É possível mensurar tudo o que vivenciamos ou observamos?
Tanto quanto possível, devemos estar confiantes de que nossos conceitos teóricos sejam próximos de nossas observações empíricas.
Por vezes, o relacionamento que mais nos interessa é aquele que não podemos observar diretamente. Portanto, precisamos confiar em medidas potencialmente imperfeitas dos conceitos que valorizamos.
Isso significa que medir nossos conceitos com cuidado é uma das partes mais importantes (e negligenciadas) das ciências sociais.
Muitos conceitos em ciências sociais e especialmente no direito são elusivos e difíceis de serem observados empiricamente.
Para cada conceito teórico existem múltiplas estratégias de operacionalização.
Exemplo: Como medir “renda” em uma pesquisa?
Uma pergunta mal formulada pode levar a respostas imprecisas.
Uma medida é confiável se produz resultados consistentes ao longo do tempo e entre diferentes avaliadores.
Exemplo:
- Uma balança confiável sempre mostra o mesmo peso para um mesmo objeto.
Uma medida válida representa corretamente o conceito que pretende medir.
Exemplo:
- Para medir preconceito, basta perguntar diretamente “Você é preconceituoso?”
- Melhor abordagem: Testes implícitos ou cenários práticos.
Tipos de validade:
1. Face: Parece medir o conceito?
2. Conteúdo: Captura todos os aspectos do conceito?
3. Construto: Reflete a teoria subjacente?
Variável é uma característica que pode variar no seu valor entre sujeitos em uma amostra o população. Seus valores formam um escala de mensuração.
📌 Representam grupos ou categorias, sem valores numéricos significativos.
📊 Métricas adequadas: Moda, proporções, tabelas de frequência.
📌 Representam quantidades numéricas e permitem operações matemáticas significativas.
📊 Métricas adequadas: Média, mediana, desvio-padrão, histogramas.
| Característica | Categórica | Quantitativa |
|---|---|---|
| Representação | Grupos ou categorias | Números reais |
| Operações matemáticas | 🚫 Não aplicáveis | ✅ Possíveis |
| Exemplos | Gênero, Religião, Cor | Idade, Renda, Altura |
1️⃣ Discretas: Valores contáveis e inteiros.
- Exemplo: Número de filhos (0, 1, 2, 3…).
2️⃣ Contínuas: Podem assumir qualquer valor em um intervalo.
- Exemplo: Altura (1,75m, 1,82m, etc.).
A mensuração em ciências sociais classifica variáveis em diferentes escalas, dependendo das propriedades matemáticas que possuem.
As principais escalas são:
1️⃣ Nominal
2️⃣ Ordinal
3️⃣ Intervalar
📌 Apenas classifica categorias sem ordem ou hierarquia.
✅ Características:
- Categórica: Os valores representam grupos distintos.
- Sem ordem ou diferença numérica significativa.
🎯 Exemplos:
- Gênero: Masculino, Feminino, Outro.
- Cores: Azul, Vermelho, Verde.
- Estado civil: Solteiro, Casado, Divorciado.
📊 Análises possíveis:
- Cálculo de moda (categoria mais frequente).
- Tabelas de frequência.
🚫 Não permite cálculos de média ou ordem numérica.
📌 Classifica categorias com uma ordem lógica, mas sem intervalos fixos.
✅ Características:
- Os valores possuem uma hierarquia.
- Não há garantia de que a diferença entre categorias seja uniforme.
🎯 Exemplos:
- Grau de escolaridade: Fundamental, Médio, Superior.
- Satisfação com um serviço: Insatisfeito, Neutro, Satisfeito.
- Classe social: Baixa, Média, Alta.
📊 Análises possíveis:
- Cálculo de moda e mediana.
- Comparações de maior ou menor.
🚫 Não permite cálculo de média ou diferenças exatas entre categorias.
📌 Permite medir diferenças numéricas exatas, mas sem um zero absoluto.
✅ Características:
- As diferenças entre valores são iguais.
- Não há um ponto zero absoluto (zero não significa “ausência” da característica).
🎯 Exemplos:
- Temperatura em Celsius ou Fahrenheit (0°C não significa ausência de calor).
- Testes de inteligência (Q.I.).
- Faixa etária
📊 Análises possíveis:
- Cálculo de média, mediana, variância e desvio-padrão.
