Anlise Psicolgica (1997), 1 (XV): 5-17

Utilizao de modelos lineares em designs pr-teste e ps-teste Grupo nico e experimental versus controlo
GLRIA RAMALHO (*)

1. A ABORDAGEM DOS MODELOS ESTATSTICOS LINEARES GERAIS (MELG)

A ideia principal desta abordagem a de que uma vez identificadas as componentes relevantes de uma situao problemtica, se pode formular e manipular um modelo de forma a permitir inferncias acerca de hipteses especficas. O desenvolvimento deste modelo tem como objectivo dar resposta aos problemas de investigao definidos, evitando a tentao da utilizao de frmulas j estandardizadas e muitas vezes inadequadas s problemticas em jogo. Este modelo requer a descrio de uma varivel de resposta/critrio (Y) em termos de outra informao relevante, a informao preditora. A traduo de cada uma das questes em anlise feita atravs de relaes especficas entre um conjunto de mdias (valores esperados) utilizando modelos que se presumem verdadeiros e que incluem tantos parmetros quantas as mdias que so desconhecidas, o que os torna passveis de serem directamente estimados com os dados disponveis. No caso de uma nica varivel preditora (X), o modelo tem a forma geral:

yij = i + eij em que i o valor esperado das observaes no nvel i da varivel preditora X e eij o termo de erro. Nas abordagens tradicionais equacionam-se modelos que tm mais parmetros do que os possveis de serem estimados com soluo nica, e tm ento de se incluir condies laterais, muitas vezes sem fundamento, para se poder proceder a essa estimao (problema da sobreparametrizao). No caso particular mencionado uma nica varivel preditora, o modelo usual que inclui o efeito dessa varivel, tem a seguinte forma: yij = 0 + j + eij em que yij a observao j no nvel i da varivel X, j o efeito atribudo ao nvel j da varivel X, 0 ser j pelo critrio dos mnimos quadrados, e eij o termo de erro. A condio adicional que torna possvel a estimao dos parmetros nesta situao a de que a soma dos efeitos para os vrios nveis de X nula: i = 0 (Hays, 1994). E o problema reside exactamente na no universalidade da adequao desta condio aos 5

(*) Instituto Superior de Psicologia Aplicada.

diversos tipos de problemas de investigao, como teremos adiante ocasio de verificar. Elaboremos agora um pouco mais a forma de explorao dos modelos lineares de Ward e Jennings (Ward & Jennings 1979; Jennings & Ward 1975; Jennings 1988a, 1988b). De acordo com estes autores, no se pode testar estatisticamente a existncia de um efeito. Em vez disso, deve-se conceptualizar a relao que deveria existir entre um conjunto de parmetros se esse efeito no existisse. E essa relao assim definida que se designa como hiptese. Com base nos dados recolhidos podem-se estimar os parmetros e calcular a probabilidade de que a diferena entre a relao conceptualizada e a relao observada entre as estimativas desses parmetros seria o resultado de uma amostragem aleatria. No caso dessa probabilidade ser suficientemente pequena, existem bases para argumentar que a relao entre os parmetros que se estabeleceu em hiptese no se verifica, o que implica a rejeio dessa mesma hiptese. Concretamente, parte-se de um modelo linear, correspondente regresso da varivel resposta nas variveis preditoras o modelo inicial , que se supe produzir boas estimativas dos valores esperados em causa (e cujas propriedades so estudadas de forma a reconhecer os pressupostos que lhe so inerentes). Para proceder ao teste das hipteses de interesse, contrasta-se ento o modelo inicial com um modelo restrito, resultante da aplicao dos constrangimentos impostos ao primeiro por essas mesmas hipteses. Na situao deste ltimo modelo produzir estimativas to boas como as do modelo inicial, conclui-se pela aceitao das hipteses definidas. Caso contrrio haver argumentos para a sua rejeio. Especificando um pouco mais, temos que, no modelo inicial, os valores da varivel critrio so representados por um vector, e cada uma das categorias de agrupamento da(s) varivel(is) preditora(s) introduz um certo nmero de vectores coluna numa matriz preditora. De uma forma geral o modelo inicial tem a forma: Y = XW + E em que Y o vector coluna da resposta, de dimenso n (nmero de sujeitos envolvidos), e X a 6

