Célula de Ensino evolução que gera resultados
Metodologia Científica, Design de Pesquisa e Análise Avançada de Dados

Metodologia no Design de Pesquisa e Análise de Dados: Delineamentos Científicos, Inferência Causal, Psicometria e Modelagem Estatística

Formação epistemológica, metodológica e analítica completa em delineamentos experimentais, quase-experimentais e observacionais, dimensionamento amostral com poder estatístico, psicometria avançada (TCT/TRI e análise fatorial confirmatória), análise exploratória robusta com tratamento de outliers e missings (MICE), modelos lineares generalizados (GLM), regressão multinível hierárquica (HLM), inferência causal moderna com grafos acíclicos dirigidos (DAGs), pareamento por escore de propensão (PSM) e reprodutibilidade aberta.

6 células 60h Pós-Graduação / Especialização Avançada
🚀 Escada de Valor • Pacotes & Credit Upgrade (R$ 29,99 a R$ 199,99)

Jornada Executiva: Sustentabilidade Estratégica & Gestão Global de Projetos (ESG)

Do curso base em Pensamento Estratégico de Sustentabilidade (R$ 29,99) à Liderança Internacional em Projetos de Clima e Captação Global (R$ 199,99).

🎯 1. Porta de Entrada (R$ 29,99) Inicie pela Trilha Start (R$ 29,99) com baixo atrito financeiro e domine os fundamentos globais na prática.
💳 2. Abatimento no Upgrade (Credit Upgrade) 100% dos R$ 29,99 investidos na Trilha Start viram crédito imediato (cupom UPGRADE29) para abater nas Trilhas 2, 3, 4 ou 5!
🌍 3. Certificação Dupla (PT-BR & EN) + ODS Certificados emitidos em Português e Inglês com competências alinhadas aos ODS da ONU para seu perfil global no LinkedIn.
Alinhamento ONU / Agenda Pós-2030: ODS 7 (Energia Limpa) ODS 9 (Indústria e Infraestrutura) ODS 12 (Consumo e Produção) ODS 13 (Ação Climática) ODS 17 (Parcerias Globais)
Sugestões CdE

Compare com trilhas semelhantes

Sugestões ligadas ao conteúdo desta trilha para apoiar sua decisão de matrícula.

Evolução do Processamento de Linguagem Natural: Da Era das Regras Simbólicas à Estatística Massiva e à Atenção dos Transformers R$ 29,90
Evolução do Processamento de Linguagem Natural: Regras, Estatística e Deep Learning

Evolução do Processamento de Linguagem Natural: Da Era das Regras Simbólicas à Estatística Massiva e à Atenção dos Transformers

Compreenda como a ciência da computação abandonou a tentativa de ensinar regras gramaticais manuais às máquinas e passou a treiná-las com estatística massiva e redes neurais profundas através dos três grandes saltos do PLN.

📚 12 células ⏱️ 20h Iniciante a Intermediário
Linguística Histórica Digital: Da Filologia de Manuscritos à Macroanálise Computacional da Evolução das Línguas R$ 29,90
Linguística Histórica Digital, Filogenética Computacional e PLN Diacrônico

Linguística Histórica Digital: Da Filologia de Manuscritos à Macroanálise Computacional da Evolução das Línguas

Compreenda como a transição da linguística histórica para o ambiente digital substituiu décadas de busca manual em pergaminhos pela macroanálise computacional em três frentes: corpora morfossintáticos, filogenética bayesiana e vetores semânticos diacrônicos.

📚 12 células ⏱️ 20h Iniciante a Intermediário
Humanidades Digitais: Teoria Crítica, Processamento de Grandes Volumes de Dados Culturais e Leitura Distante R$ 29,90
Humanidades Digitais: Teoria Crítica e Processamento Computacional de Dados Culturais

Humanidades Digitais: Teoria Crítica, Processamento de Grandes Volumes de Dados Culturais e Leitura Distante

Compreenda por que as Humanidades Digitais não são apenas escanear livros em PDF, mas uma mudança de método que cruza teoria crítica e computação em três etapas: formulação da pergunta e criação do dado, processamento macroscópico e visualização crítica.

