Metodos Quantitativos para Ciencias Sociais

Prévia do material em texto

Introdução ao curso: 
Métodos Quantitativos para Ciências 
Sociais 
Prof. Marcos Vinicius Pó 
Métodos Quantitativos para Ciências Sociais 
1 
Agenda 
• Por que estudar métodos quantitativos? 
 
• Estrutura e metodologia do curso. 
 
• Princípios e lógicas do pensamento estatístico. 
 
• Princípios das ciências sociais e dos métodos quantitativos. 
 
• Conceitos e alguns exemplos de técnicas estatísticas. 
 
2 
Por que estudar métodos quantitativos e 
estatística? 
• Necessidade de processar e sintetizar grandes quantidades de 
dados e informações de uma maneira inteligível. 
 
• Capacidade de aprender sobre populações e grupos de uma 
maneira mais rápida e confiável. 
 
• Aproveitar a grande disponibilidade de dados, indicadores e 
informações. 
 
• Aprender a lidar com as incertezas e variabilidades do processo 
científico social. 
 
• Desenvolver um ceticismo saudável em relação aos números, 
conhecendo seus limites e possibilidades. 
3 
Programa resumido 
Teoria 
1. A lógica dos métodos quantitativos e o uso da estatística na pesquisa social. 
2. Revisão básica de estatística descritiva. 
3. Teorema do Limite Central 
4. Distribuição amostral da média e da variância. 
5. Intervalo de confiança. 
6. Testes de hipótese para médias, proporções e comparação de duas médias. 
7. Amostragem e determinação do tamanho da amostra. 
8. Testes não paramétricos: aderência, homogeneidade e independência. 
9. Análise de variância (ANOVA). 
10. Correlação. 
11. Regressão linear simples. 
12. Apresentação de dados quantitativos e cuidados com estatísticas. 
 
Prática 
1. Uso de planilhas e gráficos. 
2. Trabalho com bancos de dados. 
3. Uso do SPSS para análise de dados e de regressão. 
4 
Objetivos de aprendizado 
• Ao final do curso os alunos deverão: 
► Entender melhor a metodologia científica e a lógica das pesquisas 
quantitativas. 
► Dominar algumas técnicas estatísticas de análise de dados e teste de 
hipóteses. 
► Conhecer a lógica do pensamento probabilístico, ou seja, de que 
estamos cercados por incertezas 
► Possuir os conhecimentos básicos para desenhar, executar e analisar 
uma pesquisa quantitativa. 
► Desenvolver uma avaliação crítica sobre os dados e números com que 
se depararem na vida cotidiana e acadêmica. 
► Conhecer várias letras gregas. 
5 
Metodologia didática e avaliação 
• Didática 
► Aulas expositivas. 
► Práticas no laboratório (uso de planilhas e pacotes estatísticos) 
► Exercícios (em sala, listas e livros) 
► Material disponível no blog 
http://perguntasaopo.wordpress.com/disciplinas/mqcs/ 
 
• Avaliação: 
► (a). Provas + exercícios 
o Duas provas 
– Recuperação para quem ficou com conceito final D ou F e reposição. 
o Exercícios em grupos em sala ou entregues: serão avaliados com conceitos. 
o Os três itens (2 provas + média dos exercícios) terão pesos iguais no conceito final. 
► (b) Apresentação semanal em grupo: pode valer indicativo “+” ou “–”. 
► As provas e exercícios serão avaliadas por conceitos, podendo ter indicativos 
“+” ou “-”, de forma a diferenciar a demonstração do aprendizado. 
6 
Apresentação semanal de tópico 
• Funcionamento: 
► Apresentação sobre os temas apresentados (quase) semanalmente: 
podem ser sobre algum aspecto da estatística, um exercício, um 
problema a ser analisado... 
► 15 minutos, máximo de 5 slides 
► Grupo a apresentar será sorteado aleatoriamente. 
 
