O seu Blog de Psicometria

Tenha acesso à nossa enciclopédia virtual de conhecimento em Psicometria e Análise de Dados

Junte-se a mais de 22.300 membros e receba conteúdos exclusivos e com prioridade

Dados Normativos: Entendendo o Escore Z

Alex França

out 23, 2023

Interpretar os resultados derivados do uso de um teste é tão crucial quanto criar ou adaptar os instrumentos e aplicá-los corretamente. Para a interpretação dos resultados, é essencial a criação de normas.

Por meio delas, é possível dar significado aos resultados obtidos pelo indivíduo. Portanto, durante o processo de teste com referência normativa, o resultado individual do testado adquire significado quando comparado aos resultados do grupo.

O que são normas?

As normas servem como ponto de comparação, ou seja, são os dados de desempenho de um grupo específico em um teste particular que são utilizados como referência para interpretar os resultados individuais.

O grupo cujo desempenho é utilizado como referência é chamado de amostra normativa e é composto por indivíduos que apresentam um desempenho típico em relação à característica estudada, refletindo o comportamento da população em geral. Portanto, a amostra normativa é representativa da população.

Ao administrar o teste para a amostra normativa, é possível obter a distribuição dos resultados. Esses dados são usados para contextualizar os resultados individuais do teste, e é por meio deles que os resultados individuais recebem significado – esses dados são as normas.

Os resultados individuais e da amostra normativa são frequentemente referenciados em termos de percentis (posição percentual) ou escores-padrão (T ou Z).

Quando os resultados são expressos em percentis, o resultado bruto (o resultado obtido após a correção do teste, seguindo as instruções do manual do teste) deve ser convertido em um resultado percentual.

O percentil indica a posição do desempenho no teste em relação ao desempenho da amostra de normatização e mostra quantos por cento da amostra normativa obteve resultados inferiores ao do indivíduo testado. Outra maneira de expressar as normas é usando escores-padrão.

Ao usar escores-padrão, os resultados brutos passam por uma transformação linear. Isso significa que os resultados brutos são convertidos em escalas que indicam a posição em relação a uma média “x” em termos de desvio-padrão.

O que significa o escore Z (Z-Score)

O Escore Z também chamado de escore padrão, é uma medida estatística que expressa a posição de um ponto de dados em relação à média e ao desvio padrão de uma distribuição.

Em essência, são uma forma de expressar o posicionamento do resultado do indivíduo em relação aos resultados da amostra normativa, mas evitando o problema das diferentes unidades no escore percentual.

Como se calcula o escore Z

A fórmula para calcular o escore Z é a seguinte:

Z = (escore bruto – média da amostra normativa) / desvio-padrão da amostra normativa

Portanto, o escore-padrão do indivíduo é a posição que seu resultado bruto ocupa em relação a uma média “x”, medida em unidades de desvio-padrão. Para entender melhor, podemos fornecer um exemplo, mas primeiro é importante compreender o que é um escore Z.

Como interpretar o escore Z

Vamos utilizar um exemplo prático para entender melhor como o escore Z funciona na prática.

Suponha que esta avaliando o desempenho em um teste de QI (Quociente de Inteligência) de um individuo. O resultado obtido foi de 120 nesse teste. Se a média de QI na população é 100 e o desvio padrão é 15, podemos calcular o escore Z da seguinte maneira:

Z =(120−100)/15=1.33

Isso significa que o indivíduo obteve um escore Z de 1.33 em relação ao QI. Interpretando esse resultado, podemos dizer que o desempenho desse indivíduo está 1.33 desvios padrão acima da média da população em termos de QI.

A interpretação de um escore Z deve sempre ser considerada no contexto da característica avaliada. Por exemplo, um escore Z positivo em um teste de inteligência é algo bom, enquanto um escore Z positivo em um teste de ansiedade pode ser algo ruim, a depender do instrumento de medida.

Conclusão

A comparação de dados normativos em psicometria é útil para avaliar o desempenho individual em uma variedade de características psicológicas. Os escores Z são uma ferramenta estatística valiosa que nos permite padronizar e interpretar essas comparações de maneira objetiva.

Ao entender os conceitos por trás dos escores Z, os profissionais podem tomar decisões mais informadas e ajudar as pessoas a alcançar seu potencial máximo.

Lembrando sempre de usar essa ferramenta com cuidado e considerar o contexto específico em que ela está sendo aplicada para obter interpretações corretas.

Esperamos que este post tenha ajudado você a entender melhor esses conceitos e como aplicá-los na prática.

Aproveite e inscreva-se no canal e aprimore suas habilidades em análise de dados!

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referência

Pacico, J. C. (2015) Normas. In Psicometria. Org: Claudio Simon Hutz, Denise Ruschel Bandeira, Clarissa Marceli Trentini. – Porto Alegre : Artmed.

Conteúdo

Mais lidos

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Postados recentemente

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Alex França

Posts sugeridos

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de…

Alex França

fev 11, 2024

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na…

Alex França

fev 4, 2024

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo…

Alex França

jan 28, 2024

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.