matriz preditora (reduzida a um vector, quando se d o caso de uma s varivel preditora), W o vector de parmetros desconhecidos e E o vector erro. Para se testar a hiptese de interesse avalia-se a adequao do modelo restrito relativamente ao modelo inicial atravs do clculo da estatstica de teste F. Para uma melhor compreenso das etapas seguidas neste processo apresentamo-las agora sumariamente. Os dois exemplos concretos que se elaboram nas seces 2 e 3 facilitam o esclarecimento da sua operacionalizao. Etapas na utilizao dos MELG 1. Apresentar as questes de investigao em linguagem natural. 2. Definir o vector de resposta e os vectores preditores de acordo com as questes enunciadas em 1. 3. Traduzir as questes expressas em linguagem natural em expresses simblicas que relacionam os valores esperados e numa forma independente do modelo. 4. Escrever um modelo linear em notao vectorial que produza boas estimativas dos valores esperados que vo ser comparados o modelo completo ou modelo inicial. 5. Investigar as propriedades do modelo de forma a identificar os pressupostos que esto a ser feitos. Nesta abordagem que estamos a apresentar o modelo inicial pressuposto ser verdadeiro (haver que argumentar que os pressupostos so vlidos). Os testes que se conduzem, pretendem determinar se um modelo mais simples o modelo restrito (um modelo com menos parmetros), igualmente verdadeiro. 6. Substituir os valores esperados expressos em 3. pelos valores esperados em linguagem simblica gerados em 4. 7. Enunciar as restries aos parmetros do modelo que so implicadas pela simplificao das expresses matemticas de 6. 8. Impr as restries identificadas em 7. no modelo gerado em 4. para produzir o modelo restrito.

9. Investigar as propriedades do modelo restrito de forma a verificar que as estimativas dos valores esperados esto relacionadas da forma prevista em 3. 10.Encontrar as solues numricas pelo mtodo dos mnimos quadrados. 11. Comparar o modelo inicial com o modelo restrito construindo a estatstica de teste F apropriada: (qr - qf) / (f - r) F= qf / (n - f) com (f-r) e (n-f) graus de liberdade, e em que: soma de quadrados do erro (SS) para o modelo reduzido obtida pelo mtodo dos mnimos quadrados qf = soma de quadrados do erro (SS) para o modelo inicial obtida pelo mtodo dos mnimos quadrados f= nmero de vectores preditores linearmente independentes1 no modelo inicial r= nmero de vectores preditores linearmente independentes no modelo reduzido f - r = graus de liberdade do numerador n - f = graus de liberdade do denominador A estatstica F que atrs se referiu tem a distribuio F se forem preenchidas as seguintes condies: 1. seleco aleatria da amostra; 2. modelo inicial verdadeiro2 se os valores esperados podem ser expressos como combinaes lineares de valores observados e de parmetros desconhecidos na forma descrita pelo modelo; qr =

3. restries verdadeiras, isto , o modelo restrito deve tambm ser verdadeiro; 4. distribuio normal da varivel de interesse em cada populao; 5. a mesma varincia da varivel de interesse nas populaes consideradas; 6. a varivel de interesse em cada populao ser distribuda independentemente das outras populaes. Se a probabilidade associada ao valor de F calculado fr muito pequena, dizemos que uma ou mais destas condies se no verificaram. Se tivermos razes para crer que as condies 1, 2, 4, 5, e 6 se verificam, rejeitaremos a condio 3, o que implica rejeitar a hiptese que nos conduziu ao modelo restrito (Ward & Jennings, 1979). A elaborao concreta desta abordagem, que a seguir se apresenta, diz respeito aos resultados obtidos num estudo emprico sobre percepo em bebs de sete meses realizado pela autora.

