Scatterplots, Correlação, Regressão e Causalidade
Transcript of Scatterplots, Correlação, Regressão e Causalidade
Tópicos Avançados de Metodologia de PesquisaCapítulo 02 - Análise Exploratória de Dados
Enivaldo Rocha e Dalson Britto
DCP
Abril 2010
UFPE (DCP ) Baseado em Moore (2007) 14/04 1 / 56
Súmario
1 Scatterplots (dispersão)
2 Correlação3 Regressão4 Causa e Efeito
UFPE (DCP ) Baseado em Moore (2007) 14/04 2 / 56
Súmario
1 Scatterplots (dispersão)2 Correlação
3 Regressão4 Causa e Efeito
UFPE (DCP ) Baseado em Moore (2007) 14/04 2 / 56
Súmario
1 Scatterplots (dispersão)2 Correlação3 Regressão
4 Causa e Efeito
UFPE (DCP ) Baseado em Moore (2007) 14/04 2 / 56
Súmario
1 Scatterplots (dispersão)2 Correlação3 Regressão4 Causa e Efeito
UFPE (DCP ) Baseado em Moore (2007) 14/04 2 / 56
Introdução
Relacionamento entre variáveis
Casos, variáveis e nível de mensuraçãoCorrelação versus causalidadeVD e VI
UFPE (DCP ) Baseado em Moore (2007) 14/04 3 / 56
Introdução
Relacionamento entre variáveisCasos, variáveis e nível de mensuração
Correlação versus causalidadeVD e VI
UFPE (DCP ) Baseado em Moore (2007) 14/04 3 / 56
Introdução
Relacionamento entre variáveisCasos, variáveis e nível de mensuraçãoCorrelação versus causalidade
VD e VI
UFPE (DCP ) Baseado em Moore (2007) 14/04 3 / 56
Introdução
Relacionamento entre variáveisCasos, variáveis e nível de mensuraçãoCorrelação versus causalidadeVD e VI
UFPE (DCP ) Baseado em Moore (2007) 14/04 3 / 56
Exercícios
1 Fazer grá�co de dispersão
2 Editar o grá�co3 Inserir o label dos países4 Inserir a variável categórica5 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 9 / 56
Exercícios
1 Fazer grá�co de dispersão2 Editar o grá�co
3 Inserir o label dos países4 Inserir a variável categórica5 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 9 / 56
Exercícios
1 Fazer grá�co de dispersão2 Editar o grá�co3 Inserir o label dos países
4 Inserir a variável categórica5 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 9 / 56
Exercícios
1 Fazer grá�co de dispersão2 Editar o grá�co3 Inserir o label dos países4 Inserir a variável categórica
5 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 9 / 56
Exercícios
1 Fazer grá�co de dispersão2 Editar o grá�co3 Inserir o label dos países4 Inserir a variável categórica5 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 9 / 56
2.CorrelaçãoCaracterísticas
Mede a direção e magnitude da associação entrevariáveis
Varia entre -1 e +1Medida adimensionalPadronizadoNão diferencia entre VIs e VDs
UFPE (DCP ) Baseado em Moore (2007) 14/04 10 / 56
2.CorrelaçãoCaracterísticas
Mede a direção e magnitude da associação entrevariáveisVaria entre -1 e +1
Medida adimensionalPadronizadoNão diferencia entre VIs e VDs
UFPE (DCP ) Baseado em Moore (2007) 14/04 10 / 56
2.CorrelaçãoCaracterísticas
Mede a direção e magnitude da associação entrevariáveisVaria entre -1 e +1Medida adimensional
PadronizadoNão diferencia entre VIs e VDs
UFPE (DCP ) Baseado em Moore (2007) 14/04 10 / 56
2.CorrelaçãoCaracterísticas
Mede a direção e magnitude da associação entrevariáveisVaria entre -1 e +1Medida adimensionalPadronizado
Não diferencia entre VIs e VDs
UFPE (DCP ) Baseado em Moore (2007) 14/04 10 / 56
2.CorrelaçãoCaracterísticas
Mede a direção e magnitude da associação entrevariáveisVaria entre -1 e +1Medida adimensionalPadronizadoNão diferencia entre VIs e VDs
UFPE (DCP ) Baseado em Moore (2007) 14/04 10 / 56
CorrelaçãoPressupostos
Normalidade N (µ, σ2)
OutliersIndependência das Observações
UFPE (DCP ) Baseado em Moore (2007) 14/04 11 / 56
CorrelaçãoPressupostos
Normalidade N (µ, σ2)Outliers
Independência das Observações
UFPE (DCP ) Baseado em Moore (2007) 14/04 11 / 56
CorrelaçãoPressupostos
