1,46 36
Tabela 20 – Médias ajustadas o ı́ndice de interferência proa-

tiva pós-teste com erros padrões
Controle 1,24 0,06
TC 1,06 0,06
HS 1,11 0,06
TC+HS 1,20 0,07
A eficiência devido a inclusão da covariável é E = 0,046/0,04 = 1,13. Assim, estima–

se que seriam necessárias 13% mais réplicas para que um modelo de análise de variância
sem a covariável atingisse a mesma precisão dos efeitos dos tratamentos sob o modelo de
análise de covariância que usa o ı́ndice pré-teste como covariável.
4.4.2 Interferência retroativa

A análise de covariância para o ı́ndice de interferência retroativa pós-teste usando os
valores pré-teste deste ı́ndice como covariável é discutida a seguir. Uma análise de resı́duos
inicial nos resı́duos do ajuste de mı́nimos quadrados para o Modelo 4 evidenciou possı́vel
violação na suposição de normalidade das medidas. O procedimento de Box-Cox sugeriu
a transformação cúbica, a qual foi aplicada aos dados de ambas as variáveis dependente
e covariável. A análise residual nesta nova escala não revelou possibilidades de violações
das normalidade e homogeneidade das variâncias.
Pelo ajuste dos Modelos 3 e 4 na escala transformada realizou–se o teste da hipótese
de paralelismo das retas de regressão para os quatro tratamentos. Os resultados dados na
Tabela 21 suportam esta hipótese (F = 1,03 com 3 e 33 graus de liberdade, P = 0,39).

de covariância para o ı́ndice de interferência retroativa
pós-teste
1 36 2,77
2 33 2,53 3 0,24 1,03 0,3923
Submetendo–se o modelo de retas paralelas da regressão dos tratamentos (Modelo 3)

a correspondente verificação das suposições normalidade e homogeneidade das variâncias,
obteve–se pelos testes de Shapiro-Wilk e de Levene as estatı́sticas W = 0,97 (P = 0,37)
e F = 0,84 (com 3 e 33 graus de liberdade, P = 0,48), não se detectando portanto
evidências de violação dessas suposições. O resultado destes testes é confirmada pelos
gráficos residuais na Figura 13, no Apêndice A. Nesta figura, também não se observa
evidências de efeito não linear da covariável.
As estimativas e erros padrão dos parâmetros do Modelo 3 são dados na Tabela 22.
A soma de quadrados residual deste modelo é SQEy.x = 2,77 com 36 graus de liberdade

variância para o ı́ndice de interferência retroativa pós-
teste
µb 0,6341 0,1379
βb 0,0482 0,1536
α
b2 -0,1242 0,1291
α
b3 -0,1357 0,1385
α
b4 0,1517 0,1282
b2 = s2y.x = 2,77/36 = 0,08. As somas

e a estimativa da variância do erro experimental σ
de quadrados residuais dos Modelos 1 e 2 são 3,29 e 2,78 com 39 e 37 graus e liberdade,
respectivamente. Assim, as estimativas de σ 2 por estes modelos são 3,29/39 = 0,08 e
2,78/37 = 0,07.
A Figura 7 ilustra o diagrama de dispersão para valores dos ı́ndices de interferência
retroativa pós e pré-teste, juntamente com com as respectivas retas de regressão para cada
tratamento. Pelos resultados dos testes na Tabela 23, conclui-se que não há evidências
2.0
Controle
TC
HS
TC+HS
1.5
1.0
0.5
0.0
−0.5
0.0 0.5 1.0 1.5
Figura 7 – Dispersão dos ı́ndices de interferências retroativa pós-teste e pré-teste para os

quatro tratamentos. Retas de regressão são estimadas sob paralelismo
estatı́sticas de diferenças entre as médias ajustadas dos tratamentos ao nı́vel de signi-

ficância de 5% (F = 2,25 com 3 e 36 graus de liberdade, P = 0,10), mas tais diferenças
são significativas ao nı́vel de 10%. A Tabela 24 mostra as diferenças nas médias das
variáveis transformadas (elevando-se as variáveis originais à terceira potência).Usando
(3.20), intervalos de 90% de confiança para as diferenças dos grupos TC, HS e TC + HS e
o grupo controle são respectivamente (-0,38; 0,13), (-0,43; 0,16) e (-0,09; 0,39), tornando
necessária investigações adicionais com maior número de indivı́duos, por exemplo, para
se ter maior precisão na comparação destes tratamentos.
O teste para a hipótese de que não há efeito da covariável ajustado pelos tratamentos
também não é significativo (F = 0,10 com 1 e 36 graus de liberdade, P = 0,76). Assim, o
ı́ndice de interferência retroativa pré-teste não prediz significativamente o ı́ndice pós-teste
e, assim, a diferença entre os tratamentos poderia ser verificada pelo modelo de análise
de variância com o fator de tratamentos.

