Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
04240
Acrónimo :
MAAD-ISTA
Ciclo :
2.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Português

Carga Horária / Course Load


Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
20.0h/sem
Aula Prática e Laboratorial (PL) :
6.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
27.0h/sem
Trabalho Autónomo :
123.0
Horas de Trabalho Total :
150.0h/sem

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


Conhecimentos básicos de estatística

Objetivos Gerais / Objectives


Nesta unidade curricular pretende-se desenvolver conhecimentos e competências para permitir testar hipóteses de investigação centradas na relação de dependência entre variáveis. Como algumas dessas variáveis são latentes, e de definição multidimensional, será necessário proceder à sua operacionalização. Assim, e para medir essas variáveis latentes são desenvolvidos métodos de análise fatorial, designadamente, a Análise de Componentes Principais (ACP). Os efeitos entre variáveis são testados com métodos de regressão, sendo privilegiada a regressão linear múltipla. A apresentação dos métodos será sempre acompanhada de aplicações temáticas, cuja realização será apoiada pela sua implementação através de software de estatística.

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


Esta UC comtempla os seguintes objetivos de aprendizagem: OA1. Operacionalizar dimensões analíticas (construção de variáveis compósitas) via Análise em Componentes Principais OA2. Realizar e interpretar uma Análise em Componentes Principais. OA3. Analisar a fiabilidade das novas variáveis compósitas OA4. Construir novas variáveis compósitas OA5. Desenvolver e aprofundar conhecimentos sobre regressão linear múltipla (RLM) OA6. Aplicar, analisar e interpretar estatisticamente resultados de RML OA7. Reportar resultados em tese/artigo

Conteúdos Programáticos / Syllabus


1. Exploração de artigos para exemplificação dos tópicos principais do programa 1.1. Redução da multidimensionalidade 1.2. Contextualização das hipóteses no contexto de investigação. 2. Análise de Componentes Principais (ACP) 2.1. Introdução 2.2. Definição das componentes principais 2.3. Valores próprios e comunalidades 2.4. Critérios de extração das componentes principais: 2.5. Interpretação das componentes principais 2.6. Rotação das componentes principais 2.7. Definição e interpretação dos scores factoriais 2.8. Análise de consistência interna 2.9. Construção de variáveis compósitas 3. Regressão Linear Múltipla (RLM) 3.1. Objectivos 3.2. Estimação dos parâmetros 3.3. Avaliação da qualidade do modelo 3.4. Adequabilidade do modelo: Inferência sobre o modelo (teste F ) 3.5. Inferência sobre parâmetros: testes t 3.6. Dimensão do efeito de cada variável preditora 3.7. Pressupostos da RLM 4. Reportar resultados de ACP e RLM em tese/artigo

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 objectivos de aprendizagem (OA) definidos para esta UC são concretizados em conteúdos programáticos (CP) conforme as ligações seguintes: OA1 | CP1 OA2 | CP2 OA3 | CP2 OA4 | CP2 OA5 | CP3 OA6 | CP3 OA7 | CP4

Avaliação / Assessment


A avaliação ao longo do semestre inclui: 1. Avaliação individual - Teste escrito (65%) - com nota mínima de 8.5 valores 2. Avaliação em grupo - Trabalho (35%) -com nota mínima de 10 valores. A avaliação por exame inclui duas provas: 1. Prova escrita (65%) com nota mínima de 8,5 valores 2. Prova prática que corresponde à realização de um trabalho (35%) entregue no dia do exame. Nota mínima de 10 valores.

Metodologias de Ensino / Teaching methodologies


Para alcançar os objetivos de aprendizagem descritos, a unidade curricular utiliza uma abordagem de ensino teórico-prático que se alinha com o modelo pedagógico, enfatizando a integração de teoria e prática, a aprendizagem participativa e o desenvolvimento de competências de análise e interpretação de dados. Apresenta-se uma descrição detalhada das metodologias de ensino e aprendizagem específicas, destacando como elas se articulam com o modelo pedagógico da unidade curricular: 1) Aulas teórico-práticas: - Objetivo: Introduzir e aplicar conceitos fundamentais e métodos de Análise em Componentes Principais (ACP) e Regressão Linear Múltipla (RLM) - Objetivos de Aprendizagem: OA1, OA2, OA5. - Articulação com o modelo pedagógico: As aulas teórico-práticas combinam a apresentação de conteúdos teóricos com a interpretação de aplicações reais. Essa metodologia promove a compreensão dos conceitos através da aplicação prática imediata, reforçando a aprendizagem ativa e a participação dos alunos. 2) Estudos de caso: - Objetivo: Aplicar os conceitos e métodos em contextos reais, facilitando a contextualização e a compreensão da utilidade prática dos mesmos - Objetivos de Aprendizagem: OA2, OA4, OA6. - Articulação com o modelo pedagógico: Estudos de caso envolvem os estudantes em situações reais de análise de dados, permitindo a aplicação do conhecimento teórico em cenários práticos. Isso favorece o desenvolvimento do pensamento crítico e a capacidade de resolver problemas, elementos centrais do modelo pedagógico 3) Trabalho de grupo: - Objetivo: Promover a colaboração e a discussão entre os estudantes - Objetivos de Aprendizagem: OA2, OA3, OA4. - Articulação com o modelo pedagógico: Trabalho de grupo incentiva a aprendizagem participativa e a construção conjunta do conhecimento. Essa metodologia ajuda os alunos a desenvolverem competências de comunicação e trabalho em equipa 4) Sessões de laboratório: - Objetivo: Aplicar métodos estatísticos utilizando software especializado, permitindo aos estudantes aplicar com dados reais. - Objetivos de Aprendizagem: OA2, OA3, OA6. - Articulação com o modelo pedagógico: As sessões de laboratório proporcionam a oportunidade prática de serem utilizadas ferramentas de análise de dados, reforçando a aprendizagem prática e a aplicação do conhecimento em situações reais. Isso está em consonância com a abordagem hands-on do modelo pedagógico. 5) Elaboração de relatório: - Objetivo: Desenvolver competências de reporte e interpretação de resultados, essenciais para a comunicação científica e técnica - Objetivos de Aprendizagem: OA7 - Articulação com o modelo pedagógico: A elaboração de relatórios exige que os estudantes organizem e apresentem os resultados de forma clara e concisa, promovendo competências de escrita científica e interpretação crítica, o que se torna essencial dado que no ano seguinte irão realizar uma dissertação de mestrado.

