SPSS para pesquisadoras: erros que travam a análise

O output que não faz sentido nenhum

Você roda a análise no SPSS, a tabela aparece, e você não sabe o que está olhando. Ou pior: sabe o que está olhando, escreve os resultados no trabalho, e na qualificação a banca aponta que o teste era inadequado para os dados.

SPSS (Statistical Package for the Social Sciences) é um software de análise estatística amplamente usado em ciências sociais, saúde e educação, que permite desde análises descritivas básicas até modelos multivariados complexos. Não é difícil de operar. É fácil de usar errado.

Os erros mais comuns não são de cálculo. São anteriores ao cálculo: banco de dados mal estruturado, tipo de variável definido errado, teste inadequado para o nível de mensuração dos dados. Quando esses erros entram na análise, o output parece fazer sentido mas os resultados são inválidos.

Erro 1: banco de dados com estrutura errada

A estrutura correta no SPSS é simples: cada linha é um caso (participante, observação), cada coluna é uma variável. Um participante por linha, uma variável por coluna. Isso é tudo.

Os erros mais comuns nessa estrutura:

Dados de um mesmo participante em múltiplas linhas sem a variável de identificação correta. Ocorre bastante em estudos longitudinais onde a pesquisadora registra cada momento de coleta em uma linha separada, sem coluna de ID do participante. O SPSS não sabe que aquelas linhas pertencem ao mesmo sujeito.

Duas informações numa mesma coluna. Por exemplo, uma coluna “Pontuação (máx. 10)” onde os dados estão como “8/10” em vez de só “8”. O SPSS vai tratar como string, não como número.

Células em branco que significam coisas diferentes. Dado não coletado versus dado coletado que foi zero são coisas diferentes. Células em branco no SPSS são tratadas como missing values. Se o zero não foi digitado porque era zero, a análise vai computar aquele caso como dado ausente.

Erro 2: tipo de variável definido incorretamente

No View de Variáveis do SPSS (aba Variable View), cada variável tem um campo “Measure” que define seu nível de mensuração: Nominal, Ordinal ou Scale (intervalar/razão). Essa definição não muda os dados, mas afeta quais análises o SPSS sugere e como alguns procedimentos são executados.

Os problemas mais frequentes:

Escala Likert definida como Scale. Uma escala Likert com 5 pontos é ordinal, não intervalar. Tratá-la como Scale e aplicar testes paramétricos sem verificar pressupostos é um erro metodológico que a banca vai questionar. O debate sobre usar ou não testes paramétricos em dados Likert existe, mas precisa aparecer justificado no método.

Variável binária (sim/não) codificada como string em vez de numérico. O SPSS não consegue incluir variáveis string na maioria dos testes. Codifique como 0 e 1 (numérico) e use value labels para manter a legibilidade.

Datas digitadas como texto. Se a data foi registrada como “01/04/2025” em formato texto, o SPSS não consegue calcular diferenças entre datas. Precisa definir como tipo Date e usar o formato correto.

Erro 3: escolha do teste estatístico sem verificar pressupostos

Cada teste estatístico tem pressupostos que precisam ser verificados antes de aplicá-lo. Ignorar essa etapa é o erro que mais aparece em dissertações e que mais chama atenção da banca.

Os pressupostos mais frequentemente ignorados:

Normalidade. Testes como t de Student e ANOVA assumem que os dados têm distribuição aproximadamente normal. Verificar com Kolmogorov-Smirnov ou Shapiro-Wilk (para amostras menores) antes de prosseguir. Se não há normalidade, considerar alternativas não-paramétricas.

Homogeneidade de variâncias. A ANOVA pressupõe variâncias iguais entre os grupos. O Levene’s Test verifica isso. Se as variâncias forem diferentes, usar a correção de Welch.

Independência dos casos. A maioria dos testes pressupõe que as observações são independentes. Em dados longitudinais ou pareados, isso não se aplica e é necessário usar testes para medidas repetidas.

