Análise de Dados Ambientais

Ambiente virtual da disciplina de Análise de Dados Ambientais — aulas, leituras, vídeos e recursos.

← Voltar para Ensino

Análise de Dados Ambientais

Estatística aplicada, correlação, regressão, ANOVA, GLM/GEE, análise fatorial e modelagem ambiental para pós-graduação.

29 aulas + 5 extras Leituras Vídeos

Introdução e aplicação de técnicas avançadas de análise estatística em estudos ambientais. Discussão e aprofundamento teórico-prático sobre a análise e interpretação de dados ambientais, incluindo métodos de análises descritivas, inferenciais, bi e multivariadas. Exploração de modelos estatísticos generalizados e suas aplicações em questões ambientais, abordando técnicas de moderação, mediação e análise de redes ecológicas. Utilização de métodos de regressão avançados, como regressão de Poisson e binomial negativa, para modelagem de eventos ambientais. Análise de sobrevida aplicada a estudos de longevidade de espécies e ecossistemas. Desenvolvimento de competências na criação e análise de bancos de dados ambientais, incluindo dados secundários, temporais e correlacionais. Aplicação de análise fatorial exploratória e confirmatória e modelagem por equações estruturais em dados ambientais, com enfoque no uso de ferramentas como JASP e FACTOR e Mplus. Capacitação para a interpretação, comunicação e publicação de resultados em revistas científicas, contribuindo para a tomada de decisões fundamentadas em conservação, gestão ambiental e políticas públicas.

Objetivo: Aprofundar o conhecimento sobre técnicas estatísticas avançadas aplicadas à análise e interpretação de dados ambientais. Desenvolver a capacidade de aplicar análises descritivas, inferenciais, bi e multivariadas em estudos ambientais, com foco em questões relacionadas à biodiversidade, qualidade do solo e mudanças climáticas. Analisar criticamente os modelos estatísticos generalizados e suas aplicações em estudos ambientais complexos, explorando as técnicas de moderação, mediação e análise de redes ecológicas.

Habilidades e Competências: Capacitar os alunos para a utilização de regressões avançadas e análise de sobrevida em contextos ambientais, com ênfase em modelagem de eventos e longevidade de espécies. Facilitar o desenvolvimento de competências para a criação e análise de bancos de dados ambientais, incluindo o uso de dados secundários, temporais e correlacionais. Promover a habilidade de aplicar análise fatorial exploratória e confirmatória, além de modelagem por equações estruturais, utilizando ferramentas como JASP e Mplus, para entender e explicar relações complexas entre variáveis ambientais. Preparar os alunos para a comunicação eficaz e publicação de resultados de pesquisas ambientais, contribuindo para a tomada de decisões informadas em conservação, gestão ambiental e sustentabilidade.

Semana Aulas Assuntos Previstos Slides
1ª 01–02 Introdução e Etimologia Estatística; Taxonomia de Bloom. Paradigmas frequentista e bayesiano; níveis cognitivos aplicados à análise de dados. 01, 02
2ª 03–04 Estatística Descritiva e Inferencial. Tendência central, dispersão, escore Z; normalidade (Shapiro-Wilk, K-S), Q-Q plots, transformações. 03, 04
3ª 05–06 Bootstrapping e Bootstrap Avançado. Intervalos de confiança via reamostragem; técnicas avançadas e aplicações ambientais. 05, 06
4ª 07–08 Correlação e Teste t. Pearson, Spearman, ponto-bisserial, parcial; H₀/H₁, erro tipo I/II, testes t para 1 e 2 amostras. 07, 08
5ª 09–10 ANOVA de Uma Via e ANOVA Fatorial. Particionamento da variância; comparações múltiplas; efeitos principais e interações. 09, 10
6ª 11–12 ANCOVA e ANOVA de Medidas Repetidas. Covariáveis; esfericidade; correções e interpretação dos resultados. 11, 12
7ª 13 ANOVA — Visão Completa e MANOVA. Fatorial de medidas repetidas; testes multivariados e aplicações em conservação. 13
8ª 14–15 Regressão e Qui-Quadrado. Regressão simples/múltipla; diagnóstico de resíduos; qui-quadrado 2×2, n×k, McNemar, Q de Cochran. 14, 15
9ª 16–17 Associação e Dependência e Testes Não Paramétricos. Odds ratio, log-linear, correspondência; Mann-Whitney, Kruskal-Wallis, Friedman. 16, 17
10ª 18–19 Escolha do Teste Estatístico e GLM/GEE. Fluxogramas de decisão; família exponencial; GEE para dados longitudinais e repetidos. 18, 19
11ª 20–21 Detecção de Anomalias e Análise Bi e Multivariada. Séries temporais, outliers; PCA, redes ecológicas, centralidade, modularidade. 20, 21
12ª 22–23 Análise Fatorial Exploratória e Construção de Instrumentos. Hull, número de fatores, rotação; elaboração de escalas e itens. 22, 23
13ª 24–25 Adaptação e Validade de Instrumentos. Tradução e adaptação transcultural; validade de conteúdo, construto e critério. 24, 25
14ª 26–27 Evidências de Validade e Introdução à TRI. AFC, invariância, MEE; Teoria de Resposta ao Item: conceitos e modelos. 26, 27
15ª 28–29 Modelo de Rasch e Metanálise. Ajuste de itens, mapa de Wright; efeito combinado, forest plot, heterogeneidade, sobrevida. 28, 29

Observação: Aulas às segundas-feiras, 08h–12h (4h/aula). Período: março a junho.