- Operações de soma e subtração.
🚫 Não permite comparações proporcionais (ex.: 20°C não é “o dobro” de 10°C).
| Escala | Ordem? | Diferença Igual? | Zero Significativo? | Exemplo |
|---|---|---|---|---|
| Nominal | ❌ Não | ❌ Não | ❌ Não | Cores, Gênero |
| Ordinal | ✅ Sim | ❌ Não | ❌ Não | Satisfação, Classe social |
| Intervalar | ✅ Sim | ✅ Sim | ❌ Não | Temperatura em °C, Q.I. |
1️⃣ Amostragem
2️⃣ Aleatorização
3️⃣ Experimentos vs. Observação
4️⃣ Variabilidade Amostral
5️⃣ Tendenciosidade Potencial
6️⃣ Erro Amostral
7️⃣ Métodos de Amostragem
📌 Amostragem é o processo de selecionar um subconjunto de uma população para análise.
🎯 Por que usamos amostras?
- Populações são muito grandes para estudar completamente.
- Coletar dados de toda a população é caro e demorado.
- Uma boa amostra representa a população com precisão.
📌 Aleatorização significa que cada indivíduo da população tem igual chance de ser escolhido na amostra.
🎯 Benefícios:
✅ Reduz viés na seleção dos participantes.
✅ Garante que a amostra seja representativa.
✅ Permite aplicar estatísticas inferenciais.
🚨 Sem aleatorização, os resultados podem ser enviesados!
🚨 Cuidado! Estudos observacionais não provam causalidade.
📌 Duas amostras da mesma população podem produzir resultados diferentes.
🎯 Fontes de variabilidade:
- Tamanho da amostra.
- Diferenças naturais entre indivíduos.
- Métodos de coleta de dados.
✅ Solução: Usar amostras maiores e aleatórias para reduzir variação.
📌 Viés ocorre quando os dados não representam a população corretamente.
🎯 Tipos de viés:
- Viés de seleção: Amostra não representa toda a população.
- Viés de resposta: Algumas pessoas respondem de maneira diferente (ex.: vergonha, medo).
- Viés do pesquisador: Expectativas influenciam a interpretação dos dados.
✅ Solução: Aleatorizar, testar diferentes métodos de coleta e ser transparente.
📌 Erro amostral ocorre porque a amostra nunca é idêntica à população.
🎯 Como minimizar?
✅ Aumentar o tamanho da amostra.
✅ Escolher amostras aleatórias e representativas.
✅ Evitar vieses na coleta de dados.
🚨 Mesmo com boas práticas, um pequeno erro sempre existirá!
Existem vários tipos de amostragem, cada um com vantagens e desvantagens.
📌 Todos os indivíduos têm a mesma chance de serem escolhidos.
✅ Fácil de entender e imparcial.
❌ Pode não representar bem grupos pequenos.
📌 Divide a população em grupos homogêneos (estratos) e escolhe amostras de cada um.
✅ Garante representatividade de subgrupos.
❌ Exige informações prévias sobre a população.
Exemplo: Pesquisar hábitos de leitura em diferentes faixas etárias.
📌 Escolhe indivíduos a partir de um intervalo fixo (ex.: cada 10º nome em uma lista).
✅ Simples de aplicar e eficiente.
❌ Pode ser tendenciosa se houver padrões ocultos nos dados.
Exemplo: Selecionar alunos para um estudo a partir de uma lista de chamada.
📌 Divide a população em grupos naturais (conglomerados) e seleciona alguns grupos inteiros.
✅ Útil para populações grandes e dispersas.
❌ Pode aumentar erro amostral se os grupos forem muito diferentes.
Exemplo: Escolher escolas aleatoriamente para pesquisar alunos.
| Método | Como Funciona? | Vantagens | Desvantagens |
|---|---|---|---|
| Aleatória Simples | Todos têm igual chance de ser escolhidos | Imparcial, fácil de entender | Pode não representar bem subgrupos |
| Estratificada | Divide em grupos e escolhe proporcionalmente | Representação de subgrupos | Requer informações detalhadas |
| Sistemática | Escolhe a cada X indivíduos | Rápida e eficiente | Pode ter viés se houver padrões ocultos |
| Conglomerados | Seleciona grupos inteiros | Bom para populações grandes | Pode aumentar erro amostral |