tos dos tratamentos e da covariável para o o ı́ndice de
interferência retroativa pós-teste
Intercepto 1,63 1 21,14 0,0001
Retroativa (pré) 0,01 1 0,10 0,7554
Tratamentos 0,52 3 2,25 0,0992
Resı́duos 2,77 36
Tabela 24 – Médias ajustadas para o o ı́ndice de interferência

retroativa pós-teste com erros padrões
Controle 0,66 0,09
TC 0,53 0,08
HS 0,52 0,09
TC+HS 0,81 0,09

que o modelo de análise de variância sem a covariável tem praticamente a mesma precisão
nos efeitos dos tratamentos que o modelo de análise de covariância que usa os escores
pré-teste como covariável e, portanto, a análise de covariância seria desnecessária.
51
5 Conclusão
Neste trabalho, dados dos números de palavras recordadas nas etapas A1, A2, A3,
A4, A5, A6, A7 e B1 de um teste RAVLT foram analisados por modelos de análise
de covariância. Os dados foram obtidos por estudo desenvolvido por Moreira (2015)
usando um experimento completamente aleatorizado, em que as unidades experimentais
eram um grupo de 41 idosos com idades variando de 60 a 86 anos. O objetivo principal
do experimento foi avaliar o efeito de quatro tratamentos (Controle, Treino Cognitivo,
Higiene do Sono e Treino Cognitivo + Higiene do Sono) em variáveis dependentes cujos
valores representam os escores simples A6 e A7 alcançados pelos idosos após a aplicação
dos tratamentos e também ı́ndices de aprendizado de palavras, oriundos de combinações
de escores das listas A e B. Estes ı́ndices foram definidos como o escore total A1 + A2 +
A3 + A4 + A5, a velocidade de esquecimento A7/A6, a interferência proativa B1/A1 e a
interferência retroativa A6/A5.
As análises dos resultados foram realizadas a partir de modelos de análise de co-
variância. Em cada um destes modelos, tomou-se como covariável a correspondente me-
dida da caracterı́stica de interesse observada nos indivı́duos antes da intervenção pela
aplicação do tratamento. Os modelos de retas paralelas foram suportados pelos dados em
todas as análises consideradas. Estas análises sugerem um efeito de significância moderada
do tratamento que combina treino cognitivo com higiene do sono no aumento do número
médio de palavras recordadas na tentativa A6 (ajustados pela covariável) em relação ao
controle. Também existem evidências moderadas de efeitos dos tratamentos sobre a in-
terferência retroativa embora tais efeitos, de acordo com os números de réplicas usados
no experimento, pareçam ser explicados por diferenças entre o tratamento combinado e
seus componentes quando administrados separadamente. Para as outras caracterı́sticas,
ou seja evocação espontânea na tentativa A7, memória de curto prazo, velocidade de
esquecimento e interferência proativa, não se observou diferenças significativas entre os
quatro tratamentos.
A adoção da análise de covariância se mostrou mais eficiente do que uma análise
de variância para estimar e avaliar os efeitos dos tratamentos em quase todas as carac-
terı́sticas analisadas. As únicas exceções foram nas análises dos ı́ndices de velocidade de
esquecimento e de interferência retroativa. As eficiências estimadas para as evocações es-
pontâneas nas tentativas A6 e A7, para a memória de curto prazo e ı́ndice de interferência
proativa foram respectivamente 148%, 196%, 261% e 113%.
Uma sugestão para um possı́vel experimento que tenha o mesmo objetivo com unidades
experimentais semelhantes às que foram consideradas no neste trabalho seria aumentar o
número de réplicas por tratamento visando detectar diferenças da ordem de uma ou duas
52 Capı́tulo 5. Conclusão
palavras, em média, com alta probabilidade.