Importante Plano de Disciplina Completo

O plano completo (ementa, metodologia, avaliações, cronograma detalhado e referências) está disponível em:

Plano de Disciplina — Análise de Dados Ambientais

Baixar Plano de Disciplina (PDF)

Aula 01 | Introdução e Etimologia Estatística

Apresentação da disciplina, bases epistemológicas e paradigmas frequentista e bayesiano.
Aula 02 | Taxonomia de Bloom

Níveis cognitivos e objetivos de aprendizagem aplicados à análise de dados.
Aula 03 | Estatística Descritiva

Medidas de tendência central, dispersão, assimetria e curtose; escore Z.
Aula 04 | Estatística Inferencial e Distribuição Normal

Shapiro-Wilk, Kolmogorov-Smirnov, Q-Q plots, transformações e estratégias para não normalidade.
Aula 05 | Bootstrapping

Intervalos de confiança, estimação e reamostragem para inferência robusta.
Aula 06 | Bootstrap Avançado

Técnicas avançadas de reamostragem e aplicações em dados ambientais.
Aula 07 | Análise de Correlação

Pearson, Spearman, ponto-bisserial, parcial, R-to-Z e distinção correlação–causalidade.
Aula 08 | Testes de Hipóteses — Teste t

H₀/H₁, erro tipo I/II, poder do teste; teste t para 1 e 2 amostras; testes pareados.
Aula 09 | ANOVA de Uma Via

Introdução à ANOVA one-way, solicitação da análise e descrição dos resultados.
Aula 10 | ANOVA Fatorial

Teoria, seleção da análise e descrição dos resultados da ANOVA fatorial.
Aula 11 | ANCOVA

Análise de covariância: introdução, prática e interpretação dos resultados.
Aula 12 | ANOVA de Medidas Repetidas

Introdução, realização da análise e descrição dos resultados.
Aula 13 | ANOVA — Visão Completa e MANOVA

ANOVA fatorial de medidas repetidas, MANOVA e visão integrada.
Aula 14 | Regressão

Regressão linear simples e múltipla; diagnóstico de resíduos, seleção de variáveis e dummy.
Aula 15 | Testes de Qui-Quadrado

Qui-quadrado 2×2, n×k, McNemar e Q de Cochran.
Aula 16 | Modelos de Associação e Dependência

Phi, V de Cramér, odds ratio, risco relativo, log-linear e análise de correspondência.
Aula 17 | Testes Não Paramétricos

Mann-Whitney, Kruskal-Wallis, Wilcoxon e ANOVA de Friedman.
Aula 18 | A Escolha do Teste Estatístico

Fluxogramas de decisão e critérios para selecionar o teste adequado.
Aula 19 | GLM e GEE

Família exponencial, funções de ligação; GEE para dados longitudinais e medidas repetidas.
Extra — Regressão de Poisson

Teoria, pressupostos, equidispersão, prática (SPSS/R), interpretação do IRR e descrição.
Extra — Superdispersão e Binomial Negativa

Modelo superdisperso, regressão binomial negativa, comparação de modelos (AIC) e descrição.
Extra — Regressão de Poisson Robusta

Razão de prevalência vs. odds ratio, variância robusta, prática (SPSS/R) e descrição.
Aula 20 | Detecção de Anomalias em Séries Temporais

Indicadores de desmatamento, tendência, sazonalidade e detecção de outliers temporais.
Aula 21 | Análise Bi e Multivariada

PCA, análise de redes ecológicas, centralidade, modularidade e conectância.
Aula 22 | Análise Fatorial Exploratória

Método Hull, número de fatores, rotação e interpretação.
Aula 23 | Construção de Instrumentos de Medida

Elaboração de escalas, itens e procedimentos de validação.
Aula 24 | Adaptação de Instrumentos de Medida

Tradução, adaptação transcultural e equivalência de medidas.
Aula 25 | Validade de Instrumentos

Validade de conteúdo, construto e critério; confiabilidade.
Aula 26 | Evidências de Validade

AFC, invariância de medida e modelagem por equações estruturais.
Aula 27 | Introdução à TRI

Teoria de Resposta ao Item: conceitos, modelos e aplicações.
Aula 28 | Modelo de Rasch

Modelo de Rasch, ajuste de itens, mapa de Wright e aplicações.
Aula 29 | Metanálise

Efeito combinado, forest plot, heterogeneidade e análise de sobrevida.
Extra — Análise de Sobrevida

Introdução, censura, Kaplan-Meier, tábua de sobrevida, teste log-rank e como reportar.
Extra — Regressão de Cox

Modelo de riscos proporcionais, Hazard Ratio, análise uni e multivariada, forest plot e descrição.

Planejando e conduzindo sua pesquisa

  1. Althouse, A. D. (2016). Adjust for Multiple Comparisons? It’s Not That Simple. The Annals of Thoracic Surgery, 101(5), 1644–1645. doi:10.1016/j.athoracsur.2015.11.024

  2. Gelman, A., Hill, J., & Yajima, M. (2012). Why We (Usually) Don’t Have to Worry About Multiple Comparisons. Journal of Research on Educational Effectiveness, 5(2), 189–211. doi:10.1080/19345747.2011.618213

  1. Albers, C., & Lakens, D. (2018). When power analyses based on pilot data are biased: Inaccurate effect size estimators and follow-up bias. Journal of Experimental Social Psychology, 74, 187–195. doi:10.1016/j.jesp.2017.09.004

  2. Anvari, F., & Lakens, D. (2021). Using anchor-based methods to determine the smallest effect size of interest. Journal of Experimental Social Psychology, 96, 104159. doi:10.1016/j.jesp.2021.104159

  3. Brysbaert, M., & Stevens, M. (2018). Power Analysis and Effect Size in Mixed Effects Models: A Tutorial. Journal of Cognition, 1(1), Art. 1. doi:10.5334/joc.10

  4. Kovacs, M., Ravenzwaaij, D. van, Hoekstra, R., & Aczel, B. (2021). SampleSizePlanner: A Tool to Estimate and Justify Sample Size for Two-Group Studies. MetaArXiv. doi:10.31222/osf.io/rm9dn

  5. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4. doi:10.3389/fpsyg.2013.00863

  6. Lakens, D. (2022). Sample Size Justification. Collabra: Psychology, 8(1), 33267. doi:10.1525/collabra.33267

  7. Lakens, D., & Caldwell, A. R. (2021). Simulation-Based Power Analysis for Factorial Analysis of Variance Designs. Advances in Methods and Practices in Psychological Science, 4(1), 2515245920951503. doi:10.1177/2515245920951503

  8. Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence Testing for Psychological Research: A Tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259–269. doi:10.1177/2515245918770963

  9. Maier, M., & Lakens, D. (2021). Justify Your Alpha: A Primer on Two Practical Approaches. PsyArXiv. doi:10.31234/osf.io/ts4r6

  10. Perugini, M., Gallucci, M., & Costantini, G. (2018). A Practical Primer To Power Analysis for Simple Experimental Designs. International Review of Social Psychology, 31(1), Art. 1. doi:10.5334/irsp.181

  11. Piaggio, G., Elbourne, D. R., Altman, D. G., Pocock, S. J., Evans, S. J. W., & the CONSORT Group. (2006). Reporting of noninferiority and equivalence randomized trials: An extension of the CONSORT Statement. JAMA, 295(1), 1152–1161. doi:10.1001/jama.295.10.1152

