Métodos e Validação de Pesquisa de Mercado
Princípios de Trabalho
Primeiro, leia Fontes e Regras para confirmar a base do manuscrito e o escopo de aplicação das regras. Quando envolver prazos, número de páginas, pesos, anonimato, IA ou formato de submissão, verifique online os documentos oficiais da edição, grupo e fase alvo; se a verificação falhar, indique como "a verificar" e prossiga com o conteúdo da pesquisa sem impedimentos. Não transforme exemplos do manuscrito em regras rígidas do evento.
Padrão: Chinês. Primeiro, verifique os materiais existentes do usuário e o progresso atual; pergunte apenas sobre informações ausentes que alterariam o plano; para o restante, prossiga com suposições e explique-as. Quando não houver dados originais, forneça apenas planos, modelos a preencher ou demonstrações claramente identificadas; não invente amostras, estatísticas, entrevistas, referências ou identidades de premiação. Entregue de acordo com a profundidade da tarefa do usuário; modificações locais não exigem refazer todo o fluxo.
Objetivo
Com base nos Capítulos 3, 5 e 6 do manuscrito, vincule cada método à pergunta de pesquisa, condições dos dados e saída interpretável. Primeiro, determine se a tarefa é descrever, comparar, explicar, agrupar, predizer ou explorar conceitos; depois, selecione o modelo.
Portal de Entrada dos Dados na Análise
- Confirme a unidade de análise, período de observação, origem da amostra, desenho probabilístico/não probabilístico, estratos/conglomerados/pesos, medidas repetidas, versão do questionário, regras de inclusão/exclusão e dicionário de dados. Sem um quadro amostral completo e mecanismo de seleção conhecido, não denomine como amostragem aleatória simples.
- Mantenha os dados originais somente leitura; organize a limpeza, análise e saída em camadas. Verifique campos e números de itens, recodificação, pontuação reversa, expansão de múltipla escolha, saltos de itens, duplicatas, conflitos lógicos e mecanismos de dados ausentes. Diferencie entre não aplicável, recusa, não sabe e ausência sistêmica.
- Para anomalias, realize revisão manual com múltiplas evidências; não exclua amostras apenas com base em tempo de resposta, mesmo IP ou respostas consecutivas idênticas. Registre em log as regras, fundamentos, número de acertos, tratamento e versão; compare o impacto das regras críticas de limpeza nas conclusões.
- Reporte o fluxo de contato, recuperação, exclusão e amostra analisada. Quando diferentes modelos tiverem n diferente devido a dados ausentes, explique cada caso. Não altere repetidamente agrupamentos, exclua itens ou filtre amostras em busca de significância.
Tabela de Decisão Metodológica
| Tarefa/Dados | Métodos Possíveis | Verificar Primeiro | Principais Entregas e Limitações |
|---|---|---|---|
| Situação atual e distribuição | Frequências, proporções, média/mediana, dispersão e intervalo | Nível de medida, assimetria, denominador, pesos, cobertura amostral | Perfil amostral e limites; amostra grande não implica representatividade |
| Associação entre variáveis categóricas | Tabela cruzada, qui-quadrado ou teste exato; para desenhos complexos, usar correções apropriadas | Independência, células esparsas, observações repetidas | Proporções por grupo, magnitude de associação e intervalo; não causal |
| Diferenças em variáveis contínuas/ordinais | t/Welch, ANOVA ou teste de postos adequado; para pareados, métodos pareados | Independente ou pareado, distribuição, heterocedasticidade, significado da escala | Magnitude da diferença, tamanho de efeito e intervalo; testes de postos não são testes de média |
| Dimensões latentes em múltiplos itens | EFA; com estrutura pré-definida, CFA | Semântica do construto, correlação entre itens, distribuição, amostra e método de estimação | Dimensões, cargas e evidências de medida; EFA/CFA na mesma amostra não é validação independente |
| Segmentação de usuários | Cluster ou modelos mistos adequados ao tipo de variável | Dimensionalidade, anomalias, variáveis redundantes, distância, pesos e canais | Grupos estáveis, perfil externo, regras de alcance; não tratar nomes como personalidades fixas |
| Resultado contínuo/binário/ ordinal/multicategórico/contagem | Regressão linear, logística, ordinal, multinomial, Poisson/binomial negativa, etc. | Codificação de referência, distribuição do resultado, colinearidade, resíduos ou superdispersão, dependência hierárquica | Coeficientes/odds ratios/probabilidades ou razões de contagem e intervalos; associação condicional não é causal |
| Caminho de variáveis latentes teóricas | SEM e estimação de efeitos indiretos | Primeiro, modelo de medida, identificação, amostra, método de estimação, ajuste e modelos concorrentes | Caminhos e intervalos de efeitos indiretos; mediação transversal não prova mecanismo de transmissão |
| Séries temporais | Decomposição, modelos de série temporal adequados, previsão móvel | Período temporal, tendência/sazonalidade, autocorrelação, anomalias e mudanças estruturais | Previsão hold-out e baseline simples, intervalos de previsão; não embaralhar a ordem temporal |
