Analise multifatorial
Analizar – redução de dimensão – fator – descritivos (ativar desc.univar, soluc inicial, anti
imagem, teste de esferd bartle) – continuar – extracao( ativar comp princip solu de fator não
rotacion, diagrama/gráfico de escarpa) - continuar – ok
Rotacao Analisar -reducao de dimensão – factor
Os pressupostos da Análise de Variância Multifatorial (MANOVA) são:
1. Normalidade Multivariada:
Os resíduos do modelo MANOVA devem seguir uma distribuição normal
multivariada.
2. Homogeneidade de Variâncias-Covariâncias:
As variâncias-covariâncias entre as variáveis dependentes devem ser iguais para
todos os grupos ou combinações de níveis dos fatores.
3. Independência das Observações:
Observações devem ser independentes entre si.
4. Homogeneidade das Variâncias para Cada Variável Dependente:
Cada variável dependente deve ter homogeneidade de variância em todos os
grupos ou combinações de níveis dos fatores.
5. Ausência de Multicolinearidade:
As variáveis dependentes não devem estar altamente correlacionadas entre si.
Analise de cluster
Analisar – classificar – cluster hierárquico – método padronizado (pontuacoes Z) – diagramas –
ativar dendograma – continuar – ok
Em seguida fazer a determinação dos centroides
Analisar – classificar - laster K – medidas – opções – ativar in. Cluster para cada caso.
Pressupostos da Análise de Cluster:
1. Homogeneidade Dentro dos Grupos: Observações dentro do mesmo grupo são
semelhantes.
2. Heterogeneidade Entre os Grupos: Grupos formados são diferentes uns dos outros.
3. Independência das Observações: A atribuição de uma observação não afeta outras.
4. Normalidade (em alguns métodos): Em alguns métodos, a distribuição das variáveis
é aproximadamente normal dentro de cada cluster.
Analise da Ancova
Pressupostos –
1. A covariável e a variável resposta devem seguir o pressuposto da normalidade
Analisar – estatística descrit – explorar – mover covari para a lista de dependet – diagramas –
ativar diagramas de normalidade com testes.
Se a sig(p value) menor que 0,5 rejeita H0, os dados não seguem uma distribuição normal, se
for maior não se rejita, ou seja não se rejeita ahipotese de que os dados seguem uma
distribuição normal.
2. Deverá haver homogeneidade de variâncias entre os grupos independentes.
Analisar – comparar médias- ANOVA a um factor – mover a variável resposta (peso)para a lista
dependente e a variável de previsão (categórica – Variedade de mangueira)para alista factor –
clicar em opções- seleccionar homogeneidade do teste de variância.
Interpretação: Se a Sig. (P-value) < 0.05 – Rejeita-se H 0 , os grupos são heterogéneos. Se a
Sig. (P-value) > 0.05 – Não se pode rejeitar H 0 , ou seja não se pode rejeitar a hipótese de
que existe homogeneidade de variâncias entre os grupos independentes.
3. A covariável não deverá estar correlacionada coma variável resposta, a um nível
superior a 0.80.
Analisar- Regressão- Linear- Lista dependente (variável resposta – Peso das mangas) –lista
independente (s) (Nº de mangas por planta - covariável) – Ok.
Interpretação: R (Coeficiente de correlação) = 0.911 (as variáveis estão fortemente
correlacionadas). R quadrado (é o coeficiente de correlação ao quadrado) = 0.829 - é a
proporção da variância explicada pelo modelo. Recta de Regressão: Y= 3.953+2.623X 3.953 é
a ordenada na origem. 2.623 é o declive. Neste caso o modelo afirma que: Peso das mangas =
3.953+2.623*Nº de mangas por planta.O valor positivo de 2.623 do declive dá-nos a indicação
de que a recta cresce daesquerda para a direita. (direcção da associação entre as variáveis).
4. A força e a direcção da associação entre a covariável e a variável resposta deve ser similar
em cada um dos grupos independentes – Este pressuposto é conhecido como homogeneidade
de Regressão.
Força da Associação: A covariável (Nº de mangas por planta) deverá ter a mesma correlação
com a variável resposta (peso das mangas), para as 4 variedades de mangueira –
homogeneidade de covariâncias.