  12. Shieh, G. (2017). Power and Sample Size Calculations for Contrast Analysis in ANCOVA. Multivariate Behavioral Research, 52(1), 1–11. doi:10.1080/00273171.2016.1219841

  13. Sommet, N., Weissman, D., Cheutin, N., & Elliot, A. J. (2022). How many participants do I need to test an interaction? Conducting an appropriate power analysis and achieving sufficient power to detect an interaction. OSF Preprints. doi:10.31219/osf.io/xhe3u

  14. Szucs, D., & Ioannidis, J. P. A. (2020). Sample size evolution in neuroimaging research: An evaluation of highly-cited studies (1990–2012) and of latest practices (2017–2018) in high-impact journals. NeuroImage, 221, 117164. doi:10.1016/j.neuroimage.2020.117164

  1. Epskamp, S. (2019). Reproducibility and Replicability in a Fast-Paced Methodological World. Advances in Methods and Practices in Psychological Science, 2(2), 145–155. doi:10.1177/2515245919847421

  2. Haroz, S. (2022). Comparison of Preregistration Platforms. MetaArXiv. doi:10.31222/osf.io/zry2u

  3. Isager, P. M., Aert, R. C. M. van, Bahník, Š., et al. (2020). Deciding what to replicate: A formal definition of “replication value” and a decision model for replication study selection. MetaArXiv. doi:10.31222/osf.io/2gurz

  4. Kathawalla, U.-K., Silverstein, P., & Syed, M. (2021). Easing Into Open Science: A Guide for Graduate Students and Their Advisors. Collabra: Psychology, 7(1). doi:10/ghv2jx

  5. Klein, O., Hardwicke, T. E., Aust, F., et al. (2018). A Practical Guide for Transparency in Psychological Science. Collabra: Psychology, 4(1), 20. doi:10.1525/collabra.158

  6. Kowalczyk, O., Lautarescu, A., Blok, E., Dall’Aglio, L., & Westwood, S. (2020). What senior academics can do to support reproducible and open research: A short, three-step guide. PsyArXiv. doi:10.31234/osf.io/jyfr7

  7. Lakens, D. (2019). The value of preregistration for psychological science: A conceptual analysis. Japanese Psychological Review, 62(3), 221–230. doi:10.24602/sjpr.62.3_221

  8. Moshontz, H., Binion, G., Walton, H., Brown, B. T., & Syed, M. (2021). A Guide to Posting and Managing Preprints. Advances in Methods and Practices in Psychological Science, 4(2), 25152459211019948. doi:10.1177/25152459211019948

  9. Peikert, A., & Brandmaier, A. M. (2019). A Reproducible Data Analysis Workflow with R Markdown, Git, Make, and Docker. PsyArXiv. doi:10.31234/osf.io/8xzqy

  10. Peikert, A., Lissa, C. J. van, & Brandmaier, A. M. (2021). Reproducible Research in R: A tutorial on how to do the same thing more than once. PsyArXiv. doi:10.31234/osf.io/fwxs4

  11. Perez-Riverol, Y., Gatto, L., Wang, R., et al. (2016). Ten Simple Rules for Taking Advantage of Git and GitHub. PLOS Computational Biology, 12(7), e1004947. doi:10.1371/journal.pcbi.1004947

  12. Pownall, M., Azevedo, F., Aldoh, A., et al. (2021). Embedding open and reproducible science into teaching: A bank of lesson plans and resources. PsyArXiv. doi:10.31234/osf.io/fgv79

  13. Pownall, M., Talbot, C. V., Henschel, A., et al. (2020). Navigating Open Science as Early Career Feminist Researchers. PsyArXiv. doi:10.31234/osf.io/f9m47

  14. Steegen, S., Tuerlinckx, F., Gelman, A., & Vanpaemel, W. (2016). Increasing Transparency Through a Multiverse Analysis. Perspectives on Psychological Science, 11(5), 702–712. doi:10.1177/1745691616658637

  15. Weston, S. J., Ritchie, S. J., Rohrer, J. M., & Przybylski, A. K. (2019). Recommendations for Increasing the Transparency of Analysis of Preexisting Data Sets. Advances in Methods and Practices in Psychological Science, 2(3), 214–227. doi:10.1177/2515245919848684

  16. Wiebels, K., & Moreau, D. (2021). Leveraging Containers for Reproducible Psychological Research. Advances in Methods and Practices in Psychological Science, 4(2), 25152459211017852. doi:10.1177/25152459211017853

  1. Broman, K. W., & Woo, K. H. (2018). Data Organization in Spreadsheets. The American Statistician, 72(1), 2–10. doi:10/gdz6cm

  2. Lewis, C. (2022). Data Management in Large-Scale Education Research. cghlewis.github.io/mpsi-training3

  3. Logan, J. (2019). Data Management and Data Management Plans. figshare. Presentation. doi:10.6084/m9.figshare.7890827.v1

  4. Michener, W. K. (2015). Ten Simple Rules for Creating a Good Data Management Plan. PLOS Computational Biology, 11(10), e1004525. doi:10.1371/journal.pcbi.1004525

  1. Vanhove, J. (2018). Checking the Assumptions of Your Statistical Model Without Getting Paranoid. PsyArXiv. doi:10.31234/osf.io/zvawb

Análise de variância (ANOVA)

  1. Haverkamp, N., & Beauducel, A. (2017). Violation of the sphericity assumption and its effect on type-I error rates in repeated measures ANOVA and multi-level linear models (MLM). Frontiers in Psychology, 8, 1841. doi:10.3389/fpsyg.2017.01841

  2. Lane, D. (2016). The assumption of sphericity in repeated-measures designs: What it means and what to do when it is violated. Quantitative Methods for Psychology, 12, 114–122. doi:10.20982/tqmp.12.2.p114

  3. Bono, R., Arnau, J., Blanca, M. J., & Alarcón, R. (2016). Sphericity estimation bias for repeated measures designs in simulation studies. Behavior Research Methods, 48(4), 1621–1630. doi:10.3758/s13428-015-0673-1

  1. Dwivedi, A. K., Mallawaarachchi, I., & Alvarado, L. A. (2017). Analysis of small sample size studies using nonparametric bootstrap test with pooled resampling method. Statistics in Medicine, 36(14), 2187–2205. doi:10.1002/sim.7263

