Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Estatística e Análise de Dados

Departamento / Department

Departamento de Métodos de Pesquisa Social

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Não se aplica

Objetivos Gerais / Objectives

Pretende-se com esta unidade curricular proporcionar aos alunos o desenvolvimento de competências na utilização de métodos, de utilização generalizada na Ciência Política, que permitem a análise da relação entre variáveis com recurso a modelos de regressão (linear e logística)´, - com recurso a um software de análise de dados (IBM SPSS Statistics). Pretende-se que os estudantes aprendam: a) a analisar situações em que se estabelecem relações de dependência entre diferentes tipos de variáveis, no contexto da análise de dados multivariada; b) a usar uma ferramenta que lhe permite realizar as análises estatísticas necessárias à abordagem desses modelos; c) sumariar, apresentar e interpretar os resultados estatísticos obtidos.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final da UC, cada estudante deverá ter adquirido as competências necessárias para: OA1.Identificar o objetivo dos métodos aprendidos e selecionar o adequado a cada situação. OA2.Realizar e interpretar uma Regressão Linear. OA3.Realizar e interpretar uma Regressão Logística Binária. OA4.Realizar, no SPSS, uma análise de Regressão Linear e uma análise de Regressão Logística. OA5.Sumariar, apresentar e interpretar, os resultados obtidos tendo em vista a elaboração de um relatório de análise de dados ou de um artigo

Conteúdos Programáticos / Syllabus

1.Modelo de Regressão Linear 1.1.Definição e hipóteses do modelo 1.2.Estimação dos parâmetros; Coeficientes de correlação e de determinação múltiplos; Inferência 1.3.Coeficientes de correlação parciais e semi-parciais 1.4.Interpretação e apresentação dos resultados 1.5.Aplicações com o SPSS 2.Regressão categorial: Logística Binária 2.1.Regressão Logística versus Regressão Linear: comparação de modelos 2.2.Transformação Logit 2.3. Qualidade e precisão do modelo 2.4. Teste ao Modelo: Teste do Qui-quadrado 2.5. Coeficientes do Modelo de Regressão Logística: odds e odds ratio 2.6. Teste aos parâmetros: Wald test 2.7. Outliers e casos influentes: Análise dos resíduos 2.8.Aplicações com o SPSS

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Os conteúdos programáticos na sua totalidade estão alinhados com o OA1, que visa a identificação do objetivo dos dois métodos aprendidos e a seleção do adequado a cada situação. Os pontos 1.1 a 1.5 do programa estão diretamente relacionados com o OA2, que procura capacitar os estudantes para a realização e interpretação de uma regressão linear simples ou múltipla. Os pontos 2.1 a 2.7 do programa estão alinhados com o OA3, que tem como meta capacitar os estudantes para realizar e interpretar uma regressão linear logística. Os pontos 1.6 e 2.8 do programa, que estão associados às aplicações práticas utilizando o SPSS, correspondem ao OA4. Por fim, todos os pontos do programa contribuem para o OA5, que busca desenvolver a capacidade de sumarizar, apresentar e interpretar os resultados obtidos, visando a elaboração de relatórios de análise de dados ou artigos.

Avaliação / Assessment

Existem duas modalidades de avaliação: 1. Avaliação durante o semeste: a) Trabalho de grupo a entregar no final do semestre, com discussão (40%); nota mínima: 10 valores. O trabalho consiste na elaboração de uma relatório de análise de dados, com aplicação dos conteúdos programáticos, a partir de uma base de dados disponibilizada pela equipa docente. Ao longo do semestre existirão aulas dedicadas ao desenvolvimento do relatório final, nas quais todos os membros do grupo devem estar presentes. b) 5 Mini-fichas, das quais contam para avaliação os quatro melhores resultados (no total pesam 30%). As mini-fichas são feitas ao longo do semestre no início das aulas com o objetivo de rever e avaliar a matéria dada na(s) aula(s) anterior(es). São individuais e têm a duração de 10 minutos cada uma delas. Em termos de formato, poderá incluir perguntas de escolha múltipla, perguntas de verdadeiro ou falso, perguntas diretas ou preenchimento de informação em falta em tabelas ou texto. c) Dois exercícios com aplicação de SPSS (um relativo à Regressão Linear e outro à Regressão Logística) e escrita de texto síntese de resultados (15% cada), cada um deles com nota mínima de 7 valores. Os exercícios com aplicação de SPSS são feito após a conclusão do conteúdo programático correspondente. 2. Avaliação por exame: teste escrito (65%) e teste de SPSS com escrita de relatório (35%). A melhoria de nota implica a realização do teste escrito (65%) e o exercício com aplicação de SPSS (35%).