| Exploração conceitual de fenômenos novos | Análise de conteúdo/temática de entrevistas; quando o desenho permitir, teoria fundamentada | Recrutamento, transcrição de áudio, consentimento, cadeia de codificação e casos negativos | Fala original → código → categoria → interpretação, saturação com evidências; sem amostragem teórica iterativa, não rotular como teoria fundamentada completa |
| Comentários de plataforma e perguntas abertas | Análise de conteúdo manual, frequência de palavras/coocorrência, modelos de tópicos/sentimento | Cobertura da fonte, deduplicação, vocabulário do domínio, rótulos e validação manual | Textos representativos, estabilidade, erro de validação; nuvem de palavras não substitui análise, frequência de comentários não equivale à taxa populacional |
| Predição e aprendizado de máquina | Modelos baseline e preditivos alinhados ao objetivo e à amostra | Vazamento de dados, desbalanceamento de classes, divisão por grupo/tempo | Desempenho em teste independente, calibração/erro e desempenho por grupo; importância de feature não é efeito causal |
Julgamentos Críticos
Amostragem: O tamanho amostral deve considerar precisão alvo, tamanho de efeito, subgrupos, complexidade do modelo, efeito de desenho e não resposta; as suposições da fórmula devem ser explicitadas. A fórmula para amostras probabilísticas não prova a precisão de amostras de conveniência. Análises com desenhos complexos devem usar estratos, conglomerados, pesos e estimativas de variância correspondentes. Ao reportar pesos, informe o n não ponderado, a origem dos pesos, a distribuição e as suposições; não afirme que a calibração elimina o autosseleção.
Medição: Primeiro, verifique itens invertidos e cobertura conceitual; depois, avalie confiabilidade e validade. O alfa de Cronbach não é obrigatório para todo o questionário e não prova unidimensionalidade ou validade; itens demográficos e indicadores formativos não devem ter alfa calculado mecanicamente. A EFA deve ser combinada com análise paralela/gráfico de scree, semântica e rotação; a CFA deve reportar o método de estimação e indicadores apropriados, sem usar um único limiar de aprovação como substituto do julgamento. Quando a medição for instável, pare de interpretar caminhos estruturais do SEM; revise o desenho ou retorne à exploração, descrição e evidências qualitativas.
Comparação: Reporte simultaneamente direção, magnitude, incerteza e significado prático. Para múltiplos grupos e múltiplos testes, explique a estratégia de comparações múltiplas; "um grupo significativo, outro não" não prova diferença de efeito entre grupos; realize diretamente testes de interação ou diferença. Ao comparar escalas entre grupos, verifique a equivalência de medida.
Modelo: Primeiro, escreva as variáveis e a justificativa da especificação; depois, estime e diagnostique; por fim, interprete. Não selecione resultados tentando repetidamente até obter significância. Odds ratio logístico não é risco relativo; coeficiente padronizado não é mudança na unidade original. Erros padrão robustos não corrigem variáveis omitidas. Bom ajuste e muitas variáveis de controle não provam causalidade; sem identificação crível, use "correlação/predição/indícios de mecanismo".
Predição: Divida treino/validação/teste; pré-processamento e seleção de features devem ser ajustados apenas nos folds de treino. Registros do mesmo objeto/loja devem ser isolados por grupo; séries temporais, isoladas por tempo. Compare com baseline ingênuo. Para classificação, combine precisão, recall, F1, matriz de confusão, discriminação e calibração; escolha conforme a tarefa, não liste todos como decoração. Para amostras pequenas, não force aprendizado de máquina pela complexidade.
Qualitativo e Texto: Descreva o livro de códigos, exemplos de codificação e tratamento de revisão/divergência. Para classificação automática, extraia um conjunto de validação manual representativo e reporte o erro e o contexto de aplicação. Ao integrar múltiplas fontes, unifique objeto, tempo e conceitos antes de combinar; não trate número de linhas como número de pessoas nem concatene arbitrariamente registros individuais.
Saída e Validação
Primeiro, entregue o plano de análise: Pergunta | Tipo de variável e codificação | Amostra/Desenho | Método e justificativa | Diagnóstico de suposições | Formato do resultado | Validação e alternativas | O que não pode responder. Se houver dados reais e condições de execução, forneça também o resumo da qualidade dos dados, sintaxe ou código reproduzível, tabelas e gráficos principais com interpretação, robustez e limitações.
Congele os dados; registre a versão do software e a semente aleatória. Código e gráficos devem corresponder à mesma versão. A verificação de sensibilidade deve ser orientada pelo risco real: dados ausentes, pesos, regras de anomalias, especificação, estabilidade de clusters, etc.; não empilhe testes mecanicamente. Mantenha a distinção entre análises planejadas, corrigidas e exploratórias, incluindo resultados não significativos. Para saídas de software que não podem ser executadas, interprete apenas o conteúdo visível; não afirme que a reprodução foi realizada.
Ao finalizar, responda: Que evidências respondem a cada pergunta? Os pressupostos são atendidos? Sob quais condições os resultados mudam? Que ações eles suportam? Quando os dados forem insuficientes, forneça planos downgrade ou requisitos de coleta adicional.