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

Medidas de associação: V de Cramer e Phi

Alex França

ago 7, 2023

Olá a todos! Hoje, vamos explorar dois conceitos fundamentais de medidas de associação, ou também denominadas como medidas de tamanho de efeito, para o teste qui-quadrado de independência – V de Cramer e Phi.

Estas são duas medidas são muito úteis na avaliação da força de uma associação entre duas variáveis categóricas quando é realizado o teste de qui-quadrado de independência.

Porém, antes de entrarmos em detalhes, vamos fazer uma breve introdução ao teste de qui-quadrado de independência, pois é uma base para entender V de Cramer e Phi.

Introdução ao Teste de Qui-Quadrado

O teste de qui-quadrado é um teste estatístico usado para determinar se há uma associação significativa entre duas variáveis categóricas numa população.

O nome deriva da letra grega “chi” (χ), usada para representar a distribuição estatística. Essa distribuição tem a particularidade de ser assintótica, o que significa que seus valores podem variar de zero a infinito.

O teste de qui-quadrado compara a diferença entre os valores observados (dados que você coletou) e os valores esperados (o que você esperaria se não houvesse nenhuma associação entre as variáveis) de forma quantitativa.

Em outras palavras, você está testando se as diferenças que vê nos seus dados são devidas ao acaso (por exemplo, a flutuação aleatória) ou se elas são estatisticamente significativas.

Se você quer aprender mais sobre o teste de qui-quadrado e como executá-lo, clica aqui que temos um post exclusivo sobre o tema.

Agora que você entendeu um pouco mais sobre o teste de qui-quadrado, vamos avançar para os conceitos de V de Cramer e Phi.

V de Cramer

Ao realizar o teste de qui-quadrado de independência, usa-se o V de Cramer para indicar o grau de associação entre as variáveis categóricas. Seu valor varia de 0 a 1. Um valor de 0 indica que não há associação, enquanto um valor de 1 indica uma associação perfeita.

É uma medida útil porque, independentemente do tamanho da tabela, sempre fornece um valor entre 0 e 1, tornando mais fácil comparar a força das associações entre estudos diferentes.

Ela é particularmente útil quando você tem mais de duas categorias em cada variável e quer determinar a força da associação entre as duas variáveis.

Phi

Phi, também conhecido como coeficiente de correlação de Phi, é outra medida derivada do teste de qui-quadrado. Semelhante à V de Cramer, ela também mede a força da associação entre duas variáveis categóricas.

No entanto, é especificamente usado para tabelas de contingência 2×2 (duas categorias para cada variável).

Quando usar V de Cramer ou Phi

Você pode usar tanto a V de Cramer quanto o Phi para medir a força da associação entre duas variáveis categóricas. Todavia, a escolha entre V de Cramer e Phi depende do número de categorias que cada uma das suas variáveis tem.

Use a V de Cramer quando você tiver mais de duas categorias para uma ou ambas as variáveis. Use Phi quando você tiver exatamente duas categorias para cada variável.

Em outras palavras, use Phi para tabelas de contingência 2×2 e V de Cramer para tabelas maiores.

Interpretação dos valores de V de Cramer e Phi

A interpretação destes valores pode depender dos graus de liberdade, especialmente quando se trata do V de Cramer. Os graus de liberdade, muitas vezes, dependem do número de categorias (linhas e colunas) na tabela de contingência.

Para tabelas 2×2, a interpretação de Phi é direta:

0.0: Sem relação.

< 0.0 < 0.3: Relação fraca.

0.3<0.7: Relação moderada.

>0.7: Relação forte.

Por outro lado para interpretar o V de Cramer, é necessário ter como base os graus de liberdade. Veja a tabela a seguir:

Conclusão

A V de Cramer e o Phi são medidas úteis que podem ajudá-lo a entender a força da associação entre duas variáveis categóricas. Escolher a medida correta a usar depende do número de categorias que cada uma das suas variáveis tem.

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).

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.