Baixe o app para aproveitar ainda mais
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)
Compartilhar