📚 12 células ⏱️ 20h Iniciante a Intermediário
Jornada da trilha

Células de aprendizagem

1

Célula 01: Epistemologia Científica, Formulação de Hipóteses e Delineamentos de Pesquisa (Experimentais, Quase-Experimentais e Observacionais)

Estudo epistemológico e metodológico dos fundamentos da investigação científica e taxonomia dos delineamentos: 1. Filosofia da Ciência: indutivismo, falseacionismo popperiano (assimetria lógica entre verificação e refutação), paradigmas e quebras de paradigma kuhnianos, e realismo crítico; 2. Formulação de Hipóteses e Perguntas Científicas: hipótese nula (H0) vs alternativa (H1) bicaudal e monocaudal; frameworks PICO/PECO (População, Intervenção/Exposição, Comparador, Desfecho/Outcome) e critérios FINER (Exequível, Interessante, Inovadora, Ética, Relevante); 3. Taxonomia dos Delineamentos de Pesquisa: Delineamentos Experimentais: Ensaios Clínicos Randomizados (RCTs) padrão-ouro, variantes paralelos, cruzados (crossover com período de washout), fatoriais 2x2 para avaliação de interação, e em cluster (conglomerados comunitários/hospitalares); técnicas de randomização (simples, em blocos permutados, estratificada e adaptativa) e mascaramento (simples, duplo e triplo-cego); 4. Delineamentos Quase-Experimentais: estudos sem randomização completa mas com controle de contrafactual: regressão em descontinuidade (RDD), séries temporais interrompidas (ITS) e diferenças em diferenças (DiD); 5. Delineamentos Observacionais Analíticos: Coorte prospectiva e retrospectiva (cálculo de Risco Relativo - RR e incidência acumulada), Caso-Controle pareado (cálculo de Odds Ratio - OR para eventos raros e viés de memória), e Transversais / Cross-sectional (cálculo de Razão de Prevalência - RP); e 6. Vieses Epidemiológicos e Rigor Metodológico: viés de seleção (viés de Berkson, viés do voluntário sadio), viés de aferição/informação (viés de memória, efeito Hawthorne) e viés de confusão; o movimento de Ciência Aberta e o combate ao p-hacking, HARKing (Hypothesizing After the Results are Known) e efeito gaveta através do pré-registro obrigatório de protocolos em plataformas abertas (OSF, ClinicalTrials.gov, PROSPERO).

10h
2

Célula 02: Teoria da Amostragem, Cálculo de Tamanho Amostral, Poder Estatístico e Validade de Pesquisa

Estudo teórico e computacional da amostragem, dimensionamento amostral, teoria da decisão estatística e matriz de validades: 1. Teoria da Amostragem: população-alvo, população acessível e fração de amostragem; Amostragem Probabilística: Aleatória Simples com e sem reposição, Estratificada com alocação proporcional e alocação ótima de Neyman (minimização da variância para custo fixo), por Conglomerados em Estágios Múltiplos com cálculo do Efeito de Desenho (Design Effect - DEFF = 1 + (m - 1)*ICC) e Amostragem Sistemática com intervalo k; Amostragem Não Probabilística: por conveniência, cotas proporcionais, amostragem intencional por julgamento e técnica Snowball (bola de neve com amostragem orientada pelo respondente - RDS para populações ocultas); 2. Teorema Central do Limite (TCL) e Distribuição Amostral das Médias e Proporções; Erro Padrão da Média (SE = sigma / sqrt(n)); 3. Cálculo de Tamanho Amostral: equações clássicas para estimação de médias contínuas e proporções com erro amostral tolerável (e), nível de confiança (1 - alpha) e correção para populações finitas; dimensionamento para testes de hipóteses de duas médias independentes e proporções; 4. Teoria da Decisão Estatística e Poder: Erro Tipo I (alpha, taxa de falsos positivos, nível de significância usual de 0,05), Erro Tipo II (beta, taxa de falsos negativos) e Poder Estatístico (1 - beta, probabilidade de detectar um efeito verdadeiro, recomendado >= 0,80 ou 0,90); Tamanhos de Efeito Padronizados (Effect Sizes): d de Cohen e g de Hedges (diferença padronizada de médias), r de Pearson, Odds Ratio, Risco Relativo e eta-quadrado parcial (eta_p^2); 5. Análise de Poder Computacional no G*Power e R (pacote pwr): análise a priori (cálculo de n dado alpha, power e effect size), análise post-hoc (cálculo do poder observado dado n e alpha - limitações e controvérsias) e análise de sensibilidade (menor efeito detectável dado n e power); e 6. A Matriz das Quatro Validades de Campbell e Cook: Validade Estatística de Conclusão (pressupostos, poder e violação de alpha), Validade Interna (confundimento, história, maturação e regressão à média), Validade de Construto (operacionalização de variáveis e viés de monométodo) e Validade Externa (generalização populacional e validade ecológica temporal).