Algumas análises futuras que podem ser realizadas como continuação deste trabalho
seriam a aplicação de técnicas estatı́sticas que incorporem a correlação entre os esco-
res nas diversas tentativas e também o aspecto de medidas repetidas dos dados. Mais
especificamente, algumas técnicas a serem investigadas seriam:
• Análise de variância multivariada (MANOVA) para os escores pós-testes A1,..., A5

e/ou análise de covariância multivariada (MANCOVA) tendo como covariáveis os
respectivos valores pré-teste para estas medidas;
• Análise de variância multivariada (MANOVA) para os escores pós-testes A1,..., A6,

A7 e/ou análise de covariância multivariada (MANCOVA) tendo como covariáveis
os respectivos valores pré-teste para estas medidas;
• Estudo das curvas de apendizado entre as tentativas A1 até a A5 ou até A7;
• MANOVA ou MANCOVA para os ı́ndices de esquecimento, interferência proativa e

retroativa;
• Visualização gráfica dos modelos multivariados e testes com medidas repetidas pela
metodologia HE Plots (FOX; FRIENDLY; WEISBERG, 2013; FRIENDLY, 2010;
FRIENDLY, 2007; FRIENDLY, 2006).
53
Referências
BOX, G. E. P.; COX, D. R. An analysis of transformations. Journal of the Royal

Statistical Society. Series B (Methodological), Royal Statistical Society, v. 26, n. 2, p.
211–252, 1964.
COCHRAN, W. G.; COX, G. M. Experimental designs (Second edition). New York:

John Wiley & Sons, 1957.
COSTA, E. F. A.; PORTO, C. C.; SOARES, A. T. Envelhecimento populacional

brasileiro e o aprendizado de geriatria e gerontologia. Revista da UFG, v. 5, n. 2, 12 2003.
COTTA, M. F. et al. O teste de aprendizagem auditivo-verbal de Rey (RAVLT) no

diagnóstico diferencial do envelhecimento cognitivo normal e patológico. Contextos
Clı́nicos, v. 5, n. 1, p. 10 – 25, 2012.
COX, D. R. Planning of experiments. New York: John Wiley & Sons, 1958.
FINNEY, D. J. Standard errors of yields adjusted for regression on an independent

measurement. Biometrics Bulletin, International Biometric Society, v. 2, n. 3, p. 53–55,
1946.
FOX, J.; FRIENDLY, M.; WEISBERG, S. Hypothesis tests for multivariate linear
models using the car package. R Journal, The, v. 5, n. 1, p. 39–52, 2013.
FRIENDLY, M. Data ellipses, he plots and reduced-rank displays for multivariate linear
models: Sas software and examples. Journal of Statistical Software, v. 17, n. 6, p. 1–43,
2006.
FRIENDLY, M. He plots for multivariate linear models. Journal of Computational and

Graphical Statistics, v. 16, n. 2, p. 421–444, 2007.
FRIENDLY, M. He plots for repeated measures designs. Journal of Statistical Software,

v. 37, n. 4, p. NA–NA, 2010.
HAMDAN, A. C.; PEREIRA, A. P. d. A. Avaliação neuropsicológica das funções

executivas: considerações metodológicas. Psicologia: Reflexão e Crı́tica, scielo, v. 22, p.
386 – 393, 12 2009. Disponı́vel em: hhttp://www.scielo.br/scielo.php?script=sci arttext&
pid=S0102-79722009000300009&nrm=isoi.
HINKELMANN, K.; KEMPTHORNE, O. Design and Analysis of Experiments, Volume

1: Introduction to Experimental Design. New York: Wiley, 2007.
KALACHE, A. Envelhecimento populacional no Brasil: uma realidade nova. Cadernos

de Saúde Pública, scielo, v. 3, p. 217 – 220, 09 1987. Disponı́vel em: hhttp://www.scielo.
br/scielo.php?script=sci arttext&pid=S0102-311X1987000300001&nrm=isoi.
KUEHL, R. O. Design of experiments: statistical principles of research design and

analysis. 2nd ed.. ed. Pacific Grove, California: Brooks/Cole, 2000.
54 Referências
LEVENE, H. Robust tests for equality of variances. In: Contributions to probability and
statistics. [S.l.]: Stanford Univ. Press, Stanford, California, 1960. p. 278–292.
MOREIRA, A. M. S. Efeitos de um programa de treino cognitivo e das técnicas de higiene

do sono para as funções executivas e para a qualidade de sono em idosos saudáveis. 165 f.
Dissertação (Mestrado em psicologia) — Programa de Pós-Graduação em Psicologia da
Universidade Federal do Rio Grande do Norte, Natal, RN, 2015.
NETER, J. et al. Applied Linear Statistical Models. Chicago: Irwin, 1996.
R Core Team. R: A Language and Environment for Statistical Computing. Vienna,