Dados – Dividir arquivo – organizar saída por grupos – Grupos baseados em:Variedade de
Mangueiras (variável de previsão- categórica) – classificar o arquivo agrupando variáveis – Ok.
No output aparece a mensagem: Split File SEPARETED BY Mangueira – dividir arquivo separado
por mangueira (variedade de mangueira). Analisar – Regressão – Linear –
Dependente (Peso das mangas) – independente (s)(Nº de mangas por planta) – Ok.
Dados – Dividir arquivo – analisar todos os casos, não criar grupos – Ok.
No output aparece a mensagem: Split File Off.
Analisar – Modelo Linear Geral – com uma única variável – variável dependente (pesodas
mangas) – Factor (es) Fixo (s) (variedade de mangueiras) – covariável (eis) (Nº de mangas por
planta) – Modelo – Personalizado – Seleccionar:– Clicar em continuar – clicar em Ok.
Interpretação do Output: Olhar a tabela de Testes de efeitos entre assuntos
olhar na linha da interacção entre Mangueira*Quantidade. Se P-value > 0.05 - Não se pode
rejeitar a hipótese nula que afirma que não existe efeito da interacção Variedade de
Mangueira e Nº de mangas por planta, no peso das mesmas. O que significa que está
assegurado o pressuposto da homogeneidade de regressão.
Como interpretar o output (saída) do Spss referente a Análise de Covariância Vs Interpretação
da ANCOVA - exemplo prático.
1. Olhar a significância ou o p-value do teste de Levene de igualdade da variância dos erros,
para interpretar a homogeneidade de variâncias.
Se P-value (Sig.) < 0.05, rejeita-se H 0 , e é violado o pressuposto da homogeneidade de
variâncias. Deve-se verificar a presença de outliers ou recorrer a testes não paramétricos. Se P-
value (Sig.) > 0.05, então é verificado o pressuposto da homogeneidade de variâncias e
deverá continuar a análise. Olhar o teste de Levene de igualdade da variância dos erros.
Objectivo: interpretar a homogeneidade de variâncias. Sig. = 0.185 > 0.05 → Verifica-se o
pressuposto da homogeneidade de variâncias e deve-se continuar com a análise.
2. Olhar o teste de efeitos entre assuntos na coluna de Sig. (este é o p-value que deverá ser
analisado). Deve-se olhar em primeiro lugar a linha da covariável. Se P-value (Sig.) < 0.05,
então o ajustamento da covariável é significativo na associação entre as variáveis de previsão e
resposta. Se P-value (Sig.) > 0.05, então a covariável não se ajusta à associação entre a
variável de previsão e a variável resposta. Sig. = 0.000 < 0.05 → o ajustamento da covariável
é significativo na associação entre as variáveis de previsão e resposta.
3. Olhar o P-value associado à variável de previsão (variável que define os grupos, variável de
agrupamento ou categórica). Se P-value (Sig.) < 0.05, então a diferença entre os grupos (ou
níveis da variável) é estatisticamente significativa. Se P-value (Sig.) > 0.05, então a diferença
entre os grupos (ou níveis da variável) não é estatisticamente significativa. Sig. = 0.043 <
0.05 → A diferença entre os grupos (ou níveis da variável) é estatisticamente significativa.
4. Se a covariável é significativa e a variável de previsão também, então há evidências que há
diferença estatisticamente significativa entre os grupos ou níveis quando mantém-se
controlada a covariável. Se a covariável é significativa e a variável de previsão não é
significativa → A ANCOVA dá evidências que a covariável não se ajusta à associação. Se a
covariável não é significativa e a variável de previsão é significativa → a covariável não se
ajusta à associação entre a variável de previsão e a variável resposta.
Analise da Ancova
Analisar – modelo linear geral – como uma única variável – selecionar resposta (continua)
mover para lista de fatores fixos – selecionar a covariavel( discreta/continua) e mover para
coovariavel. – opções- em medias marginais estimadas, plhar a caixa fatores e interacoes de
fatores – selecionar a variável de previsão(categórica) e mover para caixa/lista exibir medias
clicar em comparar medias principais para selecionalo – bonferroni – estatísticas descritivas,
estimativas de tamanho de efeito, potencia observada e testes de homogeneidade – continuar
- ok