10h
3

Célula 03: Psicometria, Teoria da Medida e Construção/Validação de Instrumentos e Escalas

Estudo epistemológico e estatístico da psicometria, teoria da mensuração latente e validação transcultural de escalas: 1. Teoria da Mensuração: construtos latentes (não observáveis diretamente, como ansiedade, qualidade de vida, engajamento ou estresse) vs indicadores operacionais observáveis; tipos de escalas psicométricas (Likert de 5 e 7 pontos, diferencial semântico de Osgood, escalas visuais analógicas - VAS e escala de Guttman cumulativa); 2. Teoria Clássica dos Testes (TCT): o modelo linear do escore verdadeiro de Spearman (X = T + E, onde X é o escore observado, T é o escore verdadeiro e E é o erro aleatório de medida); pressupostos de erros não correlacionados; 3. Teoria de Resposta ao Item (TRI / IRT): modelos logísticos de Rasch (1 parâmetro: dificuldade do item b), 2 parâmetros (dificuldade b e discriminação do item a) e 3 parâmetros (incluindo acerto casual c); Curva Característica do Item (CCI) e Função de Informação do Teste (FIT); 4. Adaptação Transcultural de Instrumentos: diretrizes internacionais (Beaton et al., ITC): tradução direta independente, síntese consensual, retrotradução (back-translation) cega por nativos, avaliação por comitê multidisciplinar de juízes e pré-teste cognitivo (debriefing); 5. Avaliação da Fidedignidade / Precisão: Consistência Interna com Alfa de Cronbach (alpha - limitações e vulnerabilidade ao número de itens e tau-equivalência) vs Ômega de McDonald (omega hierárquico e total para cargas fatoriais heterogêneas); Estabilidade Temporal via Teste-Reteste com Coeficiente de Correlação Intraclasse (ICC modelos two-way mixed/random); Concordância Interobservadores via Coeficiente Kappa de Cohen (kappa não ponderado e ponderado quadrático de Fleiss); e 6. Validação de Construto e Dimensionalidade: Validade de Conteúdo pelo Índice de Validade de Conteúdo (CVI / IVC >= 0,80); Análise Fatorial Exploratória (AFE): teste de esfericidade de Bartlett, índice KMO (Kaiser-Meyer-Olkin > 0,70), métodos de extração (Principal Axis Factoring, Maximum Likelihood) e rotações oblíquas (Promax, Direct Oblimin) vs ortogonais (Varimax); Análise Fatorial Confirmatória (AFC) via Modelagem de Equações Estruturais (SEM): índices globais de ajuste (Chi-quadrado/df < 3, RMSEA < 0,06 com IC90%, CFI e TLI > 0,95, SRMR < 0,08); e Validade Convergente e Discriminante pelos critérios de Fornell-Larcker (VME / AVE > 0,50) e razão HTMT (Heterotrait-Monotrait Ratio < 0,85).

10h
4

Célula 04: Análise Exploratória de Dados (AED), Estatística Descritiva Robusta e Inferência Paramétrica vs Não Paramétrica