  2. Konietschke, F., & Pauly, M. (2014). Bootstrapping and permuting paired t-test type statistics. Statistics and Computing, 24(3), 283–296. doi:10.1007/s11222-012-9370-4

  3. Haukoos, J. S., & Lewis, R. J. (2005). Advanced statistics: Bootstrapping confidence intervals for statistics with “difficult” distributions. Academic Emergency Medicine, 12(4), 360–365. doi:10.1197/j.aem.2004.11.018

  1. Ialongo, C. (2016). Understanding the effect size and its measures. Biochemia Medica, 26(2), 150–163. doi:10.11613/BM.2016.015

  2. Okada, K. (2013). Is omega squared less biased? A comparison of three major effect size indices in one-way ANOVA. Behaviormetrika, 40(2), 129–147. doi:10.2333/bhmk.40.129

  3. Skidmore, S. T., & Thompson, B. (2013). Bias and precision of some classical ANOVA effect sizes when assumptions are violated. Behavior Research Methods, 45(2), 536–546. doi:10.3758/s13428-012-0257-2

  4. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. doi:10.3389/fpsyg.2013.00863

  5. Ferguson, C. J. (2016). An effect size primer: A guide for clinicians and researchers. In A. E. Kazdin (Ed.), Methodological Issues and Strategies in Clinical Research (4th ed.). American Psychological Association. doi:10.1037/14805-020

  6. Fritz, C. O., Morris, P. E., & Richler, J. J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2–18. doi:10.1037/a0024338

  1. Homack, S. R. (2001). Understanding What ANOVA Post Hoc Tests Are, Really. ERIC Document, ED449222. eric.ed.gov/?id=ED449222

  2. Hilton, A., & Armstrong, R. A. (2006). Statnote 6: Post-hoc ANOVA tests. Microbiologist, 2006, 34–36. PDF

  3. McHugh, M. L. (2011). Multiple comparison analysis testing in ANOVA. Biochemia Medica, 21(3), 203–209. doi:10.11613/BM.2011.029

  1. Astivia, O. L. O., & Zumbo, B. D. (2019). Heteroskedasticity in Multiple Regression Analysis: What it is, How to Detect it and How to Solve it with Applications in R and SPSS. Practical Assessment, Research, and Evaluation, 24(1). doi:10.7275/q5xr-fr95

  2. Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1). doi:10.5334/irsp.82

  3. Derrick, B., Toher, D., & White, P. (2016). Why Welch’s test is Type I error robust. The Quantitative Methods in Psychology, 12(1). doi:10.20982/tqmp.12.1.p030

  1. Vanbrabant, L., Van De Schoot, R., & Rosseel, Y. (2015). Constrained statistical inference: Sample-size tables for ANOVA and regression. Frontiers in Psychology, 5, 1565. doi:10.3389/fpsyg.2014.01565

  2. Shaw, R. G., & Mitchell-Olds, T. (1993). ANOVA for unbalanced data: An overview. Ecology, 74(6), 1638–1645. doi:10.2307/1939922

  3. Martin, C. G., & Games, P. A. (1977). ANOVA tests for homogeneity of variance: Nonnormality and unequal samples. Journal of Educational Statistics, 2(3), 187–206. doi:10.3102/10769986002003187

  1. Miller, G. A., & Chapman, J. P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48. doi:10.1037/0021-843X.110.1.40

  2. Owen, S. V., & Froman, R. D. (1998). Uses and abuses of the analysis of covariance. Research in Nursing & Health, 21(6), 557–562. doi:10.1002/(SICI)1098-240X(199812)21:6<557::AID-NUR9>3.0.CO;2-Z

  3. Huitema, B. E. (2011). The Analysis of Covariance and Alternatives: Statistical Methods for Experiments, Quasi-Experiments, and Single-Case Studies (2nd ed.). Wiley.

  4. Keppel, G., & Wickens, T. D. (2004). Design and Analysis: A Researcher’s Handbook (4th ed.). Pearson.

  5. Tabachnick, B. G., & Fidell, L. S. (2013). Using Multivariate Statistics (6th ed.). Pearson.

  6. Shieh, G. (2020). Power analysis and sample size planning in ANCOVA designs. Psychometrika, 85(1), 101–120. doi:10.1007/s11336-019-09692-3

Análise Fatorial Confirmatória (AFC)

  1. Chen, F., Curran, P. J., Bollen, K. A., Kirby, J., & Paxton, P. (2008). An empirical evaluation of the use of fixed cutoff points in RMSEA test statistic in structural equation models. Sociological Methods & Research, 36(4), 462–494. doi:10.1177/0049124108314720

  2. Goretzko, D., Siemund, K., & Sterner, P. (2024). Evaluating Model Fit of Measurement Models in Confirmatory Factor Analysis. Educational and Psychological Measurement, 84(1), 123–144. doi:10.1177/00131644231163813

  3. Groskurth, K., Bluemke, M., & Lechner, C. M. (2023). Why we need to abandon fixed cutoffs for goodness-of-fit indices: An extensive simulation and possible solutions. Behavior Research Methods. doi:10.3758/s13428-023-02193-3

  4. Kenny, D. A., Kaniskan, B., & McCoach, D. B. (2015). The performance of RMSEA in models with small degrees of freedom. Sociological Methods & Research, 44(3), 486–507. doi:10.1177/0049124114543236

  5. McNeish, D., & Wolf, M. G. (2021). Dynamic fit index cutoffs for confirmatory factor analysis models. Psychological Methods. doi:10/gm79hm

  6. Nye, C. D. (2023). Reviewer Resources: Confirmatory Factor Analysis. Organizational Research Methods, 26(4), 608–628. doi:10.1177/10944281221120541

  7. Shi, D., Maydeu-Olivares, A., & Rosseel, Y. (2020). Assessing fit in ordinal factor analysis models: SRMR vs. RMSEA. Structural Equation Modeling, 27(1), 1–15. doi:10.1080/10705511.2019.1611434

  8. Xia, Y., & Yang, Y. (2019). RMSEA, CFI, and TLI in structural equation modeling with ordered categorical data: The story they tell depends on the estimation methods. Behavior Research Methods, 51(1), 409–428. doi:10.3758/s13428-018-1055-2

  9. Lai, K., & Green, S. B. (2016). The problem with having two watches: Assessment of fit when RMSEA and CFI disagree. Multivariate Behavioral Research, 51(2–3), 220–239. doi:10.1080/00273171.2015.1134306