• Avaliação: 
► Terá indicativo “-” para a definição do conceito final se o grupo não 
se apresentar ou se a apresentação tiver erros. 
► Grupos que se apresentarem 3 ou mais vezes terão indicativo “+”. 
7 
Livros recomendados 
FARBER, B.; LARSON, R. Estatística aplicada. Ed. Pearson Prentice Hall, 2009 
 
 
 
ANDERSON, D. R., SWEENEY, D. J., WILLIAMS, T. A. Estatística Aplicada à 
Administração e Economia. Ed. Pioneira Thomson Learning. 2011 
 
 
 
LEVIN, J.; FOX, J. Estatística para ciências humanas, São Paulo: Prentice Hall, 
2004 
 
 
 
BUSSAB, W.; Morettin, P. Estatística básica. Ed. Saraiva, 2006 
8 
Necessidades para o curso 
Calculadora (preferencialmente científica): 
► Serão usadas nas aulas e nas provas. Conheça a sua, saiba o 
que está fazendo. 
 
Formulários e tabelas: 
► Pode-se consultar um formulário nas provas. O tamanho 
máximo é uma folha A4. Serão entregues tabelas que devem 
ser trazidas para as aulas e as provas. 
 
Arquivos eletrônicos e bancos de dados: 
► Organizem seus arquivos para que eles estejam em ordem e 
acessíveis. Façam backup! 
 
Planilhas eletrônicas: MS Excel, BrOffice Calc 
► É fundamental dominar planilhas eletrônicas e seus 
recursos. 
 
9 
Pensamento quanti-estatístico 
• Primórdios: 
► Centralização administrativa e burocratização. 
► Aritmética política (séc. XVII). 
► Estudar fenômenos de massa, de grandes proporções. 
► Positivismo: busca de fatos e verdades de forma científica, seguindo 
os padrões das ciências da natureza. 
 
• Lógicas: 
► O mundo possui regularidades que podem ser descobertas ou 
acessadas observando-se os agregados dos grandes números. 
► É necessária informação confiável para orientar a ação social. 
► Os métodos quantitativos são consistentes para descobrir e testar 
relações causais, especialmente em fenômenos de massa. 
 
 
 
10 
Deterministas x Probabilistas 
• Determinista: o mundo 
pode ser compreendido e 
determinado em sua 
totalidade. Apenas não 
conseguimos ainda 
processar e determinar 
todas as informações e 
relações existentes. 
Conseguimos, 
eventualmente, ter provas 
de como as coisas 
funcionam e podemos fazer 
afirmações categóricas. 
 
• Probabilista: o mundo não 
pode nem poderá ser 
completamente 
determinado. Podemos 
avançar nosso 
entendimento, mas sempre 
haverá algo que não 
seremos capazes de explicar. 
Conseguimos, 
eventualmente, determinar 
as chances de que algo 
aconteça, mas não podemos 
garantir que elas venham a 
ocorrer. 
 
11 
Esse cara tem um pensamento probabilístico? 
12 
13 
O que a estatística nos diz? 
 
14 T
h
e 
Ec
o
n
o
m
is
t,
 F
eb
 1
st
 2
01
4:
 M
o
b
ili
ty
, m
ea
su
re
d
 
(h
tt
p
:/
/w
w
w
.e
co
n
o
m
is
t.
co
m
/n
ew
s/
u
n
it
ed
-s
ta
te
s/
21
59
54
37
-a
m
er
ic
a-
n
o
-l
es
s-
so
ci
al
ly
-m
o
bi
le
-i
t-
w
as
-
ge
n
er
at
io
n
-a
go
-m
o
bi
lit
y-
m
ea
su
re
d
) 
“Causos” versus estatísticas 
• Estudos de Paul Slovic mostram que as pessoas tendem a abstrair da 
sobrecarga de dados e ter mais empatia com “vítimas identificáveis” do que 
com “vítimas estatísticas” (psychic numbing). 
► Em um experimento, voluntários podiam contribuir com $5 para a uma fundação. Os 
que tiveram apenas estatísticas doaram em média $1,17, contra $2,83 para os que 
receberam também a história de uma vítima com foto. 
► Além disso, parte de cada grupo recebeu um texto sobre a sensibilização causada pelas 
histórias. Houve leve aumento na doação dos que receberam apenas estatísticas, mas 
grande decréscimo para os que tiveram acesso à história da “vítima identificável”. 
 
