ROTEIRODEAULASPSSDIA4

ROTEIRO DE AULA SPSS – Dia 4

Análises de Correlação e Causalidade entre Variáveis
Sumário
Associação e Correlação: 1
1. Coeficientes de Correlação: 1
Análise de Causalidade: 1
2. Análise de Regressão Linear: 1
3. Análise de Regressão Logística: 3

Correlação:
1. Coeficientes de Correlação:
Medidas Simétricas (não importa a posição das variáveis em termos de quem é depende e quem é independente)
Dados Escalares:
1. Pearson – dados escalares e distribuição normal
Dados Ordinais
Spearman – muitos dados do tipo ordinal
Kendaull’s Tau-b – poucos casos do tipo ordinal com grande número de casos empatados
Dados Nominais:
Phi – dados nominais com 2 categorias de resposta (também pode ser usado em variável ordinal)
Coeficiente de Contingência – dados nominais com mais de 2 categorias de resposta e deve ser utilizado apenas para comparar tabelas do mesmo tamanho
Cramer – dados nominais com mais de 2 categorias de resposta e pode ser utilizado para comparar tabelas de tamanho diferente
Medidas Direcionais (importa a posição das variáveis em termos de quem é depende e quem é independente)
Dados Ordinais e Escalares:
Somer´s d – sem restrições
Dados Nominais:
Lambda Goodman and Kruskal tau – sem restrições
Coeficiente de Incerteza: sem restrições
Análise de Causalidade:
2. Análise de Regressão Linear:
Condições:
Variável dependente deve ser quantitativa e não limitada
Todas variáveis independentes devem ser quantitativas ou categóricas (2 categorias – variável dummy: uma variável com várias categorias pode ser transformada em várias dummys)
Pelo menos 15 casos por variável independente
Análise de valores atípicos (outliers) – retirar os casos significativos (STATISTICS → RESIDUALS → CASEWISE DIAGNOSTICS)
Variáveis independentes não podem ser valores constantes (STATISTICS → DESCRIPTIVES)
Multicolinearidade: não pode existir correlação alta entre as variáveis independentes
(STATISTICS → DESCRIPTIVES )
(STATISTICS → COLLINEARITY DIAGNOSTICS)
Homocedasticidade: resíduos devem