Método-GV

Sensibilidade e especificidade são dois conceitos centrais quando falamos de curva ROC mas muita gente ainda confunde.
Enquanto uma foca em detectar corretamente quem tem a condição, a outra foca em excluir quem não tem.
O ponto chave é entender que existe um equilíbrio entre as duas, e que a escolha depende do objetivo da análise.

Na Modelagem por Equações Estruturais (SEM), às vezes o modelo produz resultados que simplesmente não fazem sentido estatístico... como variâncias negativas.
Isso é conhecido como Caso de Heywood.
Quando ele aparece, não significa que a SEM “falhou”, mas sim que algo no modelo, nos dados ou na especificação precisa ser revisado.
Neste carrossel explico o que é, por que acontece e como lidar com esse problema.

Na Teoria de Resposta ao Item (TRI), Infit e Outfit ajudam a avaliar se um item está funcionando como esperado no modelo.
Embora pareçam semelhantes, eles capturam tipos diferentes de desajuste: um olha para o comportamento típico do item e o outro para respostas inesperadas ou outliers.
Entender essa diferença é essencial para interpretar corretamente a qualidade dos itens de uma escala.

Em Modelagem por Equações Estruturais, não basta rodar o modelo é preciso avaliar o ajuste.
CFI, TLI, RMSEA, SRMR… cada índice diz algo diferente sobre o quanto o modelo representa bem os dados.
Nesta tabela, organizei os principais índices, o que avaliam e os pontos de corte mais usados, para você interpretar seus resultados com segurança.

Lembre-se: ajuste estatístico é importante, mas teoria continua sendo essencial.

Você não precisa definir os grupos antes o próprio dado pode mostrar os padrões.
O Hierarchical Clustering é uma ferramenta exploratória para identificar perfis naturais dentro da sua amostra.
Ideal para pesquisas que querem entender como os participantes se organizam em grupos semelhantes sem impor categorias previamente.

Resultados de análise de cluster podem confundir à primeira vista. Número de clusters, centroides, distância, método… cada item diz algo diferente.
Nesta tabela, mostro o que realmente importa, o que cada resultado representa e como interpretar sem se perder nos detalhes.