Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
03700
Acrónimo :
MM (pg)
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) :
21.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/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 :
22.0h/sem
Trabalho Autónomo :
128.0
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 de regressão linear múltipla.

Objetivos Gerais / Objectives


O objetivo desta unidade curricular é desenvolver competências nos alunos que permitam testar modelos de dependência cujos dados apresentam estruturas hierárquicas. São analisados designs complexos nos quais são testados efeitos principais e efeitos de interação em modelos com dois níveis. A apresentação dos modelos de regressão multinível é acompanhada pela utilização 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


OA1 - Identificar as implicações metodológicas decorrentes da gestão de bases de dados com estruturas hierárquicas. OA2 - Compreender os princípios e pressupostos teóricos associados aos Modelos de Regressão Multinível (MRM). OA3 - Identificar os MRM mais adequados às perguntas de investigação. OA4 - Realizar análises de modelos com dois níveis usando software de estatística (JAMOVI and JASP). OA5 - Interpretar e apresentar os resultados das análises MLM.

Conteúdos Programáticos / Syllabus


1. Modelos de Regressão Multinível (MRM) 1.1. Estrutura hierárquica de dados 1.2. Requisitos para realizar análise multinível 1.3. Intraclass correlation (ICC) 2. Modelo linear de efeitos mistos 2.1. Distinção entre efeitos fixos e efeitos aleatórios 2.2. Equações de um modelo linear misto 2.3. Seleção de efeitos aleatórios 3. Interpretação e inferência sobre o modelo 4. Extensões - Modelos mistos não lineares 5. Aplicações 6. Reportar resultados 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 objetivos de aprendizagem (OA) são concretizados em conteúdos programáticos (CP): OA1 - CP 1.1 | 1.2 | 1.3 OA2 - CP 2.1 | 2.2 | 2.3 | 3 | 4 OA3 - CP 2.3 OA4 - CP 5 OA5 - CP 6

Avaliação / Assessment


A modalidade de «avaliação durante o semestre» concretiza-se pela realização de um trabalho individual (100%). A entrega desse trabalho exige a assiduidade de pelo menos 70% das aulas da unidade curricular. Esta UC não contempla a modalidade «avaliação por exame».

Metodologias de Ensino / Teaching methodologies


Para sistematizar as metodologias de ensino e aprendizagem específicas da unidade curricular, articulando-as com o modelo pedagógico, podemos considerar a utilização de uma abordagem diversificada e interativa que integre diferentes métodos de ensino e aprendizagem, a fim de alcançar os objetivos de aprendizagem delineados (OA1 a OA5). Metodologias de Ensino e Aprendizagem e tipo de aulas teórico-práticas 1. Aulas com uma configuração mais teórica: - Exposição Teórica: Apresentação dos conceitos fundamentais dos Modelos de Regressão Multinível (MRM), estrutura hierárquica de dados, ICC, efeitos fixos e aleatórios, e equações do modelo linear misto. Utilização de slides e recursos audiovisuais. - Discussão Dirigida: Interações com os alunos para discutir e clarificar os conceitos teóricos e metodológicos, promovendo a compreensão profunda. 2. Aulas com uma configuração mais prática - Análises apoiadas com software estatístico (JAMOVI e JASP): Sessões práticas em laboratório de informática, nas quais os alunos aprendem a realizar análises de modelos multinível. - Estudos de Caso: Aplicação de MRM a dados reais, permitindo que os alunos identifiquem e escolham os modelos mais adequados às perguntas de investigação. 3. Autoestudo e Aprendizagem Ativa - Leitura Dirigida: Fornecimento de uma lista de leituras recomendadas que complementem os conteúdos programáticos. Inclui artigos científicos sobre MRM. - Recursos Online: Utilização do Moodle para disponibilizar materiais e tutoriais. Articulação com o Modelo Pedagógico Para articular estas metodologias com um modelo pedagógico centrado no aluno e na aprendizagem ativa, são adotados os seguintes princípios: 1. Aprendizagem Baseada em Problemas (PBL) - Os alunos são incentivados a resolver problemas reais relacionados a MRM, promovendo uma compreensão aplicada e prática dos conceitos teóricos. 2. Uso de Tecnologia - Integração de ferramentas digitais e software estatístico nas aulas práticas, facilitando a aprendizagem interativa e prática. 3. Interdisciplinaridade - Estímulo à aplicação dos conhecimentos de MRM em diversas áreas de estudo, promovendo uma abordagem interdisciplinar que enriquece a compreensão dos alunos sobre a aplicabilidade dos modelos.

