Como Lidar com Dados em Falta (Missing Data) na Tese?

Dados em falta aparecem em praticamente todos os inquéritos e bases de dados secundárias usados numa tese, seja por não-resposta a perguntas sensíveis, abandono de participantes num estudo longitudinal ou erros de recolha. A forma como os trata — e não a simples existência de valores omissos — é o que os avaliadores de tese verificam com mais atenção, porque um tratamento inadequado pode enviesar sistematicamente os resultados sem que o investigador se aperceba.

O que são dados em falta e porque ocorrem numa tese?

Dados em falta (missing data) são valores ausentes numa base de dados que deveriam ter sido registados. Numa tese, surgem tipicamente por não-resposta a itens de um questionário, abandono (dropout) em estudos longitudinais, erros de introdução de dados, ou critérios de exclusão aplicados após a recolha. A gestão de dados em falta é uma etapa que antecede a análise de dados no SPSS, porque qualquer teste estatístico aplicado sobre dados incompletos sem tratamento prévio pode reduzir a amostra de forma não aleatória e comprometer a validade das conclusões.

Quais são os três mecanismos de dados em falta?

A tipologia proposta por Rubin (1976) distingue três mecanismos, e a escolha do método de tratamento depende diretamente de qual deles está presente nos seus dados:

• MCAR (Missing Completely at Random): a probabilidade de um valor estar em falta é totalmente independente de qualquer variável, observada ou não. Exemplo: uma página do questionário foi impressa incorretamente e alguns participantes, ao acaso, não a receberam.
• MAR (Missing at Random): a probabilidade de falta depende de outras variáveis observadas no conjunto de dados, mas não do próprio valor omisso. Exemplo: participantes mais jovens têm maior probabilidade de não responder a uma pergunta sobre rendimento, mas essa omissão não depende do valor real do rendimento em si.
• MNAR (Missing Not at Random): a probabilidade de falta depende do próprio valor que está em falta. Exemplo: participantes com níveis mais elevados de ansiedade têm maior probabilidade de não responder precisamente às perguntas sobre ansiedade. Este é o mecanismo mais difícil de corrigir, porque a informação necessária para modelar a falta está, por definição, ausente.

Como diagnosticar o mecanismo de dados em falta?

1. Analise o padrão de falta: no SPSS, o módulo Missing Value Analysis (Analisar > Valores em Falta) gera uma matriz de padrões que mostra quais variáveis tendem a estar em falta em conjunto.
2. Aplique o teste de Little (MCAR): testa a hipótese nula de que os dados são MCAR. Um valor-p superior a 0,05 é consistente (mas não prova definitivamente) com MCAR; um valor-p inferior a 0,05 sugere que o mecanismo não é completamente aleatório.
3. Compare grupos com e sem valores em falta: crie uma variável indicadora (0/1) para a falta numa variável-chave e compare as médias de outras variáveis observadas entre os dois grupos com um teste t ou qui-quadrado; diferenças significativas sugerem MAR.
4. Considere o MNAR pela lógica do desenho: como o MNAR não é diretamente testável nos dados observados, a sua plausibilidade deve ser avaliada com base no conhecimento teórico do fenómeno em estudo (por exemplo, itens sensíveis sobre rendimento, consumo de substâncias ou saúde mental têm maior probabilidade de MNAR).

Quais são os métodos disponíveis para tratar dados em falta?

Existem métodos de eliminação e métodos de imputação, com níveis crescentes de sofisticação e de preservação da amostra original:

• Eliminação por lista (listwise deletion): remove todo o caso (linha) se qualquer variável usada na análise tiver um valor em falta. É o método por omissão no SPSS.
• Eliminação por pares (pairwise deletion): usa todos os casos disponíveis para cada cálculo específico (por exemplo, cada correlação de uma matriz), em vez de exigir dados completos em todas as variáveis simultaneamente.
• Imputação pela média ou mediana: substitui os valores em falta pela média (ou mediana, para dados assimétricos) da variável. Simples, mas reduz a variância e distorce correlações.
• Imputação por regressão: prevê o valor em falta com base num modelo de regressão que usa as outras variáveis observadas como preditores.
• Imputação múltipla (Multiple Imputation, MI): gera vários conjuntos de dados completos com valores imputados a partir de uma distribuição, analisa cada um separadamente e combina os resultados pelas regras de Rubin. É o método de referência (“gold standard”) na literatura metodológica atual.
• Algoritmo EM (Expectation-Maximization): estima iterativamente os parâmetros do modelo (médias, variâncias, covariâncias) que melhor explicam os dados observados, útil sobretudo em análise fatorial e modelos de equações estruturais.
• Imputação por k-vizinhos-mais-próximos (KNN): substitui o valor em falta pela média (ou moda) dos k casos mais semelhantes no conjunto de dados, com base noutras variáveis observadas; comum em pipelines de análise de dados em R e Python.

Quando usar cada método de imputação?

Que riscos de enviesamento existem?

O principal risco de um tratamento inadequado de dados em falta é o enviesamento de seleção: se os casos eliminados ou mal imputados não forem representativos da amostra original, as estimativas de médias, correlações e coeficientes de regressão deixam de generalizar para a população-alvo. Um segundo risco, mais subtil, é a subestimação artificial da variabilidade quando se usa imputação simples (média, regressão sem componente aleatória), que gera erros-padrão demasiado pequenos e aumenta a probabilidade de erros de Tipo I — rejeitar incorretamente a hipótese nula. Este risco está diretamente ligado à qualidade da recolha original, pelo que validar o questionário e realizar um pré-teste reduz substancialmente a taxa de não-resposta a itens específicos antes mesmo de chegar à fase de imputação.

Como reportar os dados em falta no SPSS e no R?

No SPSS, o módulo Missing Value Analysis (Analisar > Valores em Falta) produz a percentagem de falta por variável e o teste de Little MCAR. A imputação múltipla está disponível em Analisar > Imputação Múltipla > Imputar Valores em Falta, permitindo definir o número de conjuntos imputados (recomenda-se um mínimo de 5, podendo chegar a 20-40 quando a percentagem de falta é elevada) e o método (regressão linear, regressão logística ou automático).

No R, o pacote mice (Multivariate Imputation by Chained Equations) é o padrão de facto para imputação múltipla, com a função mice() para gerar os conjuntos imputados e pool() para combinar os resultados segundo as regras de Rubin. O pacote naniar é útil para visualizar padrões de dados em falta antes de decidir o método. No capítulo de metodologia, reporte sempre: a percentagem de falta por variável, o mecanismo assumido e como foi avaliado, o método de tratamento escolhido e o número de conjuntos imputados (se aplicável), seguindo o mesmo rigor de reporte usado nas secções de estatística descritiva e nos testes de hipóteses subsequentes. Antes de aplicar qualquer teste sobre os dados tratados, confirme ainda que está a verificar os pressupostos dos testes paramétricos, uma vez que a imputação pode alterar ligeiramente a distribuição observada das variáveis.

Os dados em falta afetam de forma diferente escalas Likert?

Sim. Em questionários com a escala de Likert na tese, a não-resposta a um ou dois itens de uma subescala com vários itens costuma ser tratada de forma diferente da falta numa variável isolada: em vez de eliminar o caso inteiro, é comum imputar o item em falta pela média dos restantes itens da mesma subescala respondidos pelo mesmo participante (person-mean imputation), desde que a maioria dos itens dessa subescala tenha sido respondida (regra comum: pelo menos 50-80% dos itens da subescala presentes).

Perguntas Frequentes