Normalidade N (µ, σ2)OutliersIndependência das Observações
UFPE (DCP ) Baseado em Moore (2007) 14/04 11 / 56
CorrelaçãoFórmula
De�nition (Fórmula)
r = 1N�1 ∑(Xi�XSx )
�Yi�YSy
�r = Coe�ciente de correlaçãoN= Número de casosXi= Observação i da variável XX = Média da variável XSx= Desvio padrão da variável X
UFPE (DCP ) Baseado em Moore (2007) 14/04 12 / 56
CorrelaçãoF.J. Anscombe, "Graphs in Statistical Analysis," American Statistician, vol. 27 (Feb1973), pp. 17-21
UFPE (DCP ) Baseado em Moore (2007) 14/04 13 / 56
CorrelaçãoF.J. Anscombe, "Graphs in Statistical Analysis," American Statistician, vol. 27 (Feb1973), pp. 17-21
UFPE (DCP ) Baseado em Moore (2007) 14/04 14 / 56
CorrelaçãoHomícidios e Mortalidade Infantil - DATASUS (2010)
UFPE (DCP ) Baseado em Moore (2007) 14/04 15 / 56
CorrelaçãoHomícidios e Mortalidade Infantil - DATASUS (2010)
UFPE (DCP ) Baseado em Moore (2007) 14/04 16 / 56
Exercícios
1 Fazer grá�co de dispersão
2 Calcular a correlação entre as variáveis3 Inserir as médias das variáveis4 Inserir o label das capitais5 Modi�car a escala6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
Exercícios
1 Fazer grá�co de dispersão2 Calcular a correlação entre as variáveis
3 Inserir as médias das variáveis4 Inserir o label das capitais5 Modi�car a escala6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
Exercícios
1 Fazer grá�co de dispersão2 Calcular a correlação entre as variáveis3 Inserir as médias das variáveis
4 Inserir o label das capitais5 Modi�car a escala6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
Exercícios
1 Fazer grá�co de dispersão2 Calcular a correlação entre as variáveis3 Inserir as médias das variáveis4 Inserir o label das capitais
5 Modi�car a escala6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
Exercícios
1 Fazer grá�co de dispersão2 Calcular a correlação entre as variáveis3 Inserir as médias das variáveis4 Inserir o label das capitais5 Modi�car a escala
6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
Exercícios
1 Fazer grá�co de dispersão2 Calcular a correlação entre as variáveis3 Inserir as médias das variáveis4 Inserir o label das capitais5 Modi�car a escala6 Interpretar
UFPE (DCP ) Baseado em Moore (2007) 14/04 17 / 56
2.RegressãoObjetivo e Características
Regression Analyses are a set of statistical techniquesthat allow one to assess the relationship between oneDV and several IVs (Tabachinick e Fidell 2007).
De�nir VI e VDTentativa de estabelecer uma relação de causalidadede VI para VDCoe�cientes não padronizados e padronizadosExplicação e Predição
UFPE (DCP ) Baseado em Moore (2007) 14/04 18 / 56
2.RegressãoObjetivo e Características
Regression Analyses are a set of statistical techniquesthat allow one to assess the relationship between oneDV and several IVs (Tabachinick e Fidell 2007).De�nir VI e VD
Tentativa de estabelecer uma relação de causalidadede VI para VDCoe�cientes não padronizados e padronizadosExplicação e Predição
UFPE (DCP ) Baseado em Moore (2007) 14/04 18 / 56
2.RegressãoObjetivo e Características
Regression Analyses are a set of statistical techniquesthat allow one to assess the relationship between oneDV and several IVs (Tabachinick e Fidell 2007).De�nir VI e VDTentativa de estabelecer uma relação de causalidadede VI para VD
Coe�cientes não padronizados e padronizadosExplicação e Predição
UFPE (DCP ) Baseado em Moore (2007) 14/04 18 / 56
2.RegressãoObjetivo e Características
Regression Analyses are a set of statistical techniquesthat allow one to assess the relationship between oneDV and several IVs (Tabachinick e Fidell 2007).De�nir VI e VDTentativa de estabelecer uma relação de causalidadede VI para VDCoe�cientes não padronizados e padronizados