Metodologias de Ensino / Teaching methodologies

O processo de ensino-aprendizagem desenvolve-se através de aulas teórico-práticas, sessões laboratoriais (orientadas para o trabalho prático, com recurso ao SPSS) e orientação tutorial. Nas aulas teórico-práticas, a apresentação dos métodos é sempre acompanhada de aplicações temáticas que procuram dar resposta a uma questão de investigação. Nas aulas laboratoriais, é feita a aplicação prática dos conteúdos programáticos lecionados, com suporte do software de análise estatística IBM SPSS Statistics. Existem aulas reservadas para o trabalho em grupo que proporcionam aos estudantes a possibilidade de desenvolverem, ao longo do semestre, o seu trabalho final. Isto permite, não apenas a consolidação gradual dos conhecimentos e competências dos estudantes, mas também o acompanhamento regular e presencial do professor. Os alunos são incentivados, ao longo do semestre, à leitura de textos da área da Ciência Política com aplicação dos métodos estatítisticos que fazem parte do programa. Esta leitura permite, por uma lado, o contacto com contextos de investigação adequados à utilização das ferramentas estatísticas espeíficas da UC, como também os ajuda a adquirir competências de escrita de textos síntese de resultados.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As diferentes metodologias de ensino permitirão alcançar os objetivos de aprendizagem (OA) definidos, como se demonstra em seguida: As aulas teórico-práticas destinam-se à apresentação dos conceitos estatísticos, à interpretação de diversos exemplos, assim como à apresentação, reporte e discussão de resultados e permitirão alcançar os OA1, OA2, OA3, e OA5. Nas aulas laboratoriais serão desenvolvidos os conhecimentos e as competências dos alunos relativamente à utilização do software SPSS, o que permitirá alcançar o OA4. As mini-fichas permitirão aos alunos demonstrar que alcançaram os OA1, OA2, OA3 e OA5. Os exercícios com SPSS permitirão demonstrar que os alunos alcançaram os OA4 e OA5. O trabalho de grupo permitirá sistematizar os vários os objetivos de aprendizagem capacitando os estudantes para selecionar os métodos estatísticos adequados ao problema de investigação, realizar a análise, interpretar e reportar os resultados estatísticos sob a forma de um texto síntese.

Observações / Observations

Os alunos podem utilizar a IA generativa de forma ética e responsável e como complemento ao estudo, designadamente como apoio à compreensão de conceitos estatísticos complexos, e nunca como substituto do pensamento crítico. Quando usada a IA generativa deve ser sempre verificada a veracidade e precisão das informações fornecidas. Não é permitido usar IA para gerar partes de trabalhos ou respostas completas em avaliações.

Bibliografia Principal / Main Bibliography

Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage Publications. Filho, D.F., Rocha, E., Paranhos, R., e Alexandre, J. (2015). Regressão logística em Ciência Política. Universidade Federal de Pernambuco. Maroco, J. (2021). Análise Estatística com o SPSS (8ª edição). Report Number.

Bibliografia Secundária / Secondary Bibliography

Hair, J., Black, W.C., Babin, B.J., and Anderson, R.E. (2018). Multivariate Data Analysis (8th ed.). Cengage Learning. Hosmer Jr. D.W, Lemeshow, S., and Sturdivant, R.X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons Inc. Menard, S. (2002). Applied Logistic Regression Analysis (2nded.) SAGE publications. Menard, S. (2010). Logistic Regression: From Introductory to Advanced Concepts and Applications. SAGE publications. Pampel, F. C. (2021). Logistic Regression. A Primer. SAGE publications. Tabachnick, B., e Fidell, L. (2021). Using Multivariate Statistics (7th ed.), Pearson.

Data da última atualização / Last Update Date

2024-07-10