Austria, 2015. Disponı́vel em: hhttp://www.R-project.org/i.
RENCHER, A. C. Linear models in statistics (Second edition). Hoboken, New Jersey:

Wiley, 2008.
REY, A. L’examen psychologique dans les cas d’encéphalopathie traumatique. Archives

de Psychologie, Geneve, v. 28, p. 21, 1941.
SARAIVA, A.; MARTINS, D. População do paı́s envelhece em ritmo acima da média

mundial, diz ibge. Valor econômico, São Paulo, 29 Nov. 2012.
SCHAIE, K. W. Developmental Influences on Adult Intelligence: The Seattle Longitudinal

Study. New York: Oxford University Press, 2005.
SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality (complete

samples). Biometrika, v. 3, n. 52, 1965.
SNEDECOR, G. W.; COCHRAN, W. G. Statistical methods (Eighth edition). Ames,

Iowa: Iowa State University, 1989.
TAMHANE, A. C. Statistical Analysis of Designed Experiments: Theory and

Applications. Hoboken, New Jersey: Wiley, 2009.
TAYLOR, E. M. Psychological appraisal of children with cerebral defects. Cambridge,

MA: Harvard University Press, 1959. 499 p.
Apêndices
57
Apêndice A - Gráficos para análises

residuais
Resíduos padronizados
2
2
● ● ● ●
● ● ● ●
● ● ●
1
1
● ● ● ● ●
● ●
●
● ● ● ● ●
●● ● ●● ● ●
● ● ●
● ● ● ●
0
0
● ● ● ● ● ● ●
● ● ● ● ● ●
● ● ●
● ●
−2 −1
−2 −1
● ● ● ● ●
●
● ●
● ● ● ●
● ●
8 10 12 14 16 Controle TC HS HS+TC
Valores preditos Tratamentos

● ● ●
●
Quantis amostrais
● ● ●
●
● ● ●●
1
● ● ● ● ●●●
●●
● ● ●●
● ● ● ● ● ●●●
●●●
● ● ● ●
0
●●
● ●
● ● ●●
●●●●
● ● ● ● ●●●●
● ●
−2 −1
−2 −1
● ● ● ● ● ●●
● ●
●
● ●
●
● ●
2 4 6 8 10 12 14 −2 −1 0 1 2
Covariável Quantis teóricos

o escore da tentativa A6
58 Apêndice A - Gráficos para análises residuais
● ●
2
2
● ●
● ●
● ● ● ●
● ● ● ● ● ●
1
●
● 1 ●
●
● ● ● ● ● ●
●
● ●
●
● ● ● ● ●
● ●
● ● ● ● ● ●
0
● ● ●
●
● ●
●● ● ● ● ● ●
●
●
● ● ●
● ● ● ●
−1
−1
● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●
−2
−2
6 8 10 12 14 Controle TC HS HS+TC
● ●
● ●
Quantis amostrais
● ●
● ● ●●
● ● ●● ●
1
● ●
● ● ●●
● ● ● ●●●
● ● ● ●●●
● ● ● ●●●
● ● ●●●
0
● ● ●
● ● ●
●
● ● ● ● ● ●●●●
●
● ● ●●
−1
−1
● ●
● ● ●●
● ● ●●
● ● ● ● ● ●
−2
−2
2 4 6 8 10 12 14 −2 −1 0 1 2

o escore da tentativa A7
59
● ●
2
● ●
● ● ● ●
●● ● ●
● ● ● ●
1
1
● ●
● ●● ● ● ● ●
●
● ● ● ● ● ● ● ● ●
● ● ● ●
0
0
● ● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ●
● ● ● ●
−1
−1
● ● ● ● ● ● ●
● ● ●
● ● ● ●
● ● ● ●
35 40 45 50 55 60 Controle TC HS HS+TC
● ●
● ●
● ●
●
●●
Quantis amostrais
● ● ●
● ● ●●
1
● ●
● ● ● ● ●●●
● ● ●● ● ●●
●●●●
● ● ●●
0
● ● ●●
● ● ●● ●●●●
● ● ●●
● ●
● ●● ●●●
−1
−1
● ● ● ● ● ●● ●●●
●● ● ●
● ● ● ●
25 30 35 40 45 50 55 −2 −1 0 1 2