2. MODELOS ESTATSTICOS LINEARES GERAIS VERSUS TESTE-T PARA DADOS EMPARELHADOS UM PRIMEIRO CASO CONCRETO

1 Diz-se que um conjunto de vectores linearmente independente quando nenhum vector desse conjunto pode ser expresso como combinao linear dos restantes vectores. 2 De acordo com Ward e Jennings (1979) no processo de estimao de k mdias, o modelo necessariamente verdadeiro se tem k parmetros desconhecidos associados com k preditores linearmente independentes, e k padres nicos de valores nos preditores.

A amostra consistiu em bebs de sete meses que foram observados antes e depois de expostos a uma mudana num dispositivo visual que incluia um nico objecto animado quer de movimento uniforme quer de movimento uniformemente acelerado. Neste estudo emprico usmos a tcnica conhecida por habituao-recuperao. Esta tcnica consiste na exposio repetida de um sujeito a um nico estmulo ou a estmulos diferentes pertencentes a uma mesma categoria. A resposta do sujeito, tempo de fixao visual no caso presente, tende a diminuir com a repetio da exposio; quando ela atinge um nvel previamente determinado, considera-se que houve habituao e apresenta-se um estmulo de uma nova qualidade (desabituao). A presena de um aumento no tempo de resposta da criana tida como uma indicao da existncia de uma capacidade para discriminar o novo dispositivo do familiar (Cohen & Gelber, 1975). O caso a que aqui nos referimos incluiu bebs 7

de sete meses a quem foi apresentado um alvo mvel animado de movimentos dos dois tipos. A varivel de resposta consistia no tempo de fixao visual de acompanhamento desse alvo. Para esta ilustrao do contraste entre a aplicao da abordagem de Ward e Jennings e do teste-t para medidas repetidas, utilizaremos apenas uma das condies experimentais consideradas neste estudo: trs movimentos uniformes apresentados no perodo de habituao seguidos de um movimento acelerado no ps-teste. Designaremos a mdia dos trs ltimos tempos de habituao como pr-teste e o primeiro tempo de desabituao como ps-teste. A questo que se colocava tinha a ver com a presena de uma mudana positiva (aumento no tempo de fixao) das observaes feitas no ps-teste (condio de movimento acelerado) relativamente ao pr-teste (condio de movimento uniforme). O argumento era o de que a verificar-se alterao nos tempos de fixao do pr-teste, isso constituiria uma indicao da existncia nos bebs desta idade de uma capacidade para discriminar os dois tipos de movimentos. Tnhamos razes para esperar uma certa variabilidade na reaco dos bebs tendo em considerao o grau de motivao das crianas para acompanhar o desenrolar da situao e a possibilidade do aparecimento de comportamentos aleatrios que coincidissem com os previstos no contexto terico em que trabalhvamos. A observao de vrios sujeitos justificava-se, assim, dado que tornava possvel o controlo do impacto de comportamentos aleatrios. Contrastaremos em seguida os resultados da aplicao de duas estratgias de anlise estatstica: a dos modelos lineares j referida e a do teste-t para medidas repetidas, vulgarmente utilizada em situaes anlogas. 2.1. Aplicao dos MELG Comecemos ento por seguir as etapas de aplicao dos MELG j enunciadas: 1. Questo de investigao em linguagem natural Poder-se- afirmar que houve mudana entre os ltimos tempos de habituao (pr-teste) e os tempos registados na desabituao (ps-teste)? 8

2. Vector de resposta e matriz (neste caso um vector coluna) preditora Consideremos Y como o vector cujos elementos so os tempos de fixao no ps-teste observados nos n sujeitos da amostra, y1 y2 . . . yn

Y=

e que X igualmente um vector coluna3 que nos indica os valores do tempo de fixao no prteste observados nos mesmos sujeitos. x1 x2 . . . xn

