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 :

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

2020/2021

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 (R e SPSS).

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

AO1 - Identificar as implicações metodológicas decorrentes da gestão de bases de dados com estruturas hierárquicas. AO2 - Compreender os princípios e pressupostos teóricos associados aos Modelos de Regressão Multinível (MRM). AO3 - Identificar os MRM mais adequados às perguntas de investigação. AO4 - Realizar análises de modelos com dois níveis usando software de estatística (R e SPSS). AO5 - 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. Correlação de ordem zero 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

Trabalho individual. O acesso à avaliação exige a assiduidade a pelo menos 70% das aulas da unidade curricular. Esta UC não contempla avaliação por exame.

Metodologias de Ensino / Teaching methodologies

O estudo individual, tendo por base a bibliografia sugerida, será orientado e apoiado pelos seguintes Metodologias de Ensino (ME): 1) ME1 - Sessões teórico-práticas para apresentação dos modelos de regressão multinível e discussão de diversas aplicações; 2) ME2 - Sessões laboratoriais para analisar modelos multinível com apoio de software de estatística.

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 estão em articulação com os objetivos de aprendizagem (OA): 1. Nas aulas teórico-práticas (TP) são desenvolvidas as competências previstas nos seguintes objetivos de aprendizagem: OA1 | OA2 | OA3 2. As aulas prático-laboratoriais (PL) estão em articulação com os objetivos de aprendizagem: OA4 | OA5

Observações / Observations

Bibliografia Principal / Main Bibliography

Snijders, T., & Bosker, R. (2012). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling, 2nd edition. Los Angeles, CA: Sage. Preacher, K. J., Curran, P. J., & Bauer, D. J. (2006). Computational tools for probing interaction effects in multiple linear regression, multilevel modeling, and latent curve analysis. Journal of Educational and Behavioral Statistics, 31, 437-448. 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. 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.

Bibliografia Secundária / Secondary Bibliography

Data da última atualização / Last Update Date

2024-02-16