Estudo aprofundado do ciclo da Análise Exploratória de Dados (AED / EDA), diagnóstico de qualidade de dados e fundamentos da inferência paramétrica e não paramétrica: 1. Tipologia e Níveis de Mensuração de Variáveis: escalas qualitativas nominais (binárias e politômicas) e ordinais; escalas quantitativas discretas e contínuas (intervalares e de razão com zero absoluto); 2. Estatística Descritiva Clássica e Robusta: medidas de tendência central sensíveis vs resistentes a valores extremos (média aritmética vs média aparada a 5% e 10%, mediana e moda); medidas de dispersão (variância, desvio padrão, coeficiente de variação de Pearson - CV%, amplitude interquartil - IQR e desvio absoluto da mediana - MAD); assimetria (skewness) e curtose (kurtosis); 3. Detecção e Manejo de Outliers (Valores Atípicos): escores Z clássicos vs escores Z robustos (baseados na mediana e MAD); regra de Tukey (limites do boxplot: Q1 - 1,5*IQR e Q3 + 1,5*IQR); identificação multivariada de outliers via Distância de Mahalanobis com distribuição Chi-quadrado; estratégias de tratamento (winsorização, transformação matemática log/Box-Cox ou remoção fundamentada); 4. Teoria e Tratamento de Dados Faltantes (Missing Data): taxonomia de Rubin: Faltantes Completamente ao Acaso (MCAR - Missing Completely at Random), Faltantes ao Acaso condicionados a covariáveis (MAR - Missing at Random) e Faltantes Não ao Acaso dependentes do próprio valor ausente (MNAR - Missing Not at Random); teste de MCAR de Little; os graves perigos da exclusão por lista (listwise deletion) e da imputação pela média; o padrão-ouro metodológico: Imputação Múltipla por Equações Encadeadas (MICE - Multiple Imputation by Chained Equations) e pooling pelas regras de Rubin; 5. Verificação dos Pressupostos Paramétricos Clássicos: Normalidade (testes de Shapiro-Wilk, Kolmogorov-Smirnov com correção de Lilliefors, gráficos Q-Q plot de resíduos); Homocedasticidade / Homogeneidade de Variâncias (teste de Levene robusto pela mediana e teste de Bartlett); e 6. Árvore de Decisão Inferencial Bivariada: Comparação de 2 Grupos: Teste t de Student para amostras independentes com correção de Welch para variâncias desiguais vs Teste U de Mann-Whitney (Wilcoxon rank-sum); Teste t pareado vs Teste de Postos Sinalizados de Wilcoxon; Comparação de 3 ou mais Grupos: ANOVA unifatorial (One-Way) com testes post-hoc de Tukey HSD, Bonferroni e Games-Howell vs Kruskal-Wallis com post-hoc de Dunn-Bonferroni; ANOVA de Medidas Repetidas com teste de esfericidade de Mauchly e correções de Greenhouse-Geisser/Huynh-Feldt vs Teste de Friedman; e Associação Categórica: Teste de Qui-Quadrado de Independência (Pearson Chi-Square), teste exato de Fisher e V de Cramér.

10h
5

Célula 05: Modelos Lineares Generalizados (GLM), Regressão Múltipla, Logística e Modelos Multinível / Longitudinais

Estudo teórico e prático da modelagem multivariada avançada, Modelos Lineares Generalizados (GLM) e Modelos Mistos Hierárquicos (HLM / LMM): 1. Arquitetura dos Modelos Lineares Generalizados (GLM): componente aleatório (distribuições da família exponencial: Gaussiana, Binomial, Poisson, Gama, Binomial Negativa), componente sistemático (preditor linear eta = beta_0 + beta_1*X_1 + ...) e função de ligação link g(mu) = eta (identidade, logit, log, probit); 2. Regressão Linear Múltipla: estimação por Mínimos Quadrados Ordinários (OLS); coeficientes de regressão não padronizados (B) e coeficientes padronizados (beta); Coeficiente de Determinação (R^2 e R^2 ajustado para penalização de preditores); diagnóstico de resíduos: linearidade, normalidade dos resíduos, homocedasticidade (teste de Breusch-Pagan / Koenker), independência (estatística de Durbin-Watson) e avaliação estrita de Multicolinearidade através do Fator de Inflação da Variância (VIF < 5 ou 10) e Tolerance; 3. Regressão Logística Binária e Multinomial: modelagem de desfechos dicotômicos; função sigmoide e transformação logit (log-odds); interpretação de coeficientes via Odds Ratio ajustado (OR = e^beta) e seus intervalos de confiança de 95%; teste de calibração de Hosmer-Lemeshow; capacidade discriminatória e acurácia clínica via Curva ROC (Receiver Operating Characteristic), Área sob a Curva (AUC / C-statistic), sensibilidade, especificidade e índice de Youden; 4. Modelos para Dados de Contagem: Regressão de Poisson (premissa de equidispersão: média = variância) vs Regressão Binomial Negativa para acomodação de sobredispersão (overdispersion); Modelos Inflacionados de Zero (Zero-Inflated Poisson / ZIP); e 5. Modelos Lineares Mistos Hierárquicos / Multinível (HLM / LMM) e Dados Longitudinais: estruturas de dados aninhados (alunos em turmas, turmas em escolas, pacientes em hospitais) e medidas repetidas ao longo do tempo (indivíduo como cluster de suas próprias avaliações); violação do pressuposto de independência de erros; separação da variância intra-grupo (nível 1) e entre-grupos (nível 2); Coeficiente de Correlação Intraclasse (ICC = tau_00 / (tau_00 + sigma^2)); Modelos com Intercepto Aleatório (Random Intercept) vs Inclinação Aleatória (Random Slope); estimadores de Máxima Verossimilhança Restrita (REML) vs Máxima Verossimilhança Completa (ML); e seleção de modelos parcimoniosos baseada nos Critérios de Informação de Akaike (AIC) e Bayesiano (BIC).