X=

3. Expresses simblicas relacionando os valores esperados A inexistncia de mudana nos tempos de fixao do pr- para o ps-teste traduz-se em que o valor esperado de Y seja igual a X, para cada nvel desta varivel: E(Y|X=x) = x 4. Modelo completo ou Modelo inicial Para alm de termos produzido o teste de normalidade da distribuio da varivel ps-teste, tivmos em ateno estudos anteriores que envolviam o mesmo paradigma de habituao-desabituao e que nos indicavam que era razovel assumir que os valores esperados para o ps-teste (Y) eram uma funo linear dos valores do pr-teste (X)4. O modelo inicial assim enunciado corresponde seguinte expresso:

3 No caso geral mais do que uma varivel preditora, X representaria uma matriz. 4 Se no fosse razovel supr a linearidade da relao, poderamos elaborar um outro modelo inical com as propriedades desejadas.

Y=aU+bX+E em que U o vector coluna constitudo por elementos iguais unidade, e a e b so constantes. De um ponto de vista geomtrico, a pode ser considerado a ordenada na origem e b o declive da linha recta na qual se presume que os valores mdios assentam. 5. Propriedades do modelo Para cada valor x do pr-teste, temos que: E(Y|X=x) = a + b x 6. Substituio dos valores esperados a+bx=x 7. Restries aos parmetros do modelo x (1 - b) = a, qualquer que seja o valor x, o que implica: b - 1 = 0 e a = 0, ou seja: a = 0 e b = 1. 8. Modelo restrito Y = 1 X + E 9. Propriedades do modelo restrito As Figuras 1 e 2 ilustram seis cenrios hipotticos de resultados atravs de grficos ps-teste-pr-teste e mudana-pr-teste. Como se pode facilmente verificar, as situaes II, III, IV e V correspondem presena de uma mudana positiva no tempo de fixao visual, pelo menos para um intervalo da varivel preditora. Em resumo, podemos argumentar que existe mudana quando h suporte emprico para uma das seguintes condies: 1. a 0 2. b 1 3. a 0 e b 1.

10. Solues numricas pelo mtodo dos mnimos quadrados e 11. Comparao do modelo inicial com o modelo restrito A comparao entre estes modelos vai ser desdobrada em dois testes: o Teste 1 inspecciona a adequao do coeficiente de regresso unitrio no vector pr-teste X, isto , questiona a invarincia da diferena entre os tempos de fixao do prpara o ps-teste, para diferentes valores do pr-teste (b=1); o Teste 2 examina a pertinncia do valor nulo do coeficiente do vector unidade U do modelo inicial (a=0). O argumento para a no existncia de mudana corresponderia a no encontrarmos resultados estatisticamente significativos em qualquer dos dois testes, dado que tinhamos razes para aceitar que as restantes 5 condies explicativas de um pequeno valor da probabilidade associada se verificavam (ver p. ?????). O teste 1 revela resultados estatisticamente significativos, o que, por outras palavras, quer dizer que o declive da recta de regresso no unitrio (situaes II, IV ou V). Na realidade, os valores da diferena (ps-teste - pr-teste) dependem dos valores do pr-teste. No teste 2, pelo contrrio, os resultados no so significativos, o que sugere que a ordenada na origem no diferente de zero. Se se pudesse supr que os valores da diferena (ps-teste - pr-teste) no dependiam do pr-teste, isso implicaria que no existia mudana: estaramos na situao I. Como este pressuposto no vlido, dados os resultados do teste 1, estamos em condies de afirmar que existe suporte para a tese da presena de mudana nos tempos do pr- para o ps-teste. Consequentemente, e em ltima anlise, ser lcito afirmar que em bebs de 7 meses existe a capacidade de discriminao dos dois movimentos apresentados. 2.1. Consideraes computacionais A anlise que atrs se esboou, pode ser realizada utilizando algum do software de anlise estatstica existente. Para tal, requere-se, no mnimo, que a discriminao do erro correspondente ao modelo de regresso multivariada utilizado, conste dos resultados que so disponibilizados. No caso do SAS, o trabalho surge facilitado por ele ter previstas rotinas que 9