  10. Moshagen, M., & Auerswald, M. (2018). On congruence and incongruence of measures of fit in structural equation modeling. Psychological Methods, 23(2), 318–336. doi:10.1037/met0000122

  1. Bornovalova, M. A., Choate, A. M., Fatimah, H., Petersen, K. J., & Wiernik, B. M. (2020). Appropriate Use of Bifactor Analysis in Psychopathology Research: Appreciating Benefits and Limitations. Biological Psychiatry, 88(1), 18–27. doi:10.1016/j.biopsych.2020.01.013

  2. Jennrich, R. I., & Bentler, P. M. (2011). Exploratory Bi-Factor Analysis. Psychometrika, 76, 537–549. doi:10.1007/s11336-011-9218-4

  3. DeMars, C. E. (2013). A tutorial on interpreting bifactor model scores. International Journal of Testing, 13(4), 354–378. doi:10.1080/15305058.2013.799067

  4. Reise, S. P., Morizot, J., & Hays, R. D. (2007). The role of the bifactor model in resolving dimensionality issues in health outcomes measures. Quality of Life Research, 16(S1), 19–31. doi:10.1007/s11136-007-9183-7

  5. Reise, S. P. (2012). The rediscovery of bifactor measurement models. Multivariate Behavioral Research, 47(5), 667–696. doi:10.1080/00273171.2012.715555

  6. Reise, S. P., Bonifay, W., & Haviland, M. G. (2018). Bifactor modeling and the evaluation of scale scores. In P. Irwing, T. Booth, & D. J. Hughes (Eds.), The Wiley Handbook of Psychometric Testing (pp. 677–707). Wiley Blackwell. doi:10.1002/9781118489772.ch22

  7. Rodriguez, A., Reise, S. P., & Haviland, M. G. (2016). Evaluating bifactor models: Calculating and interpreting statistical indices. Psychological Methods, 21(2), 137. doi:10.1037/met0000045

  8. Rodriguez, A., Reise, S. P., & Haviland, M. G. (2016). Applying bifactor statistical indices in the evaluation of psychological measures. Journal of Personality Assessment, 98(3), 223–237. doi:10.1080/00223891.2015.1089249

  1. Flora, D. B., & Flake, J. K. (2017). The purpose and practice of exploratory and confirmatory factor analysis in psychological research: Decisions for scale development and validation. Canadian Journal of Behavioural Science, 49(2), 78. doi:10.1037/cbs0000069

  2. Coltman, T., Devinney, T. M., Midgley, D. F., & Venaik, S. (2008). Formative versus reflective measurement models: Two applications of formative measurement. Journal of Business Research, 61(12), 1250–1262. doi:10.1016/j.jbusres.2008.01.013

  3. Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., & King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. The Journal of Educational Research, 99(6), 323–338. doi:10.3200/JOER.99.6.323-338

  1. Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., & King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. The Journal of Educational Research, 99(6), 323–338. doi:10.3200/JOER.99.6.323-338

  1. Chen, F., Bollen, K. A., Paxton, P., Curran, P. J., & Kirby, J. B. (2001). Improper Solutions in Structural Equation Models. Sociological Methods & Research, 29(4), 468–508. doi:10.1177/0049124101029004003

  2. Cooperman, A. W., & Waller, N. G. (2022). Heywood you go away! Examining causes, effects, and treatments for Heywood cases in exploratory factor analysis. Psychological Methods, 27(2), 156–176. doi:10.1037/met0000384

  3. Kolenikov, S., & Bollen, K. A. (2012). Testing negative error variances: Is a Heywood case a symptom of misspecification? Sociological Methods & Research, 41(1), 124–167. doi:10.1177/0049124112442138

  4. Dillon, W. R., Kumar, A., & Mulani, N. (1987). Offending estimates in covariance structure analysis: Comments on the causes of and solutions to Heywood cases. Psychological Bulletin, 101(1), 126. doi:10.1037/0033-2909.101.1.126

  5. Wang, S., De Boeck, P., & Yotebieng, M. (2023). Heywood Cases in Unidimensional Factor Models and Item Response Models for Binary Data. Applied Psychological Measurement, 47(2), 141–154. doi:10.1177/01466216231151701

  1. Kyriazos, T. A. (2018). Applied psychometrics: Sample size and sample power considerations in factor analysis (EFA, CFA) and SEM in general. Psychology, 9(08), 2207. doi:10.4236/psych.2018.98126

  2. Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. doi:10.1177/0013164413495237

  1. Brauer, K., Ranger, J., & Ziegler, M. (2023). Confirmatory Factor Analyses in Psychological Test Adaptation and Development. Psychological Test Adaptation and Development, 4(1), 4–12. doi:10.1027/2698-1866/a000034

  2. DiStefano, C., McDaniel, H. L., Zhang, L., Shi, D., & Jiang, Z. (2019). Fitting Large Factor Analysis Models With Ordinal Data. Educational and Psychological Measurement, 79(3), 417–436. doi:10.1177/0013164418818242

  3. Flora, D. B., & Curran, P. J. (2004). An Empirical Evaluation of Alternative Methods of Estimation for Confirmatory Factor Analysis With Ordinal Data. Psychological Methods, 9(4), 466–491. doi:10.1037/1082-989X.9.4.466

  4. Lei, P.-W., & Shiverdecker, L. K. (2020). Performance of Estimators for Confirmatory Factor Analysis of Ordinal Variables with Missing Data. Structural Equation Modeling, 27(4), 584–601. doi:10.1080/10705511.2019.1680292

  5. Li, C.-H. (2016). The performance of ML, DWLS, and ULS estimation with robust corrections in structural equation models with ordinal variables. Psychological Methods, 21(3), 369–387. doi:10.1037/met0000093

  6. Li, C.-H. (2016). Confirmatory factor analysis with ordinal data: Comparing robust maximum likelihood and diagonally weighted least squares. Behavior Research Methods, 48(3), 936–949. doi:10.3758/s13428-015-0619-7

  7. Schumacker, R. E., & Beyerlein, S. T. (2000). Confirmatory Factor Analysis With Different Correlation Types and Estimation Methods. Structural Equation Modeling, 7(4), 629–636. doi:10.1207/S15328007SEM0704_6

  8. Shi, D., & Maydeu-Olivares, A. (2020). The Effect of Estimation Methods on SEM Fit Indices. Educational and Psychological Measurement, 80(3), 421–445. doi:10.1177/0013164419885164