10h
6

Célula 06: Inferência Causal Moderna, Grafos Acíclicos Dirigidos (DAGs), Pareamento por Escore de Propensão e Ciência Aberta

Estudo dos fundamentos epistemológicos e matemáticos da Inferência Causal contemporânea, métodos quase-experimentais e princípios de Ciência Aberta e Reprodutibilidade: 1. A Revolução Causal: superação do aforismo 'correlação não implica causalidade' pela formalização de modelos causais identificáveis; Modelo de Resultados Potenciais de Rubin (Rubin Causal Model - RCM): contrafactuais, Efeito Causal Médio (ATE - Average Treatment Effect) e Efeito Causal nos Tratados (ATT - Average Treatment Effect on the Treated); pressupostos de identificação causal: Ignorabilidade / Trocaabilidade (Exchangeability), Positividade (Positivity: 0 < P(X=1|Z) < 1) e Consistência (SUTVA - Stable Unit Treatment Value Assumption: sem interferência e sem múltiplas versões do tratamento); 2. Teoria Causal Estrutural de Judea Pearl: Grafos Acíclicos Dirigidos (DAGs - Directed Acyclic Graphs); terminologia gráfica: nós (variáveis), arestas orientadas (caminhos causais), pais, filhos, ancestrais e descendentes; conceitos fundamentais de fluxo de dependência: Cadeias causais (X -> M -> Y: mediação), Garfos (X <- Z -> Y: confundimento) e Colisores (X -> C <- Y: colisão); o princípio da d-separação (d-separation); o Viés de Colisor (Collider Stratification Bias / Viés de Berkson / Paradoxo de Berkson): condicionar em um colisor comum abre artificialmente uma associação espúria entre suas causas não relacionadas; 3. O Critério da Porta dos Fundos (Backdoor Criterion): definição do Conjunto Mínimo Suficiente de Ajuste (Minimal Sufficient Adjustment Set); por que controlar por variáveis intermediárias (mediadores) comete 'superajuste' (overcontrolling) e neutraliza o efeito causal total; 4. Métodos Avançados de Inferência Causal em Dados Observacionais: Pareamento por Escore de Propensão (Propensity Score Matching - PSM): cálculo do escore via regressão logística ou machine learning, algoritmos de pareamento (Nearest Neighbor com calibrador/caliper, Optimal Matching), diagnóstico de balanceamento de covariáveis com Diferença Média Padronizada (SMD < 0,10); Ponderação por Probabilidade Inversa de Tratamento (IPTW - Inverse Probability of Treatment Weighting) e escores estabilizados; Variáveis Instrumentais (IV / 2SLS) para controle de confusão não mensurada e endogeneidade; e Regressão em Descontinuidade (RDD); e 5. Ciência Aberta, Reprodutibilidade e Diretrizes de Relato: diretrizes de publicação padronizadas EQUATOR Network: CONSORT para Ensaios Clínicos Randomizados, STROBE para Estudos Observacionais, e PRISMA para Revisões Sistemáticas e Metanálises; princípios FAIR (Findable, Accessible, Interoperable, Reusable) para dados de pesquisa; relatórios computacionais reproduzíveis (RMarkdown, Quarto, Jupyter); e compartilhamento de códigos e dados brutos em repositórios abertos (Zenodo, Harvard Dataverse, OSF).

10h