Verificações de Pressupostos e Diagnóstico
Antes de confiar em um valor de p, confirme que os pressupostos do modelo se sustentam. Aqui estão as verificações que importam e o que fazer quando elas falham.
Esta página é uma tradução do original em inglês, revisado por pares. Ver o original (EN)
diagnósticoO que é
Todo modelo paramétrico - regressão, ANOVA, modelo de equações estruturais - se apoia em um conjunto de pressupostos. Se esses pressupostos forem violados, os erros padrão, os valores de p e os intervalos de confiança podem estar todos errados, mesmo quando as estimativas pontuais parecem plausíveis. As verificações de pressupostos e o diagnóstico são o conjunto de testes e gráficos que você roda antes de interpretar o resultado de um modelo. A boa notícia é que a maioria dessas verificações é rápida e as soluções já são bem estabelecidas. O importante é fazê-las rotineiramente, não apenas quando os resultados parecem suspeitos. Revisores e editores esperam cada vez mais uma frase na seção de método confirmando que os pressupostos foram verificados.
Quando usar
- Antes de interpretar qualquer modelo paramétrico - regressão, ANOVA ou SEM - para confirmar que os pressupostos se sustentam.
- Rotineiramente, como uma etapa padrão, não apenas quando os resultados parecem suspeitos.
- Quando um revisor ou editor espera uma declaração de que os pressupostos foram verificados.
- Quando as estimativas pontuais parecem plausíveis, mas você precisa confiar nos erros padrão, nos valores de p e nos intervalos de confiança.
Pressupostos
- Normalidade dos resíduos - os erros do modelo são aproximadamente normais (o resultado bruto não precisa ser).
- Homocedasticidade - a variância dos resíduos é aproximadamente constante ao longo dos valores ajustados.
- Linearidade - cada preditor se relaciona com o resultado em linha reta.
- Ausência de valores atípicos indevidamente influentes - nenhum caso isolado puxa as estimativas de forma substancial.
- Ausência de multicolinearidade severa - os preditores não estão fortemente correlacionados (VIF abaixo de 5).
Pontos de corte
| Criterion | Rule of thumb | Source |
|---|---|---|
| Normalidade | Shapiro–Wilk, gráfico Q–Q - SW p < .05 (n pequeno); Q–Q curvo | Solução: transformação log/raiz quadrada; alternativa não paramétrica |
| Homocedasticidade | Resíduo vs. ajustado; Levene - padrão em leque; Levene p < .05 | Solução: erros padrão robustos (correção HC); ANOVA de Welch |
| Linearidade | Gráfico de regressão parcial - curva evidente no gráfico | Solução: termo polinomial; transformação log |
| Valores atípicos | Resíduos padronizados; D de Cook - |z| > 3; D de Cook > 4/n | Solução: inspecionar; reportar com e sem o valor atípico |
| Multicolinearidade | VIF / tolerância - VIF > 5 (alerta), > 10 (sério) | Solução: remover um preditor; centralizar variáveis; PCA |
Como reportar em APA
Antes da análise principal, os pressupostos foram verificados. Os resíduos apresentaram distribuição aproximadamente normal (Shapiro–Wilk W = .98, p = .23). A homocedasticidade foi apoiada pela inspeção visual dos gráficos de resíduo versus ajustado. Não foram identificados casos influentes (todos os D de Cook < .08). Os fatores de inflação de variância variaram de 1.12 a 2.34, sem indicar preocupação com multicolinearidade.
Como a Explonia calcula isso
A Explonia apresenta o diagnóstico de pressupostos junto com a análise correspondente. Quando você roda uma regressão ou uma ANOVA na plataforma, ela verifica e exibe automaticamente a normalidade (Shapiro–Wilk), o teste de Levene para comparações de grupos e o VIF para modelos de regressão. Os resultados aparecem no mesmo painel de saída da análise principal, então você não precisa rodar uma ferramenta separada. Quando uma verificação falha, a saída sinaliza isso para que você possa agir antes de reportar. Em uma comparação de grupos configurada como Auto, uma verificação de normalidade reprovada muda o teste para Mann-Whitney ou Kruskal-Wallis; com grupos grandes, você pode escolher ANOVA ou ANOVA de Welch em vez disso e explicar o motivo no seu relatório.
Perguntas frequentes
Meus dados precisam ter distribuição normal?
O pressuposto de normalidade se aplica aos resíduos do seu modelo, não aos dados brutos. Com amostras grandes (n > 30 por grupo), o teorema do limite central torna a maioria dos testes robusta à não normalidade. O Shapiro-Wilk é sensível com amostras grandes e vai sinalizar desvios triviais. Use gráficos Q–Q junto com o teste.
Qual valor de VIF é alto demais?
VIF > 5 é um limiar de alerta comum; VIF > 10 é amplamente tratado como uma preocupação séria. Tolerância (= 1/VIF) abaixo de .10 é o sinal equivalente. Quando a multicolinearidade é alta, as estimativas dos coeficientes ficam instáveis, embora o ajuste geral do modelo ainda possa parecer bom.
O que devo fazer se um pressuposto for violado?
Depende do pressuposto. Para não normalidade com amostras pequenas: aplique uma transformação log ou raiz quadrada, ou use uma alternativa não paramétrica (Mann-Whitney, Kruskal-Wallis). Com grupos grandes, a ANOVA ou a ANOVA de Welch costuma ser robusta, então justifique a escolha em qualquer caso. Para heterocedasticidade: use erros padrão robustos (correção HC). Para valores atípicos: reporte com e sem o valor atípico para que os leitores vejam o impacto. Nunca simplesmente exclua valores atípicos sem explicação.
Como reportar as verificações de pressupostos em APA?
Uma breve declaração na seção de Método é suficiente quando os pressupostos são atendidos. Se uma violação exigiu alguma ação (por exemplo, uma transformação ou um estimador robusto), explique o que você fez e por quê. Os leitores devem conseguir avaliar se sua escolha foi razoável.
Last updated: setembro 2026
Rode Verificações de Pressupostos e Diagnóstico nos seus próprios dados
Colete ou envie seus dados, rode a análise no seu navegador e obtenha um parágrafo APA que você pode editar. Comece grátis. Sem cartão de crédito.
Começar grátis