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 metodologias de ensino e avaliação do curso estão pensadas para alcançar os resultados de aprendizagem especificados. Aqui está uma descrição para demonstrar a adequação: 1. Aulas Teórico-Práticas Objetivo: Introduzir e aplicar conceitos fundamentais e métodos de Análise em Componentes Principais (ACP) e Regressão Linear Múltipla (RLM) Objetivos de Aprendizagem: OA1, OA2, OA5 Evidência de Adequação: - Compreensão: Os estudantes começam por receber os fundamentos teóricos de ACP e RLM, aplicando em seguida esses conceitos em casos práticos, contribuindo para consolidar a compreensão - Implicação ativa: Este método promove a aprendizagem ativa através de casos práticos, melhorando competências e pensamento crítico. - Aplicação do conhecimento: A aplicação promove uma melhor retenção do conhecimento e articulação teoria-prática 2. Estudos de Caso Objetivo: Aplicar conceitos e métodos em contextos reais, facilitando a compreensão da sua utilidade prática Objetivos de Aprendizagem: OA2, OA4, OA6 Evidência de Adequação: - Aplicação a casos reais: Os estudos de caso permitem trazer problemas reais para a sala de aula - Pensamento crítico: Trabalhar em estudos de caso desenvolve competências de pensamento crítico e analítico, essenciais para OA6 - Aprendizagem Colaborativa*: O trabalho em grupo com estudos de caso promove a aprendizagem colaborativa e discussão, aprimorando a compreensão e retenção 3. Trabalho em Grupo Objetivo: Promover colaboração e discussão entre os estudantes Objetivos de Aprendizagem: OA2, OA3, OA4. Evidência de Adequação: - Competências de trabalho em equipa: Incentiva o desenvolvimento de competências de trabalho em equipa e a comunicação. - Aprendizagem no grupo: Os estudantes interagem e aprendem uns com os outros discutindo diferentes perspectivas 4. Sessões de Laboratório Objetivo: Aplicar métodos estatísticos utilizando software especializado, permitindo que os estudantes trabalhem com dados reais. Objetivos de Aprendizagem: OA2, OA3, OA6 Evidência de Adequação: - Gestão de software: Proporciona experiência com software estatístico e dados reais, essencial para desenvolver competências de análise de dados. - Avaliação de competências práticas: Mede a capacidade dos estudantes aplicarem conhecimentos e competências em um ambiente controlado. 5. Escrita de Relatório Objetivo: Desenvolver competências de reporte e interpretação de resultados, essenciais para a comunicação científica e técnica Objetivos de Aprendizagem: OA7 Evidência de Adequação: - Competências de comunicação: Melhora a capacidade dos estudantes comunicarem entre si - Análise Crítica: Exige análise crítica e discussão dos resultados, promovendo uma compreensão mais profunda. - Rigor Científico: Assegura a adesão a padrões científicos, preparando os estudantes para futuras pesquisas e relatórios profissionais.

Observações / Observations


Bibliografia Principal / Main Bibliography


Nota: Materiais disponibilizados no e-learning e que apoiam aulas TP e aulas PL. Tabachnick, B. and Fidell, L. (2013). Using Multivariate Statistics, USA, Person International Edition, 6ª ed. Reis, E. (2001). Estatística Multivariada Aplicada, 2ªed, Lisboa, Edições Sílabo. Maroco, J. (2010). Análise Estatística com o PASW Statistics (ex-SPSS), Pero Pinheiro. Maqbool, R., Sudong, Y., Manzoor, N. and Rashid, Y. (2017). The Impact of Emotional Intelligence, Project Managers? Competencies, and Transformational Leadership on Project Success: An Empirical Perspective. Project Management Journal, vol. 48, 3. Hair, J., Black, W., Babin, B. and Anderson, R. (2019). Multivariate Data Analysis. Pearson New International Edition (8th ed).

Bibliografia Secundária / Secondary Bibliography


Kline, R. B., (2011). Principles and practice of structural equation modeling. 3rd ed. New York: Guilford Press. Cohen, J. (1992). A power primer. Psychological bulletin, 112(1), doi.org/ 10.1037/0033-2909.112.1.155. Bryman, A. (2015). Social Research Methods, Oxford, OUP.

Data da última atualização / Last Update Date


2024-07-23