As determinantes locais da paradiplomacia: o caso dos municípios ...

Esse conceito é um pouco difícil de ser explicado, mas, em suma, remete ao número
de observações que são livres para variar. Um exemplo facilita a explicação.
Retirando de uma população uma amostra de 6 observações quaisquer, seus scores são livres
para variar de qualquer forma (podem assumir qualquer valor). Se o interesse é fazer uso da
amostra de 6 observações para calcular o desvio padrão da população, e não da amostra, é
necessário calcular a média da amostra para estimar a média da população. Nesse caso,
mantem-se um parâmetro constante. Supondo que a média da amostra é 12, então assume-se
que a média da população também é 12 e mantem-se esse valor constante. Com o parâmetro
fixado, nem todos os seis scores da observação podem variar, porque como o valor da média
está fixado, apenas cinco scores terão essa liberdade. Por exemplo, se os valores da amostra
fossem 9, 10, 11, 13, 14 e 15 (com média de 12) e fossem mudados cinco desses scores para
5, 6, 8, 20 e 21, o último número teria que ser, necessariamente, 12, para a média permanecer
a mesma. Caso seja mantido um parâmetro constante, o grau de liberdade deve ser o número
da amostra menos 1 (N – 1) .
A medida que divide a soma dos desvios quadráticos pelo graus de liberdade é
chamada de variância ( . Ela é a média dos desvios entre as médias e as observações feitas,
e por isso, também é uma medida de quão bem o modelo se encaixa nos dados. Sua
representação matemática é dada por:
Existe um problema com essa medida, que é o fato de fornecer valores elevados ao
quadrado e não nas unidades da observação. Para sanar esse problema, tira-se a raiz quadrada
da variância. Essa medida é chamada de desvio padrão (s). E pode ser expressa por:
A soma dos desvios quadráticos, a variância e o desvio padrão são, portanto, medidas
de “fit” (no caso específico, quão bem a média representa os scores). Pequenos desvios
padrão significam que os valores dos dados estão próximos da média (e, portanto, representa
bem os dados), já os grandes representam o oposto (poor fit). Quando o desvio padrão é zero
todos os valores são iguais.
161