Explicação e Predição
UFPE (DCP ) Baseado em Moore (2007) 14/04 18 / 56
2.RegressãoObjetivo e Características
Regression Analyses are a set of statistical techniquesthat allow one to assess the relationship between oneDV and several IVs (Tabachinick e Fidell 2007).De�nir VI e VDTentativa de estabelecer uma relação de causalidadede VI para VDCoe�cientes não padronizados e padronizadosExplicação e Predição
UFPE (DCP ) Baseado em Moore (2007) 14/04 18 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)
2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)
3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Tamanho da amostra (generalização)
1 15 casos para cada VI (Stevens 1996)2 N > 50 + 8VI (Tabachinick e Fidell 2007)3 Regra Geral �> N>30
Ausência de Multicolineariedade
1 r = 0,9 ou mais
Outliers
1 Resíduos padronizados acima de -3 e +3 (Tabachinick e Fidell 2007)
UFPE (DCP ) Baseado em Moore (2007) 14/04 19 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoPressupostos
Normalidade (µ, σ2)
Lineariedade
Homocedasticidade (variância constante)
Independência dos Resíduos
Independência das VIs
Correlação de VI e VD
Autocorrelação de primeira ordem = 0
UFPE (DCP ) Baseado em Moore (2007) 14/04 20 / 56
RegressãoFormatação do Modelo
De�nition
Yi = α + βXi + ε, i = 1, .., n
Yi = variável dependenteα = constante (intercepto)β = coe�ciente de regressão não padronizadoXi= variável aleatóriaεi= erro estocásticon = amostra (número de casos)
UFPE (DCP ) Baseado em Moore (2007) 14/04 21 / 56
RegressãoInterpretação da constante (intercepto)
a constante, a, indica o ponto em que a linha de regressão interceptao eixo Y .
It estimates the average value of Y when X equals zero (Lewis-Beck1980)a = Y � bX
UFPE (DCP ) Baseado em Moore (2007) 14/04 27 / 56
RegressãoInterpretação da constante (intercepto)
a constante, a, indica o ponto em que a linha de regressão interceptao eixo Y .It estimates the average value of Y when X equals zero (Lewis-Beck1980)
a = Y � bX
UFPE (DCP ) Baseado em Moore (2007) 14/04 27 / 56
RegressãoInterpretação da constante (intercepto)
a constante, a, indica o ponto em que a linha de regressão interceptao eixo Y .It estimates the average value of Y when X equals zero (Lewis-Beck1980)a = Y � bX
UFPE (DCP ) Baseado em Moore (2007) 14/04 27 / 56
RegressãoInterpretação da constante (intercepto)
Qual é a constante desse grá�co?
UFPE (DCP ) Baseado em Moore (2007) 14/04 28 / 56
RegressãoInterpretação dos coe�cientes não padronizados
Yi = α+ βXi+ ε
β = (slope) = the slope estimate indicates the average change in Yassociated with a unit change in X (Lewis-Beck 1980)
A hipótese nula (Ho) sustenta que o coe�ciente b é igual a zero.
A hipótese alternativa (Ha) sustenta que o coe�ciente b é diferente dezero.
A partir do valor p (signi�cância) o pesquisador vai decidir qualhipótese deve ser rejeitada
UFPE (DCP ) Baseado em Moore (2007) 14/04 29 / 56
RegressãoInterpretação dos coe�cientes não padronizados
Yi = α+ βXi+ ε
β = (slope) = the slope estimate indicates the average change in Yassociated with a unit change in X (Lewis-Beck 1980)
A hipótese nula (Ho) sustenta que o coe�ciente b é igual a zero.
A hipótese alternativa (Ha) sustenta que o coe�ciente b é diferente dezero.
A partir do valor p (signi�cância) o pesquisador vai decidir qualhipótese deve ser rejeitada
UFPE (DCP ) Baseado em Moore (2007) 14/04 29 / 56
RegressãoInterpretação dos coe�cientes não padronizados
Yi = α+ βXi+ ε
β = (slope) = the slope estimate indicates the average change in Yassociated with a unit change in X (Lewis-Beck 1980)
A hipótese nula (Ho) sustenta que o coe�ciente b é igual a zero.
A hipótese alternativa (Ha) sustenta que o coe�ciente b é diferente dezero.