• Histórias tem mais poder para gerar empatia e convencer as pessoas 
do que números e estatísticas. Mas podem ser enganosas e enviesadas. 
15 Fo
n
te
: h
tt
p
:/
/b
lo
gs
.w
or
ld
b
an
k.
o
rg
/i
m
p
ac
te
va
lu
at
io
n
s/
im
p
ac
t-
n
ar
ra
ti
ve
-g
u
es
t-
p
o
st
-b
ru
ce
-w
yd
ick 
Lógica da ciência 
•Busca causalidade e 
enunciados. 
• Falseabilidade: as afirmações 
devem poder ser testadas. 
•Métodos, premissas e 
conclusões são provisórios. 
•Elementos: 
► Conceitos: construção de sentido 
► Teoria: explicação provisória da 
realidade, definição de hipóteses 
e questões. 
► Quebra de paradigmas, revisões 
das teorias, modelos e hipóteses. 
Desafios das ciências sociais 
•A causalidade raramente é 
evidente e tende a ser múltipla. 
•Uso de construtos teóricos e 
simbólicos, com conceitos 
imprecisos e contestáveis. 
•Modelos simplificadores da 
realidade. 
• Lidar com a subjetividade e 
com condicionantes históricos 
e culturais. 
• Incertezas e imprecisões nas 
métricas e proxys. 
16 
Ciência e peculiaridades das ciências sociais 
Teorias e modelos explicativos 
• Ajudam na: 
► Construção de questões e hipóteses. 
► Simplificação da nossa compreensão de mundo - referencial analítico. 
► Organização dos dados e observações. 
 
• Modelo teórico: 
► Simplificação útil da realidade, salienta aspectos relevantes para os 
objetivos da pesquisa. 
► Podem ser mais abstratos (parcimoniosos e generalistas) ou mais 
específicos (maior número de variáveis e dificuldade de 
generalização). 
 
• Os modelos explicativos permitem testes. 
17 
Modelos explicativos em métodos quantitativos 
• Necessidade de estabelecer relações causa-efeito. 
 
• Variáveis: 
► Variável dependente (Y): variável ou fenômeno a ser explicado. 
► Variável independente (X): variáveis explicativas (causais). 
o Podem ser variáveis de interesse e de controle. 
 
• Modelo: Y = F(X1; X2; ...Xn) 
► F é uma função matemática (linear, exponencial, quadrática, de magnitude 
mutável...) 
 
• Contudo, relações causais nem sempre podem ser determinadas 
com precisão em fenômenos sociais. 
► Múltipla causalidade. 
► Causa pode ser condição necessária, mas não suficiente. 
► Seqüência temporal nem sempre ocorre: antecipação, expectativa. 
 18 
Pontos fortes 
•Capacidade de generalização. 
•Possibilidade de replicação. 
•Procedimentos e técnicas 
padronizados para coleta de 
dados e análise. 
•Credibilidade junto a alguns 
públicos. 
•Desenho de pesquisa claro e 
formalizado. 
 
Limites 
•Falta de flexibilidade. 
•Necessita de modelos 
explicativos claros. 
•Perda de informação e 
dificuldade de captar 
informações sutis. 
•Risco de simplificações e 
comparações equivocadas. 
19 
Métodos quantitativos 
Formalização de uma pesquisa quantitativa 
1. Definição do problema e questões de pesquisa. 
 
2. Formalização de modelo explicativo  teorias. 
 
3. Definição de hipótese a ser testada. 
 
4. Definição de testes estatísticos a serem usados e de níveis de 
confiança. 
 
5. Operacionalização das variáveis, conceitos, amostragem... 
► Proxys; limitações; imprecisões; comparabilidade; viés... 
 
6. Processamento e teste das hipóteses. 
 
7. Análise dos resultados. 
 
20 
EXEMPLO DE UMA ANÁLISE 
QUANTITATIVA DO SÉCULO XIX 
21 
Contaminação 
por cólera em 
Londres (1849, 
1854) 
22 
Uma das crenças da 
época era que a 
contaminação se dava 
pela inalação de 
vapores tóxicos, não 
pela água. 
 
