R, SPSS e SAS são programas desenvolvidos principalmente para manipulação, análise e modelagem de dados estatísticos, amplamente utilizados em diferentes áreas do conhecimento. Apesar de apresentarem sobreposição de funcionalidades, existem distinções quanto ao grau de flexibilidade, capacidade de integração e suporte a análises específicas. Comparando R, SAS e SPSS, analise as assertivas abaixo:

I. Por ser de código aberto, o R costuma receber novos métodos apenas depois que eles são implementados e validados em outros programas.

II. O SAS e o SPSS podem executar rotinas em R, oferecendo a opção de usar funções do R em seus próprios ambientes.

III. R é muito flexível no tipo de dados que pode analisar, enquanto SAS e SPSS exigem que os dados estejam organizados em conjuntos ditos “retangulares”.

IV. O SPSS utiliza principalmente duas janelas: o editor de dados (Data Editor) e o visualizador (Viewer). Um dos pontos fortes do SPSS é a possibilidade de executar a maioria das análises apenas com o uso do mouse, sem necessidade de codificação.



Quais estão corretas?

No SPSS, diferentes comandos do menu Analyze > Descriptive Statistics permitem realizar análises descritivas e explorar relações entre variáveis. Com base nas funcionalidades desses comandos, analise as assertivas abaixo e assinale V, se verdadeiras, ou F, se falsas.

( ) O comando Analyze (analisar) > Descriptive Statistics (estatística descritiva) > Frequencies (frequências) pode ser utilizado para realizar análise descritiva de variáveis quantitativas, apresentando medidas como média, mediana, moda, desvio-padrão, quartis e outras.

( ) O comando Analyze (analisar) > Descriptive Statistics (estatística descritiva) > Descriptives (descritivas) realiza uma análise descritiva completa de variáveis quantitativas, apresentando medidas como média, mediana, moda, desvio-padrão, quartis e outras.

( ) O comando Analyze (analisar) > Descriptive Statistics (estatística descritiva) > Crosstabs (tabelas cruzadas) permite analisar a relação entre variáveis categóricas, apresentando frequências, percentuais, testes de hipóteses e também a opção de gráficos de barras.

( ) O comando Analyze (análise) > Descriptive Statistics (estatística descritiva) > Explore (explorar), além da análise descritiva, também permite realizar uma diversidade de gráficos, entre eles: histograma, boxplot, gráfico de linhas, de barras, entre outros.


A ordem correta de preenchimento dos parênteses, de cima para baixo, é:

Conforme descrito e ilustrado por Guimarães e Hirakata (2012), em modelos correlacionados é comum se observar um “efeito principal”, que é o efeito direto de uma variável independente sobre a variável dependente e um “efeito de interação”, que é o efeito conjunto de duas ou mais variáveis independentes sobre a variável dependente (Fonte: GUIMARÃES, Luciano Santos Pinto; HIRAKATA, Vânia Naomi. Uso do modelo de equações de estimativas generalizadas na análise de dados longitudinais. Revista HCPA, Porto Alegre, v. 32, n. 4, p. 503-511, 2012). Considerando um exemplo genérico, onde se deseja avaliar o efeito do grupo (A ou B) e do tempo (pré, durante e pós intervenção) na variável escore de ansiedade, relacione a Coluna 1 à Coluna 2, associando as ilustrações gráficas abaixo aos seus respectivos efeitos.





Coluna 2
( ) Efeito somente do tempo. ( ) Efeito somente do grupo. ( ) Efeito do grupo e do tempo. ( ) Efeito do grupo e do tempo com o efeito da interação.
A ordem correta de preenchimento dos parênteses, de cima para baixo, é:

As Equações de Estimação Generalizadas (Generalized Estimating Equations – GEE) foram desenvolvidas com o objetivo de fornecer estimativas consistentes e eficientes dos parâmetros de modelos de regressão em situações em que os dados apresentam correlação. Esse método tem sido amplamente empregado em análises de dados longitudinais e outros cenários com medidas repetidas. Com base nos pressupostos e características dos modelos GEE, assinale a alternativa correta.

Os Modelos de Equações de Estimação Generalizadas (Generalized Estimating Equations – GEE) não exigem a suposição de esfericidade, pois permitem especificar diretamente a estrutura de correlação entre medidas repetidas. A matriz de correlação de trabalho (working correlation matrix) é uma estimativa dessa estrutura de dependência, utilizada para ajustar corretamente os erros padrão e gerar estimativas robustas dos efeitos populacionais. No SPSS, ao realizar uma análise GEE, é possível escolher entre cinco opções de matrizes de correlação para ajuste dos modelos. Nesse contexto, relacione a Coluna 1 à Coluna 2, associando as seguintes matrizes às suas respectivas características.