FIGURA 1

Ilustrao de seis resultados possveis mudana-pr-teste

10

FIGURA 2

Ilustrao de seis resultados possveis ps-teste-pr-teste

11

QUADRO 1

Sumrio das anlises usando Modelos Estatsticos Lineares

Teste 1 Modelo inicial: Teste: b = 1 Modelo restrito: SS Numerador (qr - qr) 3828488 Y=a*1+b*X+E Y=a*1+1*X+E SS Denominador (qr) 146043 df num. (f - r) 1 df den. (n - f) 9 F p

20.73

0.0014

Teste 2 Modelo inicial: Teste: a = 0 Modelo restrito: t=1.24 p=0.243 Y=a*1+1*X+E Y = 1*X+E

permitem a especificao dos modelos (inicial e restrito) em contraste. A utilizao de outro software implica o clculo da estatstica F a partir dos erros correspondentes aos dois modelos (inicial e restrito), atravs da frmula fornecida na primeira seco. 2.2. O teste-t para medidas repetidas Passemos agora ao exame do teste-t para medidas repetidas. Este teste ser adequado a situaes similares s situaes I e III das figuras 1 e 2, dado que o pressuposto da sua aplicao se verifica. Corresponde ao teste do valor nulo da ordenada na origem, assumindo um valor unitrio para o declive na populao alvo (teste 2)5. Mas como vimos anteriormente, ele presume que seja apropriado

5 Embora no se apresente aqui a demonstrao, repare-se que na frmula de cmputo da estatstica t: _ D T= sD n1/2 D a diferena Y-X o que correponde exactamente a b=1.

assumir que a mudana, a existir, seja a mesma para quaisquer valores do preditor (X). No caso presente, que ela teria o mesmo valor, independentemente dos valores mais ou menos elevados do pr-teste. A utilizao do teste-t no escrutnio da mudana numa medida de desempenho assenta no pressuposto de que a hiptese em causa no teste 1 verdadeira nesta populao. Mas, como acabmos de ver na exposio anterior, podem existir casos em que este pressuposto no se aplica (situaes restantes nas figuras 1 e 2) e nos quais a mudana est presente, sendo que as mdias das medidas repetidas so diferentes na populao. Basta para tal que a diferena ps-teste - pr-teste no seja a mesma para os vrios valores do prteste. Tal como no exemplo abordado, podem existir motivos para a aceitao da presena de uma mudana (quando b=1) e esta no ser detectada pelo teste-t, uma vez que ele pressupe justamente o contrrio (que b=1).

3. MODELOS ESTATSTICOS LINEARES GERAIS VERSUS ANOVA PARA MEDIDAS REPETIDAS UM SEGUNDO CASO CONCRETO

Consideremos agora uma situao experimen-

12

tal em que esto envolvidos dois grupos, num total de 20 sujeitos. Depois de uma primeira administrao de um teste de conhecimentos (pr-teste) a todos os indivduos, teve lugar um perodo de interveno a que foram apenas sujeitos os 10 alunos do grupo experimental. No final desse perodo os alunos de ambos os grupos realizaram de novo o teste (ps-teste). A questo de investigao em jogo consistia em saber se teria existido uma evoluo diferencial nos dois grupos. Tradicionalmente, e caso os pressupostos inerentes sua aplicao se pudessem presumir, utilizar-se-ia a designada anlise de varincia para medidas repetidas. Este modelo de anlise tem recebido diversas crticas (Huck & McLean, 1975; Jennings, 1988a), mas continua a ser amplamente utilizado. Chamamos a ateno do leitor para o contributo destes autores no sentido de uma melhor compreenso das crticas que tm sido apresentadas. O trabalho que a seguir apresentamos, limita-se a uma segunda exposio da aplicao concreta da abordagem de Ward e Jennings integrando agora medidas repetidas em dois grupos de sujeitos. Convm, no entanto, salientar que os resultados dos testes de normalidade realizados para a varivel ps-teste nos dois grupos e de igualdade das duas varincias, nos revelaram que estaramos em condies de avanar com a aplicao dos MELG. Aplicando uma vez mais a forma alternativa de realizao de testes de hipteses j atrs desenvolvida, passemos em revista uma vez mais as etapas descritas em relao primeira exemplificao. 1. Questo de investigao em linguagem natural Poder-se- afirmar que houve uma evoluo distinta no desempenho do grupo experimental relativamente ao grupo de controlo? 2. Vector de resposta e matriz preditora Consideremos Y como o vector cujos elementos so os valores obtidos no ps-teste pelos 20 sujeitos da amostra, e que X igualmente um vector coluna que nos indica os valores de desempenho no pr-teste observados nos mesmos sujeitos.