John Snow 
considerava que a água 
era uma das principais 
fontes de 
contaminação. Para 
isso, desenvolveu uma 
análise espacial dos 
óbitos de cólera. 
Fo
n
te
: “
O
n
 t
h
e
 m
o
d
e
 o
f 
co
m
m
u
n
ic
at
io
n
 o
f c
h
o
le
ra
. J
o
h
n
 S
n
o
w
 (
18
54
).
 P
P
 6
2
-6
3 
Modelo e operacionalização da pesquisa 
 
23 
Lógica da pesquisa Operacionalização 
Formalização do modelo explicativo A contaminação por cólera é função da fonte de 
água, que serve de cultura e forma de transmissão 
para o vírus. 
Definição de hipótese a ser testada Uma fonte contaminada aumenta a presença de 
casos de cólera em seu entorno. 
Definição de testes estatísticos a serem 
usados e de níveis de confiança 
Análise gráfica georeferenciada. 
Operacionalização das variáveis, 
conceitos, amostragem... 
Contaminação: óbito por cólera. 
Fonte de água: localização das bombas. 
Processamento e teste das hipóteses Plotagem dos casos fatais de cólera em seus 
endereços e localização das fontes de água. Cada 
traço representa um óbito. 
Análise dos resultados Relação forte entre a proximidade de uma 
determinada bomba d’água e de grande número 
de casos de óbito por cólera. 
24 
A análise permitiu 
localizar uma 
possível fonte da 
epidemia (bomba 
d’água na Broad 
Street) e levou ao 
seu fechamento. 
 
A relação entre 
contaminação por 
cólera e a fonte de 
água fica mais 
evidente? 
A parte pelo todo? 
• Se queremos saber algo sobre a população, porque não 
medimos todos os seus elementos? 
 
• Pode ser: 
► Trabalhoso 
► Caro 
► Inviável 
► Porque queremos incluir elementos inacessíveis (passado, futuro...) 
► Porque não é uma população no seu sentido tradicional (ex.: vitórias 
do partido X, tempo de espera em filas...) 
► Porque não é necessário 
25 
Vamos ver três tipos de estatística 
• Descritiva: visa sintetizar grandes quantidades de dados em números 
informativos (contagens, médias, desvio-padrão...) e/ou em 
visualizações (gráficos, diagramas...).  “O que temos aqui?” 
 
• Exploratória: objetiva gerar hipóteses, aprofundar no conhecimento e 
análise dos dados.  “O que esses dados parecem querer dizer?” 
 
• Inferencial: busca fazer afirmações sobre populações a partir de 
amostras, fazer predições.  “O que podemos afirmar com base nesses dados?” 
► Estimativas de parâmetros 
► Testes de hipóteses 
► Previsões 
 
• Trataremos apenas de análises com uma variável independente 
(explicativa). Para o estudo de fenômenos com múltiplas variáveis são 
utilizados métodos de análise multivariada. 
26 
Exemplos de técnicas estatísticas 
• Análises gráficas 
 
• Comparação de (para uma ou 
várias populações): 
► Médias 
► Medianas 
 
• Testes não paramétricos: 
► Aderência, independência, 
homogeneidade 
► Wilconox 
► Teste dos sinais 
► Kruslal-Wallis 
 
• ANOVA (várias populações) 
• Regressão 
► Simples 
► Múltipla 
► Logística 
 
• Análise de componentes 
principais 
 
• Análise de clusters 
 
• Análise discriminante 
 
• Análise fatorial 
 
• Séries temporais 
27 
Técnicas 
multivariadas 
Apresentação grupos: dia 10/02 (terça) 
• Definir: 
► Dados 
► Microdados 
► Metadados 
 
• Apresentar pelo menos 15 bancos de dados públicos, com 
indicação das principais informações disponíveis. 
 
 
28 
Banco e endereço Área(s) 
Principais indicadores e 
dados disponíveis 
Observações (se 
aplicável)