o escore total
● ● ● ●
2
2
● ●
1
● ● ● ● ●
1 ● ● ●
●
●● ●● ● ● ● ● ● ● ●
●● ● ● ●
● ● ●● ● ● ● ● ●
0
0
● ●
● ● ●● ●
● ● ●
● ●
● ●
● ● ● ●
● ●
● ● ● ●
● ● ● ●
● ●
−2
−2
● ●
−0.10 −0.05 0.00 0.05 0.10 Controle TC HS HS+TC

● ● ●
●
Quantis amostrais
2
● ●
1
● ● ●● ● ●● ●
● ●● ●
●● ●●●●
●
●● ● ●●●●●●
●●●●
● ●● ● ●●●●●
0
● ●
● ● ● ● ●●●
●●
● ● ●● ●●●●
● ●
● ● ●●
● ● ● ●
● ●
−2
−2
● ●
−1.0 −0.5 0.0 0.5 1.0 −2 −1 0 1 2

o ı́ndice de esquecimento
61
● ●
2
2
● ●
●● ● ● ●
● ● ●
1
1
● ●
● ●● ●
● ● ●
●
●
● ●
● ● ● ● ● ●
● ●● ● ● ●
0
0
● ● ● ● ● ●
●
●
● ● ● ● ● ●
● ● ●
−1
●●
●●
● ●
−1 ● ●
●
●
●
● ● ● ●
−2
−2
● ●
0.9 1.0 1.1 1.2 1.3 Controle TC HS HS+TC
● ●
2
2
● ●
●●
Quantis amostrais
●
● ●●
● ● ●●
1
● ● ●
●
●
● ● ●●●
●●
● ● ●
●
● ● ● ● ● ●●●●●
● ●
0
● ● ● ● ●●●●
●●
● ● ●
●
●
● ● ●●●
−1
−1
● ● ●●
●● ●
● ●
● ●●
● ● ●
●
−2
−2
● ●
0.6 0.8 1.0 1.2 1.4 −2 −1 0 1 2

o ı́ndice de interferência proativa
2
● ● ●
●
● ●
●● ● ●
●
●
1
1
●● ●
●
●● ● ●
●
●●●● ● ● ●
● ●
●● ●
●
●
●
●
●
● ●● ● ●
0
● ●
● ● ● ● ●
● ●
●
● ● ● ●
● ● ● ●
−1
−1
● ● ● ●
● ● ● ●
●● ● ● ● ●
−2
−2
● ●
0.50 0.60 0.70 0.80 Controle TC HS HS+TC

2
2
● ● ● ●
● ●
Quantis amostrais
● ● ● ●●
●
1
● ●
●
● ● ● ●●●
●
● ● ●● ● ● ●●
●●●
● ●●
● ●●
●
● ● ●●
0
● ● ●●
● ● ● ●●●
● ●●●
●● ●●
● ● ●●
−1
−1
● ● ●●
● ● ●
●
● ● ● ● ● ●
−2
−2
● ●
0.0 0.2 0.4 0.6 0.8 1.0 1.2 −2 −1 0 1 2

o ı́ndice de interferência retroativa
63
Apêndice B - Programa R para as

análises estatı́sticas
O código R a seguir obtém os resultados das análises realizadas no capı́tulo 4. O programa

usa como exemplo as medidas pré e pós-teste da variável A6. As análises para as outras
variáveis podem ser obtidas de maneira análoga, ou seja, substituindo os nomes das
variáveis de interesse nas linha do programa que criam os objetos x e y. Salienta-se
ainda a necessidade de transformar as variáveis Esquecimento, Interferência Proativa e
Interferência Retroativa antes de efetuar as análises, conforme descrito na análises para
estas caracterı́sticas.
# Leitura dos dados:
d <- read.table("dados.txt", header=TRUE)
# Carregando os pacotes utilizados:
library(car)
library(effects)
library(plotrix)
library(xtable)
library(MASS)
# Programa para realizar análises dos dados:
d$trat <- factor(d$trat)
x <- matrix(d$a6_pre, ncol=1)

