As Equações de Estimação Generalizadas (Generalized Estimating Equations – GEE) foram desenvolvidas com o objetivo de fornecer estimativas consistentes e eficientes dos parâmetros de modelos de regressão em situações em que os dados apresentam correlação. Esse método tem sido amplamente empregado em análises de dados longitudinais e outros cenários com medidas repetidas. Com base nos pressupostos e características dos modelos GEE, assinale a alternativa correta.

Os Modelos de Equações de Estimação Generalizadas (Generalized Estimating Equations – GEE) não exigem a suposição de esfericidade, pois permitem especificar diretamente a estrutura de correlação entre medidas repetidas. A matriz de correlação de trabalho (working correlation matrix) é uma estimativa dessa estrutura de dependência, utilizada para ajustar corretamente os erros padrão e gerar estimativas robustas dos efeitos populacionais. No SPSS, ao realizar uma análise GEE, é possível escolher entre cinco opções de matrizes de correlação para ajuste dos modelos. Nesse contexto, relacione a Coluna 1 à Coluna 2, associando as seguintes matrizes às suas respectivas características.

Coluna 1
1. Independente. 2. AR-1 (Autoregressive de 1ª ordem). 3. Troca (Exchangeable). 4. Dependente de ordem m. 5. Não estruturada.
Coluna 2
( ) Assume que a correlação entre quaisquer dois elementos é nula.
( ) Permite uma correlação diferente para cada par de medidas repetidas.
( ) Assume que cada medida repetida só é correlacionada com as m medições anteriores dentro do mesmo sujeito.
( ) Assume que todas as medidas dentro de um sujeito têm a mesma correlação m entre si (correlação homogênea).
( ) A correlação entre quaisquer dois elementos é igual a m para elementos adjacentes, m² para elementos separados por um terceiro e assim por diante, tal que –1 < m < 1.


A ordem correta de preenchimento dos parênteses, de cima para baixo, é:

Um estudo clínico tem como objetivo avaliar o efeito de uma intervenção cirúrgica sobre o peso corporal, verificando se a cirurgia resulta em uma redução significativa do peso em comparação ao grupo que não foi submetido ao procedimento. Para isso, os pacientes foram divididos em dois grupos: caso (submetidos à cirurgia) e controle (sem cirurgia). O peso corporal foi mensurado em dois momentos: antes da cirurgia (peso basal) e três meses após a cirurgia (peso pós-cirurgia), ou apenas após 3 meses, para o grupo controle. Considere os seguintes planejamentos estatísticos:

I. Plano 1 – ANCOVA (Análise de Covariância): Ajusta os valores de peso pós-cirurgia pelo peso basal, controlando eventuais diferenças iniciais entre os grupos. Nesse caso, o peso pós-cirurgia é a variável dependente, o grupo (caso versus controle) é o fator e o peso basal é incluído como covariável.

II. Plano 2 – GEE (Generalized Estimating Equations): Leva em conta a correlação entre medidas repetidas do mesmo indivíduo, permitindo estimar efeitos da cirurgia, do tempo e a variabilidade entre os pacientes. Considera as medidas repetidas de peso ao longo do tempo como variáveis dependentes, grupo (caso versus controle) e tempo (basal e pós-cirúrgico) como fatores.

III. Plano 3 – Test t pareado: Compara o peso basal e o peso pós-cirurgia dentro de cada grupo, separadamente. O peso é a variável dependente, o tempo (basal e pós-cirúrgico) é o fator de comparação.



Quais assertivas apresentam planejamentos que oferecem análises que permitem verificar estatisticamente se a cirurgia promove uma redução significativa no peso em comparação ao grupo controle?

Com base no Estudo sobre Diabetes Tipo 2, considere o seguinte:

O _____________________ é utilizado para avaliar o ajuste global de um modelo de regressão logística, comparando os valores observados e previstos da variável dependente. A interpretação é direta: _______ indica um _____ ajuste. O teste é fácil de interpretar, amplamente usado em artigos científicos e fornece uma visão global do ajuste do modelo, mas tem limitações: em amostras grandes, pode detectar diferenças muito pequenas (excesso de sensibilidade) e, em amostras pequenas, pode não identificar problemas de ajuste, sendo recomendado combiná-lo com outras métricas e a análise de resíduos.


Assinale a alternativa que preenche, correta e respectivamente, as lacunas do trecho acima.

Com base no Estudo sobre Diabetes Tipo 2 e nos resultados observados, assinale a alternativa INCORRETA.

Considere o modelo de regressão linear simples: y_i = a + bx_i + e_i com i = 1, …, n, tal que e_i é o componente aleatório de y_i  . Sobre as suposições necessárias para que os estimadores de mínimos quadrados ordinários (MQO) sejam eficientes, assinale a alternativa correta.

Considerando o desenho experimental descrito anteriormente, para saber se existe diferença significativa entre os programas, a 5% de significância, o professor utilizou o código e a saída de resultados a seguir, em linguagem R (supondo que todos os pressupostos são atendidos):






Com base no código e nos resultados observados, analise as assertivas abaixo e assinale a alternativa correta.
I. A estatística de teste F, para comparar os programas, pode ser calculada a partir da soma dos quadrados e dos graus de liberdade, tal que F = 18,60, aproximadamente.
II. Se a hipótese nula for verdadeira, o valor de F tende a 1. Mas se a hipótese nula for falsa, o valor de F tende a ser maior que 1.
III. Mesmo com valor de p <0,05, para avaliar o efeito do programa, ainda é necessário o uso de testes “pós-ANOVA”, também conhecidos como testes post-hoc, para identificar qual programa apresentou maior ganho de resistência.
IV. O erro residual estimado (Residual standard error = 20.63461) indica a variabilidade média explicada pelo modelo.

Analisando as diferentes metodologias de Análise de Variância (ANOVA), a técnica mais indicada para análise do desenho experimental descrito acima (supondo que todos os pressupostos são atendidos) é:

No contexto da Análise Fatorial Exploratória (AFE), o software SPSS oferece diversos procedimentos e opções de extração, rotação e verificação da adequação dos dados. Com base nesse contexto, assinale a alternativa correta.

No campo da análise multivariada, existem diferentes técnicas estatísticas, cada uma com finalidades específicas, como redução de dimensionalidade, identificação de variáveis latentes ou agrupamento de casos semelhantes. Com base nesse contexto, assinale a alternativa abaixo que corresponde à Análise de Agrupamentos (Cluster Analysis).