Análise de Dados Quantitativos em Psicologia
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Objetivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
Gerais
– Demonstra reconhecer o potencial para a reflexão teórica e para a investigação empírica em psicologia das técnicas computorizadas de síntese estatística de dados multivariados, nomeadamente a modelação de equações estruturais.
– Demonstra competências para adequar a instrumentação estatística de síntese de dados multivariados a planos de investigação correlacional transversal que envolvem a análise de relações de predição numa única amostra.
– Demonstra competências para identificar os vários tipos de modelos de relações de predição.
Específicos
– Demonstra competências para utilizar técnicas estatísticas multivariadas, de primeira e de segunda geração, para analisar relações de predição.de acordo com a natureza métrica das variáveis.
– Demonstra competências de produção e análise de resultados do teste, no SPSS, de modelos de regressão linear múltipla.
– Demonstra competências de produção e análise de resultados do teste, no PRELIS2/LISREL8, de modelos de equações estruturais com variáveis manifestas (contínuas e categoriais) e com variáveis latentes.
Conteúdos Programáticos
Conteúdos programáticos
1. Enquadramento epistemológico.
1.1. Importância da instrumentação para o progresso científico.
1.2. Adequação da instrumentação estatística de síntese de dados multivariados (IESDM) aos planos de investigação.
1.3. Contrastação entre a IESDM de primeira e de segunda geração.
1.4. Vantagens da IESDM de segunda geração.
1.5. A natureza probabilística dos modelos de regressão linear.
1.5.1. Relações de predição: sinal e ruído.
1.5.2. Precisão preditiva interpolativa e extrapolativa.
2. Análise de modelos de regressão linear múltipla no SPSS.
2.1. Pressupostos de independência, normalidade e homocedasticidade dos resíduos e de não-colinearidade.
2.2. Coeficientes de regressão e coeficiente de determinação de um modelo.
2.3. Métodos de seleção do melhor modelo.
3. Análise de modelos de equações estruturais no LISREL8-SIMPLIS.
3.1. Pressupostos e decisão sobre métodos de estimação no PRELIS2.
3.1.1. Dimensão da amostra e potência estatística.
3.1.2. Diagnóstico de admissibilidade das soluções estatísticas: normalidade, linearidade e não-colinearidade multivariada das variáveis manifestas.
3.1.3. Matrizes de variâncias-covariâncias tetracóricas/policóricas/polisseriais ou de Pearson e decisão sobre métodos de estimação de um modelo: máxima verosimilhança, com ou sem correção para a não-normalidade das variáveis manifestas, e mínimos quadrados diagonalmente ponderados.
3.2. Tipos de modelos e sua avaliação no LISREL8-SIMPLIS.
3.2.1. Modelos de regressão múltipla.
3.2.2. Modelos uni e multifatoriais (oblíquos, ortogonais e hierárquicos).
3.2.3. Modelos de múltiplas causas e múltiplos indicadores (MIMIC).
3.2.4. Modelos de mediação com variáveis latentes e path analysis.
3.2.5. Modelos não-recursivos.
3.2.6. Diagnóstico de adequabilidade de um modelo: índices de ajustamento e seus pontos de corte.
3.2.7. Avaliação substantiva de um modelo: estatísticas de relações de predição e modalidades de modificação: supressão e/ou geração de relações (covariâncias de resíduos e relações não-recursivas) substantivamente justificáveis.
3.2.8. Comparação entre modelos alternativos ou concorrentes.
Métodos de Ensino
Métodos de ensino
Aulas Teórico-Práticas
Salvo nas duas aulas eminentemente expositivas respeitantes às matérias ao ponto 1. dos conteúdos programáticos, nas outras aulas é feita uma abordagem eminentemente prática às restantes matérias. Elas iniciam-se por um período de enquadramento com ilustração de procedimentos baseado num ficheiro de dados SPSS relativo à adaptação dos estudantes ao Ensino Superior (previamente criado no âmbito da UC de Investigação e Análise de Dados em Psicologia), ao que se segue a execução supervisionada dos mesmos por parte dos estudantes organizados em pequenos grupos. Com estas aulas teórico-práticas visa-se a elaboração de fichas de trabalho sobre os procedimentos realizados e sua justificação.
Pretende-se que a decomposição analítica dos procedimentos utilizados em torno da organização sequencial de complexidade crescente das matérias permita uma síntese integradora para a interpretação dos resultados do teste de modelos de regressão linear múltipla com o SPSS e de equações estruturais com o PRELIS2/LISREL8.
Trabalho autónomo dos estudantes.
Avaliação
Métodos de avaliação
Regime de Avaliação Contínua
Para aprovação na UC é obrigatória a presença dos estudantes em 75% das aulas, bem como a obtenção de uma classificação mínima de 9.5 valores para cada um dos elementos de ambas as componentes de avaliação que a seguir se apresentam.
(1) Componente de avaliação de trabalhos de grupo realizados em casa durante o período de aulas do semestre (40%): produção e análise de um output SPSS relativo ao teste de um modelo de regressão linear múltipla com base num ficheiro de dados SPSS fornecido para o efeito. O ficheiro é enviado por correio eletrónico num dia e o trabalho é entregue em suporte papel no dia seguinte.
(2) Componente de avaliação de trabalhos individuais realizados em casa durante o período de aulas do semestre (60%): produção e análise de um output LISREL8, bem com do respetivo output PRELIS2, relativo ao teste de um modelo MIMIC com base num ficheiro de dados SPSS fornecido para o efeito. O ficheiro é enviado por correio eletrónico num dia e o trabalho é entregue em suporte papel dois dias depois.
No caso da não aprovação de trabalhos com classificações iguais ou superiores a 7.5, serão discutidas sugestões para a sua reformulação e o novo trabalho será reavaliado. Estes novos trabalhos serão classificados até 10.5 valores, por razões de equidade.
Regime de Avaliação Final
Individual, implicando um mínimo de comparência de 75% nas aulas, cuja classificação deriva da conjugação dos resultados obtidos nos mesmos elementos da avaliação contínua, com a respetiva ponderação. Para um estudante com classificação igual ou superior a 9.5 valores num desses elementos, ela será considerada para a classificação final.
Bibliografia
Diniz, A. M. (2022). Benefícios da modelação de equações estruturais: Ilustração com variáveis ordinais no LISREL. Centro de Investigação em Educação e Psicologia da Universidade e Évora.
Jöreskog, K. G. (2005). Structural equation modeling with ordinal variables using LISREL. https://ssicentral.com/wp-content/uploads/2021/04/lis_ordinal.pdf
Kline, R. B. (2016). Principles and practice of structural equation modeling (4rd ed.). Guilford Press.
Schumacker, R. E., & Lomax, R. G. (2010). A beginners guide to structural equation modelling (3rd ed.). Routledge.
Equipa Docente (2023/2024 )
- António Augusto Pinto Moreira Diniz [responsável]