y <- matrix(d$a6_pos, ncol=1)
(medx <- tapply(x, d$trat, mean))
(medy <- tapply(y, d$trat, mean))
dd <- data.frame(trat=d$trat, x, y)
fit1 <- lm(y ~ x, data=dd) # Modelo 1

fit2 <- lm(y ~ trat, data=dd) # Modelo 2
fit3 <- lm(y ~ x + trat, data=dd) # Modelo 3
64 Apêndice B - Programa R para as análises estatı́sticas
fit4 <- lm(y ~ x*trat, data=d) # Modelo 4
# Tabelas do R para o Latex:
print(xtable(anova(fit3, fit4))) # Tabela 1

print(xtable(summary(fit3))) # Tabela 2
print(xtable(Anova(fit3, type="III"))) # Tabela 3
newdata <- data.frame(trat= c("1", "2", "3", "4"), x=mean(x))

(med <- predict(fit3, newdata = newdata, se.fit=TRUE))
tratvls <- c("Controle", "TC", "HS", "TC+HS")
tabmeds <- data.frame(Tratamento=tratvls, Media=round(med$fit, 2),
EP=round(med$se.fit, 2))
print(xtable(tabmeds, digits=c(0, 0, 2, 2)),
include.rownames=FALSE) # Tabela 4
# Somas de quadrados residuais:
anova(fit3, fit4) # Modelo 3

anova(fit1) # Modelo 1
anova(fit2) # Modelo 2
# Efici^
encia:
anova(fit2)$"Mean Sq"[2]
anova(fit3)$"Mean Sq"[3]
(E <- anova(fit2)$"Mean Sq"[2]/anova(fit3)$"Mean Sq"[3])
# Análise gráfica dos resı́duos:
resp <- rstandard(fit3)

pred <- fitted(fit3)
tratvls <- as.numeric(dd$trat)
op <- par(mfrow=c(2,2))
plot(pred, resp, pch=16, cex=1.2,

xlab="Valores preditos", ylab="Resı́duos padronizados")
abline(h=0, lwd=2)
65
plot(tratvls, resp, type="p", pch=16, cex=1.2,

xlab="Tratamentos", ylab="Resı́duos padronizados",
axes=FALSE)
abline(h=0, lwd=2)
axis(1, at=1:4, labels=c("Controle", "TC", "HS", "TC+HS"))
axis(2)
box()
plot(x, resp, type="p", pch=16, cex=1.2,

xlab="Covariável", ylab="Resı́duos padronizados")
abline(h=0, lwd=2)
qqPlot(resp,xlab="Quantis teóricos",ylab="Quantis amostrais",main=" ",

pch=16, col="black",col.lines="black",grid=F,lwd=1, envelope=.99)
par(op)
# Gráfico de dispers~
ao:
ab_a6 = fit3
c <- coef(ab_a6)
plot(d$a6_pos~d$a6_pre,pch=NA_integer_,xlab="Resposta pré tratamento"

,ylab="Resposta pós tratamento",ylim=c(2,20))
points(d$a6_pre[1:10],d$a6_pos[1:10],pch=0)
abline(c[1],c[2], lty=1,lwd=2)
abline(c[1]+c[3],c[2], lty=2,lwd=2)
legend=c("Controle", "TC", "HS", "TC+HS")

legend2=c("","","","")
legend(2,21,legend,lty=c(1:4),bty="n",cex=0.8,lwd=2)
legend(5.3,21,legend2,pch=c(0,4,2,3),bty="n",cex=0.8)

TecnicasMemorizaçao Possati 2015

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

TecnicasMemorizaçao Possati 2015

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CIÊNCIAS EXATAS E DA TERRA

AVALIAÇÃO DE TÉCNICAS DE MEMORIZAÇÃO EM UM TESTE RAVLT: UMA

ORIENTADOR: Prof. Dr. Damião Nóbrega da Silva

AVALIAÇÃO DE TÉCNICAS DE MEMORIZAÇÃO EM UM TESTE RAVLT: UMA

Monografia apresentada ao Departamento

ORIENTADOR: Prof. Dr. Damião Nóbrega da Silva

Orientador: Prof. Dr. Damião Nóbrega da Silva.