A partir do valor p (signi�cância) o pesquisador vai decidir qualhipótese deve ser rejeitada
UFPE (DCP ) Baseado em Moore (2007) 14/04 29 / 56
RegressãoInterpretação dos coe�cientes não padronizados
Yi = α+ βXi+ ε
β = (slope) = the slope estimate indicates the average change in Yassociated with a unit change in X (Lewis-Beck 1980)
A hipótese nula (Ho) sustenta que o coe�ciente b é igual a zero.
A hipótese alternativa (Ha) sustenta que o coe�ciente b é diferente dezero.
A partir do valor p (signi�cância) o pesquisador vai decidir qualhipótese deve ser rejeitada
UFPE (DCP ) Baseado em Moore (2007) 14/04 29 / 56
De�nition
A reta de regressão MQO (mínimos quadrados ordinários) de Y sobre X éa linha que miniza as distâncias verticias dos valores observados emrelação aos valores preditos.
Yi = variável dependente (VD)
Xi = Váriavel Independente
α (alpha) = intercepto (constante)
β = coe�ciente angular (coe�ciente de regressão)
UFPE (DCP ) Baseado em Moore (2007) 14/04 30 / 56
De�nition
A reta de regressão MQO (mínimos quadrados ordinários) de Y sobre X éa linha que miniza as distâncias verticias dos valores observados emrelação aos valores preditos.
Yi = variável dependente (VD)
Xi = Váriavel Independente
α (alpha) = intercepto (constante)
β = coe�ciente angular (coe�ciente de regressão)
UFPE (DCP ) Baseado em Moore (2007) 14/04 30 / 56
De�nition
A reta de regressão MQO (mínimos quadrados ordinários) de Y sobre X éa linha que miniza as distâncias verticias dos valores observados emrelação aos valores preditos.
Yi = variável dependente (VD)
Xi = Váriavel Independente
α (alpha) = intercepto (constante)
β = coe�ciente angular (coe�ciente de regressão)
UFPE (DCP ) Baseado em Moore (2007) 14/04 30 / 56
De�nition
A reta de regressão MQO (mínimos quadrados ordinários) de Y sobre X éa linha que miniza as distâncias verticias dos valores observados emrelação aos valores preditos.
Yi = variável dependente (VD)
Xi = Váriavel Independente
α (alpha) = intercepto (constante)
β = coe�ciente angular (coe�ciente de regressão)
UFPE (DCP ) Baseado em Moore (2007) 14/04 30 / 56
RegressãoCoe�ciente não padronizado (fórmula)
b = r SySx ondeb = coe�ciente angular (coe�ciente de regressão)r = coe�ciente de correlaçãoSy = desvio padrão de YSx = desvio padrão de X
UFPE (DCP ) Baseado em Moore (2007) 14/04 31 / 56
RegressãoErros do Tipo I e Tipo II
O erro do tipo I consiste em concluir que a hipótese nula é falsaquando ela é verdadeira. Logo, não existe relação entre as variáveis(Ho é verdadeira), mas o pesquisador argumenta que X e Y sãoestatisticamente dependentes. Ou seja, ele não poderia ter rejeitado ahipótese nula.
O erro do tipo II consiste em concluir que a hipótese nula é verdadeiraquando ela é falsa. Logo, existe relação entre X e Y (Ho é falsa),mas o pesquisador defende que as variáveis são estatisticamenteindependentes. Ou seja, ele deveria ter rejeitado a hipótese nula.
UFPE (DCP ) Baseado em Moore (2007) 14/04 32 / 56
RegressãoErros do Tipo I e Tipo II
O erro do tipo I consiste em concluir que a hipótese nula é falsaquando ela é verdadeira. Logo, não existe relação entre as variáveis(Ho é verdadeira), mas o pesquisador argumenta que X e Y sãoestatisticamente dependentes. Ou seja, ele não poderia ter rejeitado ahipótese nula.
O erro do tipo II consiste em concluir que a hipótese nula é verdadeiraquando ela é falsa. Logo, existe relação entre X e Y (Ho é falsa),mas o pesquisador defende que as variáveis são estatisticamenteindependentes. Ou seja, ele deveria ter rejeitado a hipótese nula.