  9. Xia, Y., & Yang, Y. (2019). RMSEA, CFI, and TLI in structural equation modeling with ordered categorical data: The story they tell depends on the estimation methods. Behavior Research Methods, 51(1), 409–428. doi:10.3758/s13428-018-1055-2

  1. Damásio, B. F. (2013). Contribuições da Análise Fatorial Confirmatória Multigrupo (AFCMG) na avaliação de invariância de instrumentos psicométricos. Psico-USF, 18, 211–220. doi:10.1590/S1413-82712013000200005

  2. Luong, R., & Flake, J. K. (2022). Measurement invariance testing using confirmatory factor analysis and alignment optimization: A tutorial for transparent analysis planning and reporting. Psychological Methods. doi:10.1037/met0000441

  3. Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58(4), 525–543. doi:10.1007/BF02294825

  4. Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90. doi:10.1016/j.dr.2016.06.004

  5. De Roover, K. (2021). Finding clusters of groups with measurement invariance: Unraveling intercept non-invariance with mixture multigroup factor analysis. Structural Equation Modeling, 28(5), 663–683. doi:10.1080/10705511.2020.1866577

  6. Van De Schoot, R., Schmidt, P., De Beuckelaer, A., Lek, K., & Zondervan-Zwijnenburg, M. (2015). Editorial: Measurement Invariance. Frontiers in Psychology, 6. doi:10.3389/fpsyg.2015.01064

  7. Wicherts, J. M., & Dolan, C. V. (2010). Measurement Invariance in Confirmatory Factor Analysis: An Illustration Using IQ Test Performance of Minorities. Educational Measurement: Issues and Practice, 29(3), 39–47. doi:10.1111/j.1745-3992.2010.00182.x

Análise Fatorial Exploratória (AFE)

  1. Nájera, P., Abad, F. J., & Sorrel, M. A. (2023). Is exploratory factor analysis always to be preferred? A systematic comparison of factor analytic techniques throughout the confirmatory–exploratory continuum. Psychological Methods. Advance online publication. doi:10.1037/met0000579

  2. Montoya, A. K., & Edwards, M. C. (2021). The Poor Fit of Model Fit for Selecting Number of Factors in Exploratory Factor Analysis for Scale Evaluation. Educational and Psychological Measurement, 81(3), 413–440. doi:10.1177/0013164420942899

  3. Finch, W. H. (2020). Using Fit Statistic Differences to Determine the Optimal Number of Factors to Retain in an Exploratory Factor Analysis. Educational and Psychological Measurement, 80(2), 217–241. doi:10.1177/0013164419865769

  4. Goretzko, D., & Bühner, M. (2022). Robustness of factor solutions in exploratory factor analysis. Behaviormetrika, 49, 131–148. doi:10.1007/s41237-021-00152-w

  5. Goretzko, D., & Bühner, M. (2020). One model to rule them all? Using machine learning algorithms to determine the number of factors in exploratory factor analysis. Psychological Methods, 25(6), 776–786. doi:10.1037/met0000262

  6. Goretzko, D., Pham, T. T. H., & Bühner, M. (2021). Exploratory factor analysis: Current use, methodological developments and recommendations for good practice. Current Psychology, 40, 3510–3521. doi:10.1007/s12144-019-00300-2

  7. Schreiber, J. B. (2021). Issues and recommendations for exploratory factor analysis and principal component analysis. Research in Social and Administrative Pharmacy, 17(5), 1004–1011. doi:10.1016/j.sapharm.2020.07.027

  1. Lorenzo-Seva, U., Timmerman, M. E., & Kiers, H. A. (2011). The Hull method for selecting the number of common factors. Multivariate Behavioral Research, 46(2), 340–364. doi:10.1080/00273171.2011.564527

  2. Lorenzo-Seva, U. (2013). How to determine the number of common factors using the Hull method. Tarragona: Universitat Rovira i Virgili. PDF

  1. Orcan, F. (2018). Exploratory and confirmatory factor analysis: Which one to use first. Journal of Measurement and Evaluation in Education and Psychology, 9(4), 414–421. PDF

  1. Auerswald, M., & Moshagen, M. (2019). How to determine the number of factors to retain in exploratory factor analysis: A comparison of extraction methods under realistic conditions. Psychological Methods, 24(4), 468. doi:10.1037/met0000200

  2. Cukadar, I. (2019). Evaluation of Four Methods for Determining the Number of Factors Underlying Measurement Indicators under the Presence of Guessing Effects. Florida State University. Link

  3. Çokluk, Ö., & Koçak, D. (2016). Using Horn’s Parallel Analysis Method in Exploratory Factor Analysis for Determining the Number of Factors. Educational Sciences: Theory and Practice, 16(2), 537–551. ERIC

  4. Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246. doi:10.1177/0095798418771807

  5. Yang, Y., & Xia, Y. (2015). On the number of factors to retain in exploratory factor analysis for ordered categorical data. Behavior Research Methods, 47(3), 756–772. doi:10.3758/s13428-014-0499-2

  1. Lorenzo-Seva, U., & Ferrando, P. J. (2021). Not Positive Definite Correlation Matrices in Exploratory Item Factor Analysis: Causes, Consequences and a Proposed Solution. Structural Equation Modeling, 28(1), 138–147. doi:10.1080/10705511.2020.1735393

  1. Gomila, R., & Clark, C. S. (2022). Missing data in experiments: Challenges and solutions. Psychological Methods, 27(2), 143–155.

  2. Enders, C. K. (2023). Missing data: An update on the state of the art. Psychological Methods. Advance online publication.

  1. Berk, R., Brown, L., & Zhao, L. (2010). Statistical Inference After Model Selection. Journal of Quantitative Criminology, 26(2), 217–236. doi:10.1007/s10940-009-9077-7

  2. Carmo, M. (2022, April 7). Simulating post selection inference. marwincarmo.github.io/posts/2021-12-20-model-selection-bias

  3. Leeb, H., & Pötscher, B. M. (2005). Model Selection and Inference: Facts and Fiction. Econometric Theory, 21(01). doi:10.1017/S0266466605050036

  4. Lukacs, P. M., Burnham, K. P., & Anderson, D. R. (2009). Model selection bias and Freedman’s paradox. Annals of the Institute of Statistical Mathematics, 62(1), 117. doi:10.1007/s10463-009-0234-4

  5. Smith, G. (2018). Step away from stepwise. Journal of Big Data, 5(1), 32. doi:10.1186/s40537-018-0143-6

Análises de Concordância

  1. Alexandre, N. M. C., & Coluci, M. Z. O. (2011). Validade de conteúdo nos processos de construção e adaptação de instrumentos de medidas. Ciência & Saúde Coletiva, 16, 3061–3068. scielo.br/pdf/csc/v16n7/06.pdf

  2. Almanasreh, E., Moles, R., & Chen, T. F. (2019). Evaluation of methods used for estimating content validity. Research in Social and Administrative Pharmacy, 15(2), 214–221. doi:10.1016/j.sapharm.2018.03.066

  3. Ayre, C., & Scally, A. J. (2014). Critical values for Lawshe’s content validity ratio: revisiting the original methods of calculation. Measurement and Evaluation in Counseling and Development, 47(1), 79–86. doi:10.1177/0748175613513808

  4. Hernandez-Nieto, R. (2002). Contributions to Statistical Analysis: The Coefficients of Proportional Variance, Content Validity and Kappa. CreateSpace Independent Publishing Platform.