Monografia (Graduação) – Universidade Federal do Rio Grande do

1. Modelos lineares (estatística) - Monografia. 2. Teste de

RN/UF/BCZM CDU 519.233.4

Obrigado também aos meus pais/amigos/irmãos Osvaldo e Maria, Ademir e Nadja,

Gostaria fazer um agradecimento especial aos meus amigos do Ventania, Guilherme

Gostaria de agradecer a fantástica equipe de professores da Estatı́stica da UFRN, pelo

Palavras-chave: Estudo pré-teste/pós-teste. Experimento completamente aleatorizado.

Keywords: Pretest/posttest study. Completely Randomized Experiment. Linear Models.

4 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . 35

A GRÁFICOS PARA ANÁLISES RESIDUAIS . . . . . . . 59

B PROGRAMA R PARA AS ANÁLISES ESTATÍSTICAS 65

Figura 1 – Cronograma das etapas do teste RAVLT . . . . . . . . . . . . . . . . . 21

Tabela 1 – Teste de paralelismo das retas de regressão da análise de covariância

Figura 1 – Cronograma das etapas do teste RAVLT

Uma caracterı́stica deste estudo experimental é a medição das variáveis do teste

1.2.1 Objetivo geral

• memória de curto prazo do teste RAVLT;

• medida de interferência proativa;

• ı́ndice de interferência retroativa.

A ferramenta estatı́stica escolhida para analisar os dados do experimento em Moreira

1.2.2 Objetivos especı́ficos

• Avaliar estatisticamente se as retas da regressão de cada tratamento das medidas

• Estimar as respostas médias dos tratamentos ajustadas pelo efeitos da covariáveis;

• Estimar a eficiência da inclusão da covariável nas análises em relação aos modelos

1.3 Estrutura da monografia

Serão apresentados, a seguir, aspectos do protocolo experimental usado para a obtenção

Todas as avaliações e intervenções foram realizadas pela mestranda responsável pela

3.1 O modelo de análise de covariância

yij = µ + αi + βxij + ij , (3.1)

em que µ é uma constante, αi é o efeito fixo do i-ésimo tratamento (com α1 = 0) e os ij

2. A parametrização α1 = 0 no modelo (3.1) define o parâmetro µ como o efeito do

Cada dessas restrições alternativas levam a diferentes interpretações dos parâmetros

Um outro caso particular é quando β = 0, situação esta representando retas paralelas

A representação matricial para o modelo de ANCOVA (3.1) é dada por

βb = [x> (I − P)x]−1 x> (I − P)y = e−1

em que P = Z(Z> Z)−1 Z> ,

é a mesma soma de quadrados para o modelo ANOVA y = Zα +  sem covariáveis. A

3.2 Verificação das suposições do modelo

Os resı́duos resultantes deste ajuste são dados por

eij = yij − ybij = yij − ȳi. − β(x

e os resı́duos padronizados (TAMHANE, 2009) são

3.3 Testes de hipóteses

yij = µ + αi + βxij + γ2 I2ij xij + · · · γk Ikij xij + ij , (3.12)

i = 1, 2, ..., k e j = 1, 2, ..., ni , em que

e γ2 ,..., γk representam os incrementos no coeficiente angular da reta de regressão do

Um procedimento conveniente de cálculo da soma de quadrados residual do modelo

com  ∼ N (0, σ 2 I),

Pela teoria de modelos lineares, como W é de posto completo, o estimador de mı́nimos

Tomando-se Pw = W(W> W)−1 W> , a soma de quadrados residual do modelo (3.13)

SQEw = y> (I − Pw )y,

com N − (1 + k − 1 + 1 + k − 1) = N − 2k graus de liberdade associados. A diferença dos

(SQEy.x − SQEw )/(k − 1)

3.3.2 Efeito dos tratamentos

adotando–se o modelo (3.1) como o modelo completo. A soma de quadrados residual do

O modelo reduzido é obtido impondo–se a restrição α2 = ... = αk = 0 em (3.1), ou seja

yij = µ + αi + βxij + ij , (3.1)

em que µ é uma constante, αi é o efeito fixo do i-ésimo tratamento (com α1 = 0) e os ij

é a mesma soma de quadrados para o modelo ANOVA y = Zα + sem covariáveis. A

yij = µ + αi + βxij + γ2 I2ij xij + · · · γk Ikij xij + ij , (3.12)

com ∼ N (0, σ 2 I),

yij = µ + βxij + ij , (3.15)

yij = µ + αi + ij , (3.18)

Modelo 1: yij = µ + βxij + ij