Abordagens Quantitativas em Pesquisa Introdução à Pesquisa Quantitativa A pesquisa quantitativa é uma metodologia de investigação que busca mensurar opiniões, atitudes e comportamentos a partir da coleta de dados numéricos. Seu objetivo principal é quantificar fenômenos, identificar padrões e testar hipóteses através de procedimentos estatísticos. Diferente da pesquisa qualitativa, que se aprofunda nas motivações e significados, a pesquisa quantitativa responde a perguntas como “quanto”, “com que frequência” e “em que proporção” algo acontece. 1.1. Características essenciais Objetividade: os resultados são obtidos por meio de procedimentos padronizados e replicáveis, minimizando a influência do pesquisador. Generalização: utilizando amostras representativas, é possível inferir conclusões sobre a população de interesse. Estruturação rígida: o desenho da pesquisa, a coleta e a análise dos dados seguem um plano predefinido. Quantificação: os dados são expressos em números, permitindo a aplicação de técnicas estatísticas. 1.2. Diferenças em relação à pesquisa qualitativa | Aspecto | Pesquisa Quantitativa | Pesquisa Qualitativa | |-------------|---------------------------|--------------------------| | Foco | Medir frequências, volumes e relações | Compreender significados, motivações e contextos | | Abordagem | Dedutiva (teste de hipóteses) | Indutiva (geração de hipóteses) | | Coleta de dados | Questionários estruturados, surveys, experimentos | Entrevistas em profundidade, grupos focais, observação participante | | Amostragem | Probabilística, visando representatividade | Não probabilística, visando diversidade | | Resultados | Generalizáveis para a população | Transferíveis para contextos similares | Ambas as abordagens são complementares. Em muitas pesquisas, utiliza-se uma abordagem de métodos mistos, combinando técnicas quantitativas e qualitativas para obter uma compreensão mais completa do fenômeno. Fundamentos Metodológicos 2.1. Paradigma positivista A pesquisa quantitativa está ancorada no paradigma positivista (ou pós-positivista), que pressupõe a existência de uma realidade objetiva e mensurável. O conhecimento é construído por meio da observação empírica, da formulação de hipóteses testáveis e da verificação por meio de procedimentos sistemáticos. 2.2. Formulação de hipóteses As hipóteses são proposições testáveis sobre a relação entre duas ou mais variáveis. Na pesquisa quantitativa, normalmente se formula uma hipótese nula (H₀) e uma hipótese alternativa (H₁). A análise estatística buscará rejeitar ou não a hipótese nula com base nos dados coletados. Exemplo: H₀ = “Não há diferença significativa na satisfação dos usuários entre os dois serviços públicos”. H₁ = “Há diferença significativa na satisfação dos usuários entre os dois serviços públicos”. 2.3. Variáveis As variáveis são características ou atributos que podem assumir diferentes valores. Em uma pesquisa quantitativa, distinguem-se: Variável dependente: o fenômeno que se pretende explicar ou prever (ex.: satisfação do usuário). Variável independente: o fator que se supõe influenciar a variável dependente (ex.: tempo de espera no atendimento). Variáveis de controle: fatores que podem interferir na relação entre a variável independente e a dependente e que devem ser mantidos constantes ou estatisticamente controlados (ex.: nível de escolaridade dos usuários). As variáveis podem ser classificadas quanto à sua natureza: Quantitativas: expressas em números, podendo ser discretas (valores inteiros) ou contínuas (valores fracionários). Qualitativas: expressas em categorias, podendo ser nominais (sem ordem) ou ordinais (com ordem). Tipos de Pesquisa Quantitativa 3.1. Survey (levantamento) É o tipo mais comum de pesquisa quantitativa. Consiste na coleta de dados de uma amostra representativa da população por meio de questionários estruturados, geralmente aplicados em um único momento. É adequado para descrever características de uma população, medir atitudes e opiniões, e identificar associações entre variáveis. 3.2. Pesquisa experimental Envolve a manipulação de uma ou mais variáveis independentes pelo pesquisador, com o objetivo de observar seus efeitos sobre uma variável dependente, enquanto todas as demais variáveis são mantidas constantes. O ensaio clínico randomizado (RCT) é o padrão‑ouro para estabelecer relações causais, pois a alocação aleatória dos participantes aos grupos de tratamento e controle elimina vieses de seleção. 3.3. Pesquisa quase‑experimental Utilizada quando não é possível realizar a alocação aleatória dos participantes. O pesquisador não tem controle completo sobre a atribuição dos tratamentos, mas ainda assim busca inferir causalidade por meio de técnicas como diferenças‑em‑diferenças (DiD), regressão descontínua (RDD) e pareamento por escore de propensão (PSM). 