MANOVA na Tese: Quando Usar a Análise de Variância Multivariada e Como Interpretar

Se o seu desenho experimental tem duas ou mais variáveis dependentes correlacionadas e um ou mais fatores de grupo, correr várias ANOVAs separadas infla o erro de Tipo I e ignora a estrutura de correlação entre essas variáveis. É exatamente aqui que entra a MANOVA na tese: a análise de variância multivariada permite testar o efeito de um fator em várias variáveis dependentes em simultâneo, tratando-as como um único vetor de resultados. Este artigo explica quando a MANOVA é a escolha metodológica correta, que pressupostos tem de verificar antes de a correr, e como interpretar e reportar os resultados — incluindo Wilks’ Lambda, Pillai’s Trace e o eta quadrado parcial — de forma defensável perante um júri.

A confusão mais comum em orientações de mestrado e doutoramento é tratar a MANOVA como um “upgrade automático” da ANOVA sempre que existe mais do que uma variável dependente. Não é assim. A MANOVA só se justifica quando as variáveis dependentes são conceptualmente relacionadas e estatisticamente correlacionadas entre si — caso contrário, está a complicar a análise sem ganho real de poder estatístico nem de controlo de erro.

O que é a MANOVA e para que serve na tese

A MANOVA (Multivariate Analysis of Variance) é a extensão multivariada da ANOVA: em vez de comparar médias de uma única variável dependente entre grupos, compara vetores de médias de múltiplas variáveis dependentes em simultâneo. Isto é útil sempre que o seu construto teórico não é medido por um único indicador, mas por vários — por exemplo, satisfação laboral medida através de três subescalas (autonomia, reconhecimento, condições de trabalho), ou desempenho académico medido por nota, tempo de estudo e autoeficácia percebida.

Ao considerar as variáveis dependentes em conjunto, a MANOVA controla o erro de Tipo I que resultaria de correr três ou quatro ANOVAs separadas ao nível de significância de 0,05 cada, e ainda aproveita a correlação entre as variáveis para, em certas condições, aumentar o poder estatístico do teste face a testes univariados isolados.

Vídeo (em inglês): tutorial passo a passo de MANOVA no SPSS, pelo canal Live Innovation.

MANOVA vs. ANOVA: quando usar cada uma

A decisão entre ANOVA e MANOVA na tese depende de três critérios: o número de variáveis dependentes, a correlação teórica e empírica entre elas, e o objetivo da investigação. Se está a comparar apenas categorias de uma única variável nominal, a lógica é semelhante à que se aplica ao teste do Qui-Quadrado no SPSS — mas a MANOVA entra em jogo quando o resultado de interesse deixa de ser categórico e passa a ser um conjunto de variáveis contínuas correlacionadas.

Um erro conceptual frequente: se as suas variáveis dependentes não têm qualquer razão teórica para estarem relacionadas, combiná-las numa MANOVA apenas “porque tem mais do que uma variável” é metodologicamente injustificável. Nesse caso, é preferível manter ANOVAs separadas com correção de Bonferroni, e explicar essa opção na secção de metodologia.

Pressupostos da MANOVA que tem de verificar

A validade dos resultados da MANOVA depende de pressupostos mais exigentes do que os da ANOVA univariada. Um revisor experiente vai procurar exatamente estes pontos no seu capítulo de resultados:

1. Normalidade multivariada

As variáveis dependentes, em conjunto, devem seguir aproximadamente uma distribuição normal multivariada em cada grupo. Na prática, testa-se a normalidade univariada de cada VD (Shapiro-Wilk, Kolmogorov-Smirnov) e complementa-se com testes de assimetria e curtose multivariada (como o teste de Mardia), disponíveis em pacotes de R como MVN.