UFPE (DCP ) Baseado em Moore (2007) 14/04 32 / 56
Regressão(Coe�ciente de determinação)
De�nitionThe coe¢ cient of determination, r2, indicates the explanatory power ofthe bivariate regression model. It records the proportion of variation in thedependent variable "explained" or "accounted for" by the independentvariable (Lewis-Beck 1980)
r2 = SQRSQT
onde:
SQR = soma dos quadrados devido à Regressão (variância explicada)
SQT = soma dos quadrados total (variância total)
SQT = SQR + SQRes
onde:
SQRes = soma dos quadrados residuais
UFPE (DCP ) Baseado em Moore (2007) 14/04 33 / 56
Regressão(Coe�ciente de determinação)
De�nitionThe coe¢ cient of determination, r2, indicates the explanatory power ofthe bivariate regression model. It records the proportion of variation in thedependent variable "explained" or "accounted for" by the independentvariable (Lewis-Beck 1980)
r2 = SQRSQT
onde:
SQR = soma dos quadrados devido à Regressão (variância explicada)
SQT = soma dos quadrados total (variância total)
SQT = SQR + SQRes
onde:
SQRes = soma dos quadrados residuais
UFPE (DCP ) Baseado em Moore (2007) 14/04 33 / 56
Regressão(Coe�ciente de determinação)
De�nitionThe coe¢ cient of determination, r2, indicates the explanatory power ofthe bivariate regression model. It records the proportion of variation in thedependent variable "explained" or "accounted for" by the independentvariable (Lewis-Beck 1980)
r2 = SQRSQT
onde:
SQR = soma dos quadrados devido à Regressão (variância explicada)
SQT = soma dos quadrados total (variância total)
SQT = SQR + SQRes
onde:
SQRes = soma dos quadrados residuais
UFPE (DCP ) Baseado em Moore (2007) 14/04 33 / 56
Regressão(Coe�ciente de determinação)
De�nitionThe coe¢ cient of determination, r2, indicates the explanatory power ofthe bivariate regression model. It records the proportion of variation in thedependent variable "explained" or "accounted for" by the independentvariable (Lewis-Beck 1980)
r2 = SQRSQT
onde:
SQR = soma dos quadrados devido à Regressão (variância explicada)
SQT = soma dos quadrados total (variância total)
SQT = SQR + SQRes
onde:
SQRes = soma dos quadrados residuais
UFPE (DCP ) Baseado em Moore (2007) 14/04 33 / 56
Regressão(Coe�ciente de determinação)
De�nitionThe coe¢ cient of determination, r2, indicates the explanatory power ofthe bivariate regression model. It records the proportion of variation in thedependent variable "explained" or "accounted for" by the independentvariable (Lewis-Beck 1980)
r2 = SQRSQT
onde:
SQR = soma dos quadrados devido à Regressão (variância explicada)
SQT = soma dos quadrados total (variância total)
SQT = SQR + SQRes
onde:
SQRes = soma dos quadrados residuais
UFPE (DCP ) Baseado em Moore (2007) 14/04 33 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD
2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )
3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)
4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )
7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos
8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 1
9 r = 1N�1 ∑(Xi�XSx )
�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
Exercíciospasso a passo
1 Identi�car a VI e a VD2 Calcular o desvio (Xi � X )3 Calcular o quadrado dos desvios (σ2) (variância)4 Calcular o desvio padrão (σ) (raiz quadrada da variância)
5 Padronizar as observações (Zx =Xi�XSx)
6 Calcular o produto cruzado dos valores padronizados (Zx � Zy )7 Calcular a soma dos produtos8 Dividir o resultado por n� 19 r = 1
N�1 ∑(Xi�XSx )�Yi�YSy
�
UFPE (DCP ) Baseado em Moore (2007) 14/04 34 / 56
ExercíciosCoe�ciente não padronizado e constante
1 b = r SySx
2 0, 9944 ��3,612,30
�= 0, 635
1 a = Y � bX
2 a = 79, 85� 0, 635 � 23, 5 = 64, 928
UFPE (DCP ) Baseado em Moore (2007) 14/04 35 / 56
ExercíciosCoe�ciente não padronizado e constante
1 b = r SySx2 0, 9944 �
�3,612,30
�= 0, 635
1 a = Y � bX
2 a = 79, 85� 0, 635 � 23, 5 = 64, 928
UFPE (DCP ) Baseado em Moore (2007) 14/04 35 / 56
ExercíciosCoe�ciente não padronizado e constante
1 b = r SySx2 0, 9944 �
�3,612,30
�= 0, 635
1 a = Y � bX
2 a = 79, 85� 0, 635 � 23, 5 = 64, 928
UFPE (DCP ) Baseado em Moore (2007) 14/04 35 / 56
ExercíciosCoe�ciente não padronizado e constante