3.4. Pesquisa correlacional Examina a relação entre duas ou mais variáveis sem que o pesquisador as manipule. O objetivo é verificar se existe associação (correlação) entre elas, mas não se pode inferir causalidade. O coeficiente de correlação de Pearson é a medida mais comum. 3.5. Pesquisa causal‑comparativa (ex post facto) Busca identificar possíveis causas de um fenômeno já ocorrido, comparando grupos que diferem em relação à variável de interesse, sem que o pesquisador tenha manipulado a variável independente. Escalas de Mensuração A definição da escala de mensuração é crucial, pois determina quais operações matemáticas e análises estatísticas podem ser aplicadas. Segundo Stevens (1946), existem quatro níveis: | Escala | Propriedades | Exemplos | Operações possíveis | |------------|------------------|--------------|--------------------------| | Nominal | Classifica em categorias sem ordem | sexo, estado civil, cor da pele, município de residência | contagem, moda | | Ordinal | Classifica e ordena, mas as distâncias não são iguais | grau de instrução, classe social, posição em um ranking | mediana, percentis | | Intervalar | Ordena e as distâncias são iguais, mas não há zero absoluto | temperatura em Celsius ou Fahrenheit, QI | média, desvio padrão, correlação | | Razão | Ordena, distâncias iguais e possui zero absoluto | altura, peso, idade, renda, número de filhos | qualquer operação matemática (incluindo multiplicação e divisão) | A escala de Likert, amplamente utilizada em surveys, é uma escala ordinal que mede a intensidade de opinião (ex.: “concordo totalmente”, “concordo”, “indiferente”, “discordo”, “discordo totalmente”). Amostragem 5.1. Conceitos básicos População: conjunto de todos os elementos que compartilham uma característica comum e sobre os quais se deseja fazer inferências. Amostra: subconjunto da população selecionado para participar da pesquisa. Parâmetro: medida numérica que descreve uma característica da população (ex.: média populacional μ). Estatística: medida numérica calculada a partir da amostra (ex.: média amostral x̄), usada para estimar o parâmetro populacional. 5.2. Amostragem probabilística Todos os elementos da população têm probabilidade conhecida e maior que zero de serem selecionados. Permite calcular a margem de erro e generalizar os resultados para a população. Amostragem aleatória simples (AAS): cada elemento é sorteado aleatoriamente, com igual probabilidade. Amostragem sistemática: seleciona‑se um ponto de partida aleatório e, em seguida, escolhe‑se cada k-ésimo elemento da lista (k = N/n). Amostragem estratificada: divide‑se a população em estratos homogêneos (ex.: por sexo, faixa etária) e sorteia‑se aleatoriamente dentro de cada estrato, geralmente de forma proporcional ao tamanho do estrato. Reduz o erro amostral quando os estratos são heterogêneos entre si. Amostragem por conglomerados (clusters): divide‑se a população em conglomerados (ex.: bairros, escolas) e sorteiam‑se conglomerados inteiros. Útil quando não se dispõe de uma lista completa da população e os custos de coleta são elevados. Amostragem em múltiplos estágios: combina duas ou mais técnicas (ex.: primeiro sorteia‑se municípios, depois escolas dentro de cada município, depois alunos dentro de cada escola). 5.3. Amostragem não probabilística A seleção dos elementos não é aleatória, não sendo possível calcular a margem de erro. Os resultados não podem ser generalizados para a população com rigor estatístico, mas são úteis em pesquisas exploratórias ou quando o acesso à população é limitado. Amostragem por conveniência: selecionam‑se os elementos mais acessíveis (ex.: abordagem de pessoas em um shopping center). Amostragem intencional (por julgamento): o pesquisador seleciona deliberadamente os elementos que julga mais típicos ou representativos. Amostragem por cotas: define‑se quotas proporcionais às características da população (ex.: sexo, idade) e preenchem‑se as quotas com elementos de conveniência. Amostragem bola de neve (snowball): os primeiros respondentes indicam outros potenciais respondentes. Útil para populações de difícil acesso (ex.: trabalhadores informais, populações raras). Técnicas de Coleta de Dados Quantitativos 6.1. Questionário estruturado Instrumento composto por perguntas fechadas, com alternativas de respostas predefinidas. Pode ser aplicado de forma presencial, por telefone, por correio ou por meio eletrônico. As vantagens são a padronização, a facilidade de tabulação e a possibilidade de atingir um grande número de respondentes. As desvantagens incluem a rigidez e a impossibilidade de aprofundar as respostas. 