3. Expresses simblicas relacionando os valores esperados Representemos por (e,x) a mudana no grupo experimental e, para um sujeito com desempenho x no pr-teste: (e,x) = E (Ye|X=x) - x Analogamente, a mudana ser para o grupo de controlo c, para um sujeito com desempenho x no pr-teste: (c,x) = E (Yc|X=x) - x A hiptese a testar ser ento: (e,x) = (c,x) isto : E (Ye|X=x) - x = E (Yc|X=x) - x para qualquer valor x.

4. Modelo completo ou Modelo inicial Y = a1 R1 + a2 R2+ b1 (R1 X) + b2 (R2X) + E em que R1 o vector constitudo por elementos iguais unidade no caso dos sujeitos serem do grupo experimental e zero para o grupo de controlo; R2 o vector constitudo por elementos iguais unidade no caso dos sujeitos serem do grupo de controlo e zero para o grupo experimental. O conjunto de dados que que utilizamos nesta anlise esto expostos no Quadro 2. 5. Propriedades do modelo Para cada valor x do pr-teste, temos que, para o grupo experimental: E (Ye|X=x) = a1 + b1 x Similarmente para o grupo de controlo: E (Yc|X=x) = a2 + b2 x 6. Substituio dos valores esperados A inexistncia de uma evoluo diferencial entre os dois grupos, experimental e de controlo implica: 13

QUADRO 2

Vectores utilizados na anlise

Y 10 12 13 13 14 8 12 15 11 11 12 12 14 8 9 11 13 10 10 12 X 7 15 12 9 12 13 14 13 11 9 15 9 8 13 14 11 12 13 10 14 R1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 R2 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 R1X 7 15 12 9 12 13 14 13 11 9 0 0 0 0 0 0 0 0 0 0 R2X 0 0 0 0 0 0 0 0 0 0 15 9 8 13 14 11 12 13 10 14 U 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

(e,x) = (c,x) ou seja: a1 + b1 x - x = a2 + b2 x - x para qualquer valor x do pr-teste. 7. Restries aos parmetros do modelo A condio anterior implica que: a1 = a2 = a (valor comum) b1 = b2 = b (valor comum) 8. Modelo restrito Y = a (R1 + R2) + b X + E Como (R1 + R2) o vector U: Y = a U + b X + E 9. Propriedades do modelo restrito Resultados estatisticamente significativos no 14

contraste do modelo inicial com o modelo restrito poderiam resultar de: 1. a1 a2, ou 2. b1 b2, ou 3. ambos. Se a mudana integrada nestas condies fosse adequada ao contexto concreto do problema, prosseguiramos ento com os passos seguintes. Vejamos como se comporta a mudana para os diversos valores obtidos no pr-teste, no grupo experimental e no grupo de controlo (Figuras 3 e 4). 10. Solues numricas pelo mtodo dos mnimos quadrados e 11. Comparao do modelo inicial com o modelo restrito O Quadro 3 ilustra os resultados obtidos no contraste dos dois modelos atravs da estatstica F.