No SPSS, os testes de pressuposto costumam aparecer como opções dentro do mesmo procedimento. Em Analyze > Compare Means > One-Way ANOVA, por exemplo, o botão “Options” tem a opção de solicitar o Levene’s Test. Não é um passo separado.

Como apresentar os resultados do SPSS na dissertação

O output do SPSS não vai diretamente para a dissertação. Ele precisa ser interpretado e descrito em texto antes de qualquer tabela.

A estrutura que funciona para cada análise:

1. Indicar o teste realizado e o motivo: “Para comparar as médias entre os grupos, utilizou-se o teste t de Student para amostras independentes, após verificação de normalidade (Shapiro-Wilk, p = 0,32) e homogeneidade de variâncias (Levene’s, p = 0,18).”
2. Apresentar os resultados com estatística, graus de liberdade e p-valor: “O resultado indicou diferença significativa entre os grupos (t(48) = 2,34, p = 0,023).”
3. Incluir o tamanho do efeito: “O d de Cohen foi de 0,67, indicando efeito de magnitude média.”
4. Interpretar o que significa: “Portanto, o grupo experimental apresentou média significativamente maior do que o controle.”

As tabelas complementam o texto, não substituem. Uma tabela sem texto explicativo não é apresentação de resultados. É uma figura sem legenda.

O Método V.O.E. (Velocidade, Organização, Execução Inteligente) aplicado à análise quantitativa

A lógica do Método V.O.E. (Velocidade, Organização, Execução Inteligente) se aplica diretamente à análise estatística. Velocidade é tomar as decisões metodológicas antes de coletar dados, não depois: quais testes serão usados, quais pressupostos serão verificados, qual será o critério de significância. Organização é montar o banco de dados com estrutura correta desde o início. Execução Inteligente é rodar as análises em sequência lógica e documentar cada decisão.

A análise que começa bem estruturada roda mais rápido, produz outputs mais limpos e gera menos dúvidas na escrita dos resultados. E na qualificação, quando a banca pergunta “por que você usou esse teste?”, você tem uma resposta metodológica, não “era o que todo mundo usava”.

Erro 4: ignorar os valores ausentes (missing values)

Dados ausentes existem em quase toda pesquisa. O problema não é ter missing values. É não declarar como vai tratá-los antes de analisar.

O SPSS oferece três abordagens principais. A exclusão por lista (listwise deletion) exclui o caso inteiro se qualquer variável da análise tiver dado ausente. É a opção padrão e a mais conservadora. A exclusão por par (pairwise deletion) usa cada par de variáveis disponível, mesmo que o caso tenha missing em outras. Resulta em diferentes N para diferentes análises no mesmo estudo, o que precisa ser reportado.

A imputação substitui o valor ausente por uma estimativa: média, mediana, ou métodos mais sofisticados como imputação múltipla. Qual abordagem é mais adequada depende do padrão de ausência nos dados e do percentual de missing por variável.

A regra geral: percentuais acima de 10% por variável começam a comprometer a análise e precisam de justificativa explícita no método. Acima de 30%, a maioria dos pesquisadores recomenda cautela extrema ou mudança de abordagem.

O erro mais frequente: rodar a análise sem mencionar os missing values em nenhum momento do trabalho, como se os dados estivessem todos completos. A banca vai perguntar.

A pergunta que orienta tudo

Antes de abrir o SPSS, a pergunta que precisa estar respondida é: o que minha pergunta de pesquisa pede que eu compare, correlacione, descreva ou prediga?

A resposta a essa pergunta determina o teste. O teste determina os pressupostos a verificar. Os pressupostos determinam como montar o banco de dados. Essa sequência, de trás para frente, evita ter que refazer o banco depois de coletar todos os dados.

Se você está na fase de planejamento da análise e ainda tem dúvidas sobre qual caminho seguir, a página /recursos tem materiais sobre metodologia quantitativa. E para entender como o Método V.O.E. organiza as decisões de pesquisa antes mesmo de chegar à coleta, é por lá que começa.