1 b = r SySx2 0, 9944 �
�3,612,30
�= 0, 635
1 a = Y � bX
2 a = 79, 85� 0, 635 � 23, 5 = 64, 928
UFPE (DCP ) Baseado em Moore (2007) 14/04 35 / 56
ExercíciosCoe�ciente de determinação
r2 = SQRSQT
1 somados quadrados devido a regressão/soma dos quadrados total
2 Calcular a variância dos valores preditos de Y (�Y) (5,24)3 Calcular a variância dos valores observados (Y) (5,30)4 5,24
5,30 = 0, 9888
UFPE (DCP ) Baseado em Moore (2007) 14/04 36 / 56
ExercíciosCoe�ciente de determinação
r2 = SQRSQT
1 somados quadrados devido a regressão/soma dos quadrados total2 Calcular a variância dos valores preditos de Y (�Y) (5,24)
3 Calcular a variância dos valores observados (Y) (5,30)4 5,24
5,30 = 0, 9888
UFPE (DCP ) Baseado em Moore (2007) 14/04 36 / 56
ExercíciosCoe�ciente de determinação
r2 = SQRSQT
1 somados quadrados devido a regressão/soma dos quadrados total2 Calcular a variância dos valores preditos de Y (�Y) (5,24)3 Calcular a variância dos valores observados (Y) (5,30)
4 5,245,30 = 0, 9888
UFPE (DCP ) Baseado em Moore (2007) 14/04 36 / 56
ExercíciosCoe�ciente de determinação
r2 = SQRSQT
1 somados quadrados devido a regressão/soma dos quadrados total2 Calcular a variância dos valores preditos de Y (�Y) (5,24)3 Calcular a variância dos valores observados (Y) (5,30)4 5,24
5,30 = 0, 9888
UFPE (DCP ) Baseado em Moore (2007) 14/04 36 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV veri�que a distribuiçãoda variável peso do juízo
2 A variável é normal? (fazer os testes)3 Identi�que os outliers4 Aplique a transformação mais adequada5 Refaça os testes de normalidade. Qual a sua conclusão? Justi�que.
UFPE (DCP ) Baseado em Moore (2007) 14/04 38 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV veri�que a distribuiçãoda variável peso do juízo
2 A variável é normal? (fazer os testes)
3 Identi�que os outliers4 Aplique a transformação mais adequada5 Refaça os testes de normalidade. Qual a sua conclusão? Justi�que.
UFPE (DCP ) Baseado em Moore (2007) 14/04 38 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV veri�que a distribuiçãoda variável peso do juízo
2 A variável é normal? (fazer os testes)3 Identi�que os outliers
4 Aplique a transformação mais adequada5 Refaça os testes de normalidade. Qual a sua conclusão? Justi�que.
UFPE (DCP ) Baseado em Moore (2007) 14/04 38 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV veri�que a distribuiçãoda variável peso do juízo
2 A variável é normal? (fazer os testes)3 Identi�que os outliers4 Aplique a transformação mais adequada
5 Refaça os testes de normalidade. Qual a sua conclusão? Justi�que.
UFPE (DCP ) Baseado em Moore (2007) 14/04 38 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV veri�que a distribuiçãoda variável peso do juízo
2 A variável é normal? (fazer os testes)3 Identi�que os outliers4 Aplique a transformação mais adequada5 Refaça os testes de normalidade. Qual a sua conclusão? Justi�que.
UFPE (DCP ) Baseado em Moore (2007) 14/04 38 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co3 Identi�que os outliers (via boxplot)4 Retire os outliers e produza o grá�co novamente.5 Compare os grá�cos a partir do r2.6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co
3 Identi�que os outliers (via boxplot)4 Retire os outliers e produza o grá�co novamente.5 Compare os grá�cos a partir do r2.6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co3 Identi�que os outliers (via boxplot)
4 Retire os outliers e produza o grá�co novamente.5 Compare os grá�cos a partir do r2.6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co3 Identi�que os outliers (via boxplot)4 Retire os outliers e produza o grá�co novamente.
5 Compare os grá�cos a partir do r2.6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co3 Identi�que os outliers (via boxplot)4 Retire os outliers e produza o grá�co novamente.5 Compare os grá�cos a partir do r2.
6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis
1 A partir do arquivo JUIZO_DOBICHO.SAV produza um grá�co dedispersão (scatterplot)
2 Edite o grá�co3 Identi�que os outliers (via boxplot)4 Retire os outliers e produza o grá�co novamente.5 Compare os grá�cos a partir do r2.6 Qual o efeito dos outliers sobre o valor do r2?