  5. Souza, A. C. D., Alexandre, N. M. C., & Guirardello, E. D. B. (2017). Propriedades psicométricas na avaliação de instrumentos: avaliação da confiabilidade e da validade. Epidemiologia e Serviços de Saúde, 26, 649–659. scielo.iec.gov.br

  6. Zapf, A., Castell, S., Morawietz, L., & Karch, A. (2016). Measuring inter-rater reliability for nominal data – which coefficients and confidence intervals are appropriate? BMC Medical Research Methodology, 16(1), 1–10. doi:10.1186/s12874-016-0200-9

  1. Sertdemir, Y., Burgut, H. R., Alparslan, Z. N., Unal, I., & Gunasti, S. (2013). Comparing the methods of measuring multi-rater agreement on an ordinal rating scale: a simulation study with an application to real data. Journal of Applied Statistics, 40(7), 1506–1519. doi:10.1080/02664763.2013.788617

  1. Arifin, W. N. (2024). Sample size calculator (web). Retrieved from wnarifin.github.io

  2. Fleiss, J. L., & Cohen, J. (1973). The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability. Educational and Psychological Measurement, 33(3), 613–619. doi:10.1177/001316447303300309

  3. Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163. doi:10.1016/j.jcm.2016.02.012

  1. Cicchetti, D. V., & Feinstein, A. R. (1990). High agreement but low kappa: II. Resolving the paradoxes. Journal of Clinical Epidemiology, 43(6), 551–558. jclinepi.com

  2. Brenner, H., & Kliebsch, U. (1996). Dependence of weighted kappa coefficients on the number of categories. Epidemiology, 7(2), 199–202. journals.lww.com

  3. Fleiss, J. L., & Cohen, J. (1973). The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability. Educational and Psychological Measurement, 33(3), 613–619. doi:10.1177/001316447303300309

  4. Cohen, J. (1968). Weighted kappa: nominal scale agreement provision for scaled disagreement or partial credit. Psychological Bulletin, 70(4), 213. doi:10.1037/h0026256

  5. Sim, J., & Wright, C. C. (2005). The kappa statistic in reliability studies: use, interpretation, and sample size requirements. Physical Therapy, 85(3), 257–268. doi:10.1093/ptj/85.3.257

  6. Vanbelle, S. (2016). A new interpretation of the weighted kappa coefficients. Psychometrika, 81(2), 399–410. doi:10.1007/s11336-014-9439-4

Análises de Correlação

  1. Havlicek, L. L., & Peterson, N. L. (1976). Robustness of the Pearson correlation against violations of assumptions. Perceptual and Motor Skills, 43(3_suppl), 1319–1334. doi:10.2466/pms.1976.43.3f.1319

  1. Xu, W., Hou, Y., Hung, Y. S., & Zou, Y. (2013). A comparative analysis of Spearman’s rho and Kendall’s tau in normal and contaminated normal models. Signal Processing, 93(1), 261–276. doi:10.1016/j.sigpro.2012.08.005

  2. Myers, L., & Sirois, M. J. (2006). Spearman correlation coefficients, differences between. Encyclopedia of Statistical Sciences, 12. doi:10.1002/0471667196.ess5050.pub2

  1. Schönbrodt, F. D., & Perugini, M. (2013). At what sample size do correlations stabilize? Journal of Research in Personality, 47(5), 609–612. doi:10.1016/j.jrp.2013.05.009

  2. Schönbrodt, F. D., & Perugini, M. (2018). “At what sample size do correlations stabilize?”: Corrigendum. Journal of Research in Personality, 74, 194. doi:10.1016/j.jrp.2018.02.010

  3. Bonett, D. G., & Wright, T. A. (2000). Sample size requirements for estimating Pearson, Kendall and Spearman correlations. Psychometrika, 65(1), 23–28. doi:10.1007/BF02294183

Análises de Rede

  1. Bringmann, L. F., Pe, M. L., Vissers, N., Ceulemans, E., Borsboom, D., Vanpaemel, W., Tuerlinckx, F., & Kuppens, P. (2016). Assessing temporal emotion dynamics using networks. Assessment, 23(4), 425–435. doi:10.1177/1073191116645909

  2. Beard, C., Millner, A. J., Forgeard, M. J. C., Fried, E. I., Hsu, K. J., Treadway, M. T., Leonard, C. V., Kertz, S. J., & Björgvinsson, T. (2016). Network analysis of depression and anxiety symptom relationships in a psychiatric sample. Psychological Medicine, 46(16), 3359–3369. doi:10.1017/S0033291716002300

  3. Blanken, T. F., Deserno, M. K., Dalege, J., Borsboom, D., Blanken, P., Kerkhof, G. A., & Cramer, A. O. J. (2018). The role of stabilizing and communicating symptoms given overlapping communities in psychopathology networks. Scientific Reports, 8(1), 5854. doi:10.1038/s41598-018-24224-2

  4. Cramer, A. O. J., van Borkulo, C. D., Giltay, E. J., van der Maas, H. L. J., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major depression as a complex dynamic system. PLOS ONE, 11(12), e0167490. doi:10.1371/journal.pone.0167490

  1. Borsboom, D., & Cramer, A. O. J. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 9(1), 91–121. pubmed:23537483

  2. Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PLoS ONE, 8(4), e60188. doi:10.1371/journal.pone.0060188

  3. Cramer, A. O. J., Waldorp, L. J., van der Maas, H. L. J., & Borsboom, D. (2010). Comorbidity: a network perspective. Behavioral and Brain Sciences, 33(2–3), 137–150. doi:10.1017/S0140525X09991567