Coluna 1
1. Independente. 2. AR-1 (Autoregressive de 1ª ordem). 3. Troca (Exchangeable). 4. Dependente de ordem m. 5. Não estruturada.
Coluna 2
( ) Assume que a correlação entre quaisquer dois elementos é nula.
( ) Permite uma correlação diferente para cada par de medidas repetidas.
( ) Assume que cada medida repetida só é correlacionada com as m medições anteriores dentro do mesmo sujeito.
( ) Assume que todas as medidas dentro de um sujeito têm a mesma correlação m entre si (correlação homogênea).
( ) A correlação entre quaisquer dois elementos é igual a m para elementos adjacentes, m² para elementos separados por um terceiro e assim por diante, tal que –1 < m < 1.


A ordem correta de preenchimento dos parênteses, de cima para baixo, é:

Um estudo clínico tem como objetivo avaliar o efeito de uma intervenção cirúrgica sobre o peso corporal, verificando se a cirurgia resulta em uma redução significativa do peso em comparação ao grupo que não foi submetido ao procedimento. Para isso, os pacientes foram divididos em dois grupos: caso (submetidos à cirurgia) e controle (sem cirurgia). O peso corporal foi mensurado em dois momentos: antes da cirurgia (peso basal) e três meses após a cirurgia (peso pós-cirurgia), ou apenas após 3 meses, para o grupo controle. Considere os seguintes planejamentos estatísticos:

I. Plano 1 – ANCOVA (Análise de Covariância): Ajusta os valores de peso pós-cirurgia pelo peso basal, controlando eventuais diferenças iniciais entre os grupos. Nesse caso, o peso pós-cirurgia é a variável dependente, o grupo (caso versus controle) é o fator e o peso basal é incluído como covariável.

II. Plano 2 – GEE (Generalized Estimating Equations): Leva em conta a correlação entre medidas repetidas do mesmo indivíduo, permitindo estimar efeitos da cirurgia, do tempo e a variabilidade entre os pacientes. Considera as medidas repetidas de peso ao longo do tempo como variáveis dependentes, grupo (caso versus controle) e tempo (basal e pós-cirúrgico) como fatores.

III. Plano 3 – Test t pareado: Compara o peso basal e o peso pós-cirurgia dentro de cada grupo, separadamente. O peso é a variável dependente, o tempo (basal e pós-cirúrgico) é o fator de comparação.



Quais assertivas apresentam planejamentos que oferecem análises que permitem verificar estatisticamente se a cirurgia promove uma redução significativa no peso em comparação ao grupo controle?

Com base no Estudo sobre Diabetes Tipo 2, considere o seguinte:

O _____________________ é utilizado para avaliar o ajuste global de um modelo de regressão logística, comparando os valores observados e previstos da variável dependente. A interpretação é direta: _______ indica um _____ ajuste. O teste é fácil de interpretar, amplamente usado em artigos científicos e fornece uma visão global do ajuste do modelo, mas tem limitações: em amostras grandes, pode detectar diferenças muito pequenas (excesso de sensibilidade) e, em amostras pequenas, pode não identificar problemas de ajuste, sendo recomendado combiná-lo com outras métricas e a análise de resíduos.


Assinale a alternativa que preenche, correta e respectivamente, as lacunas do trecho acima.

Com base no Estudo sobre Diabetes Tipo 2 e nos resultados observados, assinale a alternativa INCORRETA.

Considere o modelo de regressão linear simples: y_i = a + bx_i + e_i com i = 1, …, n, tal que e_i é o componente aleatório de y_i  . Sobre as suposições necessárias para que os estimadores de mínimos quadrados ordinários (MQO) sejam eficientes, assinale a alternativa correta.

Considerando o desenho experimental descrito anteriormente, para saber se existe diferença significativa entre os programas, a 5% de significância, o professor utilizou o código e a saída de resultados a seguir, em linguagem R (supondo que todos os pressupostos são atendidos):






Com base no código e nos resultados observados, analise as assertivas abaixo e assinale a alternativa correta.
I. A estatística de teste F, para comparar os programas, pode ser calculada a partir da soma dos quadrados e dos graus de liberdade, tal que F = 18,60, aproximadamente.
II. Se a hipótese nula for verdadeira, o valor de F tende a 1. Mas se a hipótese nula for falsa, o valor de F tende a ser maior que 1.
III. Mesmo com valor de p <0,05, para avaliar o efeito do programa, ainda é necessário o uso de testes “pós-ANOVA”, também conhecidos como testes post-hoc, para identificar qual programa apresentou maior ganho de resistência.
IV. O erro residual estimado (Residual standard error = 20.63461) indica a variabilidade média explicada pelo modelo.