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

Quando as VI não são correlacionadas umas com as outras a ordem de como colocá-
las fará pouca diferença, o problema é que, raramente, elas não são correlacionadas. Existem
algumas formas já padronizadas para acrescentar as variáveis independentes em um modelo.
Elas não serão detalhadas, mas é importante identificá-las porque são válidas também para a
regressão logística.
A primeira forma de inclusão de variáveis no modelo é a da regressão hierárquica
(inclusão blockwise). Nela, as VI são selecionadas com base em estudos anteriores que
estejam relacionados com o objeto de estudo ou com a hipótese que se queira testar, e o
pesquisador decide em que ordem as incluirá. Geralmente, as VI conhecidas (de outras
pesquisas) são incluídas primeiramente, em ordem de importância de prever os resultados.
Depois dessas, as outras VI podem ser acrescentadas de uma só vez ou hierarquicamente
(aquelas que o pesquisador acreditar ser mais importante primeiro).
Outra forma de ordenar as variáveis é a da inclusão forçada (forced entry). Nesse
método, todos as VI são colocadas no modelo simultaneamente. Assim como na forma
hierárquica, a seleção das variáveis é feita em razões teóricas bem embasadas, mas ao
contrário dela, o pesquisador não decide sobre a inclusão das VI. Alguns pesquisadores dizem
que essa é a única forma de inclusão possível quando o objetivo da pesquisa é testar uma
teoria, porque técnicas como a inclusão stepwise são muito influenciadas por variações
aleatórias e por isso raramente proporcionam resultados replicáveis quando os modelos são
testados novamente.
Uma última técnica de inclusão é a da regressão stepwise ou passo a passo. Existem
dois tipos de decisão sobre quais variáveis incluir antes ou depois, recaindo sobre critérios
matemáticos. Ela pode ser do tipo forward, em que o modelo inicial definido é o que contém
apenas a constante ( e a partir daí o computador busca a VI que melhor prevê a VD,
baseado na correlação simples entre essas variáveis. A partir do momento que a encontra, ele
a retém e passa a buscar a segunda VI com maior correlação (baseada agora na correlação
semi-parcial, ou seja, o que falta ser explicado depois da retirada da VI anterior), e assim
sucessivamente. O outro tipo é a backward, que inclui todas as VI de uma vez e depois se
calcula a contribuição de cada pelo valor de significância do teste-t. Os valores são
comparados ao critério de remoção e se forem classificados como pouco significantes eles são
retirados do modelo. A cada retirada o modelo estima novamente as contribuições e repete o
procedimento.
Esclarecimento distinto sobre o modelo de regressão linear que pode ser dado é
quanto ao seu nível de acurácia. Ele envolve dois aspectos principais, o primeiro é se o
183