6.2. Escalas psicométricas Instrumentos que medem atitudes, opiniões, traços de personalidade ou competências. A escala de Likert é a mais difundida, mas existem também escalas de Thurstone, Guttman, diferencial semântico, entre outras. 6.3. Observação estruturada O pesquisador observa e registra comportamentos de acordo com um protocolo predefinido, geralmente utilizando categorias de classificação. É comum em estudos etológicos e em pesquisas sobre comportamento organizacional. 6.4. Dados secundários quantitativos Utilização de bases de dados já existentes, como censos demográficos, registros administrativos (ex.: RAIS, CAGED, CadÚnico), dados de sistemas de informação governamentais (ex.: DATASUS, INEP) e dados de pesquisas de órgãos oficiais (ex.: PNAD, POF). Essa abordagem é econômica e permite análises de longo prazo, mas depende da qualidade e da adequação dos dados disponíveis. Erro Amostral, Margem de Erro, Nível de Confiança e Intervalo de Confiança 7.1. Erro amostral É a diferença entre o valor estimado a partir da amostra (estatística) e o verdadeiro valor populacional (parâmetro). O erro amostral é inerente ao processo de amostragem e diminui à medida que o tamanho da amostra aumenta. 7.2. Margem de erro É o valor que se soma e se subtrai da estimativa pontual para obter o intervalo de confiança. Representa a quantidade máxima de erro amostral que o pesquisador admite. Quanto menor a margem de erro, maior a precisão da estimativa, mas também maior o tamanho da amostra necessário. 7.3. Nível de confiança É a probabilidade de que o intervalo de confiança construído contenha o verdadeiro parâmetro populacional. Os níveis mais comuns são 90%, 95% e 99%. Um nível de confiança de 95% significa que, se o mesmo procedimento de amostragem for repetido muitas vezes, em 95% das vezes o intervalo construído conterá o parâmetro populacional. 7.4. Intervalo de confiança É um intervalo de valores, construído a partir da amostra, que tem uma determinada probabilidade (nível de confiança) de conter o verdadeiro parâmetro populacional. Para uma média, o intervalo de confiança é dado por: $ IC = \bar{x} \pm z \times \frac{s}{\sqrt{n}} $ Onde: $\bar{x}$ é a média amostral; $z$ é o valor da normal padrão correspondente ao nível de confiança (ex.: 1,96 para 95%); $s$ é o desvio padrão amostral; $n$ é o tamanho da amostra. 7.5. Relação entre tamanho da amostra, margem de erro e nível de confiança Quanto maior o tamanho da amostra (n), menor a margem de erro (para um mesmo nível de confiança). Quanto maior o nível de confiança, maior a margem de erro (para um mesmo tamanho de amostra). Para reduzir a margem de erro pela metade, é necessário quadruplicar o tamanho da amostra. Quadro‑resumo para a prova | Tópico | Conteúdo | |------------|---------------| | Pesquisa quantitativa | Mensura fenômenos por meio de dados numéricos; paradigma positivista; objetividade; generalização; estrutura rígida. | | Hipóteses | Proposições testáveis sobre relações entre variáveis; H₀ (nula) e H₁ (alternativa). | | Variáveis | Dependente (explicada), independente (explicativa), de controle; quantitativas (discretas/contínuas) e qualitativas (nominais/ordinais). | | Tipos de pesquisa | Survey, experimental (RCT), quase‑experimental (DiD, RDD, PSM), correlacional, causal‑comparativa. | | Escalas | Nominal (categorias sem ordem), ordinal (com ordem, sem distâncias iguais), intervalar (distâncias iguais, sem zero absoluto), razão (zero absoluto). | | Amostragem probabilística | AAS, sistemática, estratificada, por conglomerados, múltiplos estágios; permite margem de erro e generalização. | | Amostragem não probabilística | Conveniência, intencional, cotas, bola de neve; sem margem de erro; resultados não generalizáveis. | | Erro amostral | Diferença entre estimativa amostral e parâmetro populacional. | | Margem de erro | Valor adicionado/subtraído da estimativa pontual para formar o intervalo de confiança. | | Nível de confiança | Probabilidade de o intervalo conter o parâmetro populacional (usualmente 90%, 95%, 99%). | | Intervalo de confiança | Faixa de valores que, com determinado nível de confiança, contém o parâmetro populacional. | Exercícios: Qual é o paradigma epistemológico que fundamenta a pesquisa quantitativa? Qual das fases do processo de pesquisa quantitativa envolve a formulação de proposições testáveis sobre a relação entre variáveis? Entre os tipos de pesquisa quantitativa, qual é considerado o padrão-ouro para estabelecer causalidade? Qual é a principal característica da amostragem probabilística em pesquisas quantitativas? A escala Likert, amplamente utilizada em pesquisas quantitativas, é empregada para medir: No contexto da definição de variáveis em pesquisa quantitativa, qual é a função da variável dependente?