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

atípicos da amostra, transformar os dados (por meio do log, raiz quadrada, etc.) e mudar os
scores (para o próximo score mais alto somado a 1 unidade, por exemplo). Cada uma desses
procedimentos tem que ser avaliado, porque trazem consequências perigosas aos dados e aos
modelos, muitas vezes inclusive podem trazer mais defeitos do que benefícios.
Esse assunto parece um pouco abstrato, mas se pode dar um exemplo. Pressuponha
que em uma amostra existem scores de 25, 49, 100, 144, 400 e 9604. Quando analisados,
provavelmente o valor atípico de 9604 tende a distorcer a análise e não respeitar alguns
pressupostos. Para esses casos, pode-se remover o dado (mas só em caso de ter certeza que
esse valor não pertence à população de onde veio a amostra), transformá-lo (pode-se tirar a
raiz quadrada de todos eles, já que números grandes são mais suscetíveis à operação do que o
pequenos, ficando com os valores de 5, 7, 10, 12, 20 e 98, a diferença entre 20 e 98 é
sensivelmente menor do que entre 400 e 9604) ou, quando a transformação não for
satisfatória, é possível mudar os scores por processos padronizados (só em casos extremos,
porque o processo não é simples e envolve muitos erros; esse procedimento pode, muitas
vezes, ser considerado uma forma de trapaça).
Sanar os dados para respeitar os pressupostos nem sempre é uma boa ideia e os
procedimentos são complexos; entretanto, nem todos os dados precisam desse rearranjo. No
próximo capítulo, quando serão analisados os dados, apresentar-se-á novamente alguns dos
pressupostos. De forma prática, será mais fácil compreender os procedimentos.
4.4 Correlação
Identificou-se anteriormente como a média pode ser um modelo estatístico;
entretanto, os exemplos consideraram apenas uma variável. A representação de dados
apresentada foi de apenas uma determinada característica e, a partir daí, relacionaram-se seus
scores com a média. A correlação refere-se, basicamente, à associação entre duas variáveis.
Há duas medidas principais para identificar essa relação: a covariância e o coeficiente de
correlação.
A forma mais simples de ver uma associação entre duas variáveis é observar se elas
“covariam”. Para entender o que a covariância significa se deve olhar novamente o que foi
apresentado como variância:
173