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

Há formas de padronizar a unidade de medida de covariância. Ela ocorre pelo
processo de padronização (standardization). Uma forma de padronizar poderia ser a
obrigatoriedade de todas as covariâncias serem medidas na mesma unidade. Isso, entretanto,
não faz sentido algum, porque as medidas podem ser muito diferentes (distâncias,
temperatura, humor, taxa glicêmica, etc.). A estatística utiliza uma medida que possa ser
facilmente convertida para todo tipo de mensuração. Essa medida é o desvio padrão. Ele foi
apresentado anteriormente esse tipo de unidade, e, como a variância, ele representa a média
dos desvios entre os scores e a média da amostra. Caso se divida qualquer distância para a
média (desvio) por desvios padrões, obtêm-se resultados em unidades de desvio padrão.
Pela lógica, se há interesse em expressar a covariância em unidades de medida
padronizada deve-se dividi-la pelo desvio padrão. Existem duas variáveis e, portanto, dois
desvios padrões. Quando calculada a covariância, encontram-se dois desvios, um para cada
variável, e os multiplicamos. Para os desvios padrão faz-se o mesmo, multiplica-se e divide-se
a covariância pelo produto dessa multiplicação. A equação é representada, portanto, por:
Em que é o desvio padrão da primeira variável e é o desvio padrão da segunda
variável. Essa covariância padronizada é chamada de coeficiente de correlação, que também
pode ser conhecida por coeficiente correlação product-moment de Pearson ou coeficiente de
correlação de Pearson (r).
Os valores do coeficiente variam de -1 a +1, em que o primeiro representa uma
relação perfeitamente negativa e o segundo, perfeitamente positiva, no sentido que variam
exatamente na mesma proporção. Quando o coeficiente é zero não houve nenhuma relação
entre as variáveis, ou seja, se uma variável mudar a outra permanece inalterada. Esse
coeficiente foi citado anteriormente porque ele também é uma boa medida de efeito.
Existem formas de calcular também se o coeficiente de correlação é significante
(testando a hipótese nula de a correlação ser diferente de zero, se o coeficiente observado for
pouco possível de acontecer se não houver efeito na população, então se pode ganhar
confiança de que a relação observada é estatisticamente relevante) e do intervalo de confiança
para o r (utilizando as técnicas do valor z já apresentadas).
É importante ressaltar um aspecto fundamental da correlação que muitos ignoram e
acabam concluindo mais do que o modelo estatístico permite. O coeficiente de correlação não
fornece indicação sobre a direção de causalidade! Isso acontece por dois motivos. O primeiro
175