UFPE (DCP ) Baseado em Moore (2007) 14/04 39 / 56
ExercíciosTransformação de variáveis (Moore, 2007, p.187)
UFPE (DCP ) Baseado em Moore (2007) 14/04 40 / 56
ExercíciosGrá�co de dispersão (sem o elefante e sem o hipopótamo)
UFPE (DCP ) Baseado em Moore (2007) 14/04 44 / 56
O que é causalidade?Noções básicas
�Causation is one of the most controversial topics in philosophy andscience (Pedhauzur and Schmelkin, 1991). Scholars from variousdisciplines have not (and probably never will) reach a consensusregarding the de�nition of causation� (Chen and Popovic, 2002, p.05).
�When social scientists talk about causes, they usually have in mindwhat Aristotle referred to as the �e¢ cient�cause (s) of some outcomeunder study �that is, the forces that brought it about, produced it, orcreated it (Gerring, 2001, chap:07) (Kitschelt, 2003, p. 56).
�thinking causally about a problem and constructing an arrowdiagram that re�ects causal processes may often facilitate the clearerstatement of hypotheses and the generation of additional insights intothe topic at hand� (Asher, 1983, p.8)
UFPE (DCP ) Baseado em Moore (2007) 14/04 47 / 56
O que é causalidade?Noções básicas
�Causation is one of the most controversial topics in philosophy andscience (Pedhauzur and Schmelkin, 1991). Scholars from variousdisciplines have not (and probably never will) reach a consensusregarding the de�nition of causation� (Chen and Popovic, 2002, p.05).
�When social scientists talk about causes, they usually have in mindwhat Aristotle referred to as the �e¢ cient�cause (s) of some outcomeunder study �that is, the forces that brought it about, produced it, orcreated it (Gerring, 2001, chap:07) (Kitschelt, 2003, p. 56).
�thinking causally about a problem and constructing an arrowdiagram that re�ects causal processes may often facilitate the clearerstatement of hypotheses and the generation of additional insights intothe topic at hand� (Asher, 1983, p.8)
UFPE (DCP ) Baseado em Moore (2007) 14/04 47 / 56
O que é causalidade?Noções básicas
�Causation is one of the most controversial topics in philosophy andscience (Pedhauzur and Schmelkin, 1991). Scholars from variousdisciplines have not (and probably never will) reach a consensusregarding the de�nition of causation� (Chen and Popovic, 2002, p.05).
�When social scientists talk about causes, they usually have in mindwhat Aristotle referred to as the �e¢ cient�cause (s) of some outcomeunder study �that is, the forces that brought it about, produced it, orcreated it (Gerring, 2001, chap:07) (Kitschelt, 2003, p. 56).
�thinking causally about a problem and constructing an arrowdiagram that re�ects causal processes may often facilitate the clearerstatement of hypotheses and the generation of additional insights intothe topic at hand� (Asher, 1983, p.8)
UFPE (DCP ) Baseado em Moore (2007) 14/04 47 / 56
O que é causalidade?Noções básicas
De�nition�the causal e¤ect is the di¤erence between the systematic component ofobservations made when the explanatory variables takes one value and thesystematic component of comparable observations when the explanatoryvariable takes on another value (King, Keohane e Verba, 1994:81).
�Rather than taking as the ultimate objective the goal of generalizingso speci�c populations, I would maintain that it is preferable toattempt to state general laws that interrelate variables in terms ofhypothetical �if-then� statements. These could be of the form, �If Xchanges by one unit under conditions A, B and C, then Y shouldchange by x units� (Blalock, 1967: 130).