FIGURA 3

Relao mudana - pr-teste para o grupo experimental PRE vs. MUDANA (Cesewise MD Deletion) MUDANA = 9.9664 - .8319 * PRE Correlation: r = -.7249

FIGURA 4

Relao mudana - pr-teste para o grupo de controlo PRE vs. MUDANA (Cesewise MD Deletion) MUDANA = 14.969 - 1.325 * PRE Correlation: r = -.8772

15

QUADRO 3

Sumrio da anlise usando MELG

Modelo inicial: Modelo restrito:

Y=a1 R1 + a2 R2 + b1 (R1X) + b2 (R2X) + E Y=a U + bX + E

SS Numerador (qr - qr) 0.0740

SS Denominador (qr) 0.012023

df num. (f - r) 2

df den. (n - f) 16

6.1576

0.0104

Com base nestes resultados podemos afirmar que a evoluo do pr- para o ps-teste no foi idntica no grupo experimental e no grupo de controlo.

CONSIDERAES FINAIS

Do que atrs ficou exposto, queremos salientar a necessidade de um extremo cuidado na seleco dos procedimentos estatsticos a adoptar em face de uma problemtica de investigao. A perspectiva de desenvolvimento de modelos que aqui apresentmos favorece, pela sua natureza, essa reflexo para alm de poder constituir uma alternativa mais poderosa do que outras tcnicas mais estandardizadas. Resta-nos acrescentar que a utilizao da estatstica no exclui a informao especializada referente ao domnio particular em que se pretende fazer a sua aplicao e no dispensa o julgamento crtico do investigador. O desenvolvimento de software estatstico mais amigvel veio facilitar o acesso a este tipo de anlises, mas convm alertar para o facto de informatizao no ser sinnimo de automatizao...

Hays, W. (1994). Statistics. Fortworth: Harcourt Brace College Publications. Huck, & McLean (1975). Using a repeated measures ANOVA to analyse data from a pretest-posttest design: A potentially confusing task. Psychological Bulletin, 82, 511-518. Jennings, E. (1988a). Models for pretest-posttest Data: Repeated measures ANOVA revisited. Journal of Education Statistics, 13 (3), 273-280. Jennings, E. (1988b). Analysis of covariance with nonparallel regression lines. Journal of Experimental Education, 56 (3), 129-134. Jennings, E., & Ward, J. (1972). Logical steps in the creation and manipulation of fixed effects linear models. Comunicao apresentada no 1972 Annual Meeting of the American Educational Research Association, Chicago, Illinois, April 5, 1972. Ward, J., & Jennings, E. (1979). Introduction to linear models. Englewood Cliffs: N.J. Prentice-Hall.

RESUMO Existem muitas abordagens para a formulao e anlise de problemas de investigao. Uma dessas abordagens, os Modelos Estatsticos Lineares Gerais (Ward & Jennings 1979; Jennings & Ward 1975; Jennings 1988a, 1988b), mostra ser poderosa e efectiva na resposta a muitos destes problemas. Neste artigo apresentamos sumariamente a razo de ser desta alternativa e elaboramos duas aplicaes concretas envolvendo medidas repetidas: a primeira correspondendo a um nico grupo de sujeitos na qual se revela como um instrumento mais adequado do que as tcnicas convencionais para responder s questes de investigao em jogo; a segunda relativa a dois grupos - grupo experimental e grupo de controlo.

REFERNCIAS
Cohen, L., & Gelber, E. (1975). Infant visual memory. In L. Cohen, & P. Salapatek (Eds.), Infant perception: from sensation to cognition, Vol. I. New York: Basic Books.

16

Palavras-chave: Medidas repetidas, Modelos lineares, Designs prteste-psteste.

ABSTRACT There is currently a large number of approaches to formulate and analyze research problems. One of such approaches, General Linear Statistical Models, is an

effective and powerful answer to many of these problems. In this paper we present an overview of this approachs rational and two examples of its aplication, both involving repeated measures: i) one group pretest-posttest design; ii) experimental versus control group pretest-posttest design. Key words: Repeated measures, Linear models, Pretest-posttest designs.

17