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


Para demonstrar que as metodologias de ensino e avaliação são apropriadas para os objetivos de aprendizagem (OA1 a OA5), precisamos alinhar cada objetivo de aprendizagem com métodos específicos: OA1: Identificar as implicações metodológicas decorrentes da gestão de bases de dados com estruturas hierárquicas Metodologias de Ensino: - Exposição Teórica: Apresentações detalhadas sobre a estrutura hierárquica dos dados e as implicações para a análise. - Discussão Dirigida: implicação dos estudantes em discussões para clarificar e debater as implicações metodológicas. OA2: Compreender os princípios e pressupostos teóricos associados aos Modelos de Regressão Multinível (MRM). Metodologias de Ensino: - Exposição Teórica: Aulas aprofundadas sobre as fundações teóricas e os pressupostos da modelagem multinível (MRM). - Leitura Dirigida: Fornecimento de acesso a artigos científicos para aprofundar o entendimento teórico. OA3 - Identificar os MRM mais adequados às perguntas de investigação. Metodologias de Ensino: - Estudos de Caso: Exemplos da vida real onde os alunos identificam e especificam modelos multinível adequados. - Análises apoiadas em software estatístico: Sessões práticas onde os alunos aprendem a escolher e especificar modelos baseados em perguntas de pesquisa. OA4 - Realizar análises de modelos com dois níveis usando software de estatística (JAMOVI and JASP). Metodologias de Ensino: - Análises Apoiadas por Software Estatístico: Sessões práticas com JAMOVI and JASP para realizar análises de modelos multinível. - Recursos Online: Tutoriais disponíveis no Moodle para prática e aprendizagem adicional. OA5 - Interpretar e apresentar os resultados das análises MLM. Metodologias de Ensino: - Discussão Dirigida: Sessões interativas focadas na interpretação dos resultados de MRM. - Análises Apoiadas por software estatístico: Prática na apresentação de resultados, incluindo a criação de visualizações e tabelas. - Elaboração de relatórios de análises de dados/artigos científicos com os resultados obtidos. Resumo A integração de metodologias de ensino tanto teóricas quanto práticas, como exposições teóricas, discussões dirigidas, estudos de caso e sessões práticas com software estatístico, garante uma compreensão abrangente dos aspectos conceptuais e aplicados da modelação com multinível, alcançando efetivamente os objetivos de aprendizagem OA1 a OA5. A estratégia de avaliação utilizando um relatório escrito permite avaliar a compreensão e as habilidades dos alunos, garantindo o alinhamento com os objetivos de aprendizagem pretendidos.

Observações / Observations


·

Bibliografia Principal / Main Bibliography


Aguinis, H., Gottfredson, R. K., & Culpepper, S. A. (2013). Best-practice recommendations for estimating cross-level interaction effects using multilevel modeling. Journal of Management, 39 (6), 1490-1528. Maas, C. J. M., & Hox, J. J. (2006). Sufficient sample sizes for multilevel modelling. Methodology, 1(3), 86?92. Kreft, I. G. G., & de Leeuw, J. (1998). Introducing multilevel modeling. Newbury Park, CA: Sage. Hox, J. (2010). Multilevel Analysis: Techniques and Applications, 2nd edition. New York: Routledge. Snijders, T., & Bosker, R. (2012). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling, 2nd edition. Los Angeles, CA: Sage.

Bibliografia Secundária / Secondary Bibliography


-

Data da última atualização / Last Update Date


2024-07-23