  4. Costantini, G., Epskamp, S., Borsboom, D., Perugini, M., Mõttus, R., Waldorp, L. J., & Cramer, A. O. J. (2015). State of the aRt personality research: a tutorial on network analysis of personality data in R. Journal of Research in Personality, 54, 13–29. doi:10.1016/j.jrp.2014.07.003

  5. Marsman, M., Borsboom, D., Kruis, J., Epskamp, S., van Bork, R., Waldorp, L. J., van der Maas, H. L. J., & Maris, G. (2018). An introduction to network psychometrics: relating Ising network models to item response theory models. Multivariate Behavioral Research, 53(1), 15–35. doi:10.1080/00273171.2017.1379379

  6. Hevey, D. (2018). Network analysis: a brief overview and tutorial. Health Psychology and Behavioral Medicine, 6(1), 301–328. doi:10.1080/21642850.2018.1521283

  7. Jones, P. J., Ma, R., & McNally, R. J. (2021). Bridge centrality: a network approach to understanding comorbidity. Multivariate Behavioral Research, 56(2), 353–367. doi:10.1080/00273171.2019.1614898

  8. Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing the construct: a network perspective on psychological phenomena. New Ideas in Psychology, 31(1), 43–53. doi:10.1016/j.newideapsych.2011.02.007

Curva ROC

  1. Flach, P. A. (2016). ROC analysis. In Encyclopedia of Machine Learning and Data Mining (pp. 1–8). Springer. research-information.bris.ac.uk

  1. Sachs, M. C. (2017). plotROC: a tool for plotting ROC curves. Journal of Statistical Software, 79. doi:10.18637/jss.v079.c02

  2. Goksuluk, D., Korkmaz, S., Zararsiz, G., & Karaagaoglu, A. E. (2016). easyROC: an interactive web-tool for ROC curve analysis using R language environment. R Journal, 8(2), 213.

  1. Negida, A., Fahim, N. K., & Negida, Y. (2019). Sample size calculation guide – part 4: how to calculate the sample size for a diagnostic test accuracy study based on sensitivity, specificity, and the area under the ROC curve. Frontiers in Emergency Medicine, 3(3), e33. fem.tums.ac.ir

  2. Obuchowski, N. A., & Bullen, J. A. (2018). Receiver operating characteristic (ROC) curves: review of methods with applications in diagnostic medicine. Physics in Medicine & Biology, 63(7), 07TR01. doi:10.1088/1361-6560/aab4b1

GLzM, GEE, GMM, HGMM

  1. McNeish, D., Stapleton, L. M., & Silverman, R. D. (2017). On the unnecessary ubiquity of hierarchical linear modeling. Psychological Methods, 22(1), 114. doi:10.1037/met0000078
  1. Bates, D., Kliegl, R., Vasishth, S., & Baayen, H. (2015). Parsimonious mixed models. arXiv preprint arXiv:1506.04967. arxiv.org/abs/1506.04967

  1. Muth, C., Bales, K. L., Hinde, K., Maninger, N., Mendoza, S. P., & Ferrer, E. (2016). Alternative models for small samples in psychological research: applying linear mixed effects models and generalized estimating equations to repeated measures data. Educational and Psychological Measurement, 76(1), 64–87. doi:10.1177/0013164415580432

  2. Guimarães, L. S. P., & Hirakata, V. N. (2012). Uso do modelo de equações de estimações generalizadas na análise de dados longitudinais. Revista HCPA, 32(4), 503–511. lume.ufrgs.br

  3. Lipsitz, S. R., Fitzmaurice, G. M., Orav, E. J., & Laird, N. M. (1994). Performance of generalized estimating equations in practical situations. Biometrics, 50(1), 270–278. jstor.org/stable/2533218

  1. Amatya, A., & Bhaumik, D. K. (2018). Sample size determination for multilevel hierarchical designs using generalized linear mixed models. Biometrics, 74(2), 673–684. doi:10.1111/biom.12764

  2. Cundill, B., & Alexander, N. D. (2015). Sample size calculations for skewed distributions. BMC Medical Research Methodology, 15(1), 1–9. doi:10.1186/s12874-015-0023-0

  3. Li, Z., & McKeague, I. W. (2013). Power and sample size calculations for generalized estimating equations via local asymptotics. Statistica Sinica, 23(1), 231. ncbi.nlm.nih.gov/pmc/articles/PMC3903421

  4. LeBreton, J. M., & Senter, J. L. (2008). Answers to 20 questions about interrater reliability and interrater agreement. Organizational Research Methods, 11(4), 815–852. doi:10.1177/1094428106296642

  5. Tosteson, T. D., Buzas, J. S., Demidenko, E., & Karagas, M. (2003). Power and sample size calculations for generalized regression models with covariate measurement error. Statistics in Medicine, 22(7), 1069–1082. doi:10.1002/sim.1388

  1. McCulloch, C. E., & Neuhaus, J. M. (2005). Generalized linear mixed models. Encyclopedia of Biostatistics, 4. doi:10.1002/0470013192.bsa251

  1. Kincaid, C. (2005, April). Guidelines for selecting the covariance structure in mixed model analysis. In Proceedings of the Thirtieth Annual SAS Users Group International Conference (Vol. 30, pp. 198–130). SAS Institute Inc. support.sas.com

  2. Littell, R. C., Pendergast, J., & Natarajan, R. (2000). Modelling covariance structure in the analysis of repeated measures data. Statistics in Medicine, 19(13), 1793–1819. doi:10.1002/1097-0258(20000715)19:13<1793::AID-SIM482>3.0.CO;2-Q

Interpretando e apresentando os resultados

  1. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. doi:10.1037/amp0000191

  2. Kasza, J., & Wolfe, R. (2014). Interpretation of commonly used statistical regression models. Respirology, 19(1), 14–21. doi:10/gmprxp

  3. Levitt, H. M., Bamberg, M., Creswell, J. W., Frost, D. M., Josselson, R., & Suárez-Orozco, C. (2018). Journal article reporting standards for qualitative primary, qualitative meta-analytic, and mixed methods research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 26–46. doi:10.1037/amp0000151

Em breve. As videoaulas estão sendo produzidas e serão disponibilizadas aqui.
Em breve. As audioaulas estão sendo produzidas e serão disponibilizadas aqui.
Recurso Descrição Link
Repositório da Disciplina Materiais extras extras