UFPE (DCP ) Baseado em Moore (2007) 14/04 48 / 56
O que é causalidade?Tipos de causalidade (Asher 1983)
UFPE (DCP ) Baseado em Moore (2007) 14/04 49 / 56
O que é causalidade?Pressupostos (Asher 1983)
1 X e Y devem ser correlacionados (Correlação entre X e Y 6=0)
2 Assimetria temporal (a ocorrência de X deve preceder a ocorrência deY)
3 Eliminação de causas concorrentes (o efeito de X sobre Y NÃO podesumir após controlar a relação por Z)
UFPE (DCP ) Baseado em Moore (2007) 14/04 50 / 56
O que é causalidade?Pressupostos (Asher 1983)
1 X e Y devem ser correlacionados (Correlação entre X e Y 6=0)2 Assimetria temporal (a ocorrência de X deve preceder a ocorrência deY)
3 Eliminação de causas concorrentes (o efeito de X sobre Y NÃO podesumir após controlar a relação por Z)
UFPE (DCP ) Baseado em Moore (2007) 14/04 50 / 56
O que é causalidade?Pressupostos (Asher 1983)
1 X e Y devem ser correlacionados (Correlação entre X e Y 6=0)2 Assimetria temporal (a ocorrência de X deve preceder a ocorrência deY)
3 Eliminação de causas concorrentes (o efeito de X sobre Y NÃO podesumir após controlar a relação por Z)
UFPE (DCP ) Baseado em Moore (2007) 14/04 50 / 56
O que é causalidade?Pressupostos (representação grá�ca)
1 Corr entre X e Y 6= 0
2 ∆tX > ∆tY (X ocorre antes de Y)3 O efeito de X sobre Y não some após controlar por Z
UFPE (DCP ) Baseado em Moore (2007) 14/04 51 / 56
O que é causalidade?Pressupostos (representação grá�ca)
1 Corr entre X e Y 6= 02 ∆tX > ∆tY (X ocorre antes de Y)
3 O efeito de X sobre Y não some após controlar por Z
UFPE (DCP ) Baseado em Moore (2007) 14/04 51 / 56
O que é causalidade?Pressupostos (representação grá�ca)
1 Corr entre X e Y 6= 02 ∆tX > ∆tY (X ocorre antes de Y)3 O efeito de X sobre Y não some após controlar por Z
UFPE (DCP ) Baseado em Moore (2007) 14/04 51 / 56
De�nição(Moore, 2007, e.g. Tabela 2.14)
Modelo de crescimento linear: a variável cresce linearmente sobre otempo, quando o crescimento se dá por incremento constante osquais se somam a cada período de tempo.
Modelo de crescimento exponencial: a variável cresceexponencialmente sobre o tempo, quando o crescimento se dá porincrementos constantes os quais se multiplicam a cada período detempo.
UFPE (DCP ) Baseado em Moore (2007) 14/04 52 / 56
De�nição(Moore, 2007, e.g. Tabela 2.14)
Modelo de crescimento linear: a variável cresce linearmente sobre otempo, quando o crescimento se dá por incremento constante osquais se somam a cada período de tempo.
Modelo de crescimento exponencial: a variável cresceexponencialmente sobre o tempo, quando o crescimento se dá porincrementos constantes os quais se multiplicam a cada período detempo.
UFPE (DCP ) Baseado em Moore (2007) 14/04 52 / 56
Exemplo de Modelo Exponencial(Produção de petróleo por ano)
UFPE (DCP ) Baseado em Moore (2007) 14/04 53 / 56
Exercícios(Exemplo 2.18/e.g. Tabela 2.19)
1 Fazer o scatterplot de s,y
2 Obter o y estimado3 Fazer o grá�co dos resíduos versus idade4 Identi�car outliers
UFPE (DCP ) Baseado em Moore (2007) 14/04 54 / 56
Exercícios(Exemplo 2.18/e.g. Tabela 2.19)
1 Fazer o scatterplot de s,y2 Obter o y estimado
3 Fazer o grá�co dos resíduos versus idade4 Identi�car outliers
UFPE (DCP ) Baseado em Moore (2007) 14/04 54 / 56
Exercícios(Exemplo 2.18/e.g. Tabela 2.19)
1 Fazer o scatterplot de s,y2 Obter o y estimado3 Fazer o grá�co dos resíduos versus idade
4 Identi�car outliers
UFPE (DCP ) Baseado em Moore (2007) 14/04 54 / 56
Exercícios(Exemplo 2.18/e.g. Tabela 2.19)
1 Fazer o scatterplot de s,y2 Obter o y estimado3 Fazer o grá�co dos resíduos versus idade4 Identi�car outliers
UFPE (DCP ) Baseado em Moore (2007) 14/04 54 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56
Sites informativosEstatística aplicada e utilização do SPSS
http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
http://www.statsoft.com/textbook/
http://www.odum.unc.edu/bollen/home.htm
http://www.stat.tamu.edu/spss.php
http://www.spss.com/training/descriptions.cfm
http://www.psych.utoronto.ca/courses/c1/spss/page1.htm
http://webcast.berkeley.edu/course_details.php?seriesid=1906978362
UFPE (DCP ) Baseado em Moore (2007) 14/04 55 / 56