2. Homogeneidade das matrizes de covariância

O teste de Box’s M avalia se as matrizes de covariância entre os grupos são estatisticamente equivalentes. Este teste é extremamente sensível ao tamanho da amostra e a desvios da normalidade, pelo que um resultado significativo (p < 0,05) com grupos de dimensão semelhante não invalida automaticamente a análise — mas obriga a reportar o resultado e, idealmente, a preferir o teste de Pillai's Trace em vez do Wilks' Lambda nesse cenário.

3. Ausência de multicolinearidade extrema e singularidade

As variáveis dependentes não podem estar perfeitamente ou quase perfeitamente correlacionadas entre si (r > 0,90), pois isso torna a matriz de covariância singular e impossibilita o cálculo dos testes multivariados. Correlações moderadas (entre 0,20 e 0,60) são o cenário ideal para justificar a MANOVA.

4. Linearidade entre pares de variáveis dependentes

A relação entre cada par de VDs deve ser aproximadamente linear dentro de cada grupo — verificável através de diagramas de dispersão por grupo.

5. Ausência de outliers multivariados

Utilize a distância de Mahalanobis para identificar casos que se desviam do centróide multivariado do seu grupo, mesmo que não sejam outliers em nenhuma variável isolada.

6. Independência das observações

Cada sujeito só pode contribuir com um conjunto de valores; desenhos com medidas repetidas exigem MANOVA de medidas repetidas ou modelos mistos, não a MANOVA fatorial standard.

Antes de correr qualquer uma destas verificações, garanta que a dimensão e o desenho da sua amostra foram definidos com critério — o guia sobre amostragem em investigação e como definir a amostra da tese explica os tipos de amostragem e as fórmulas de cálculo de dimensão amostral que sustentam um capítulo de metodologia defensável.

Como correr a MANOVA no SPSS

No SPSS, a MANOVA está disponível em Analyze > General Linear Model > Multivariate. Os passos essenciais:

1. Insira as suas variáveis dependentes na caixa “Dependent Variables” e o(s) fator(es) categórico(s) em “Fixed Factor(s)”.
2. Em “Options”, ative “Homogeneity tests” para obter o teste de Box’s M e “Descriptive statistics” para as médias por grupo.
3. Em “Post Hoc”, pode solicitar comparações univariadas por variável se o fator tiver mais de dois níveis.
4. No output, o SPSS apresenta automaticamente os quatro testes multivariados — Pillai’s Trace, Wilks’ Lambda, Hotelling’s Trace e Roy’s Largest Root — na tabela “Multivariate Tests”.
5. A tabela “Tests of Between-Subjects Effects” apresenta depois os resultados univariados por variável dependente, úteis para localizar onde reside o efeito global.

Se já trabalhou com análise de dados no SPSS noutras partes da tese, o fluxo de trabalho da MANOVA segue a mesma lógica de “General Linear Model” usada na ANOVA fatorial que já testou noutras análises, apenas com mais do que uma variável dependente inserida em simultâneo.

Como correr a MANOVA no R

No R, a função base é manova():

modelo <- manova(cbind(dv1, dv2, dv3) ~ fator, data = dados)
summary(modelo, test = "Wilks")
summary(modelo, test = "Pillai")
summary.aov(modelo)

O argumento test permite alternar entre Wilks’ Lambda, Pillai’s Trace, Hotelling-Lawley e Roy’s Root sem reajustar o modelo. Para testar os pressupostos, o pacote MVN fornece o teste de Mardia para normalidade multivariada, e o pacote biotools disponibiliza o teste de Box’s M para homogeneidade de covariâncias. Comparado com o fluxo de trabalho em R ou Python que já usa noutras análises quantitativas da tese, a MANOVA não exige pacotes adicionais além dos que provavelmente já tem instalados para regressão e ANOVA.

Como interpretar Wilks’ Lambda, Pillai’s Trace e os outros testes multivariados

O output da MANOVA apresenta quatro estatísticas de teste multivariadas. Todas testam a mesma hipótese nula — de que os vetores de médias dos grupos são iguais — mas diferem na forma como combinam a informação das raízes características (eigenvalues) da matriz de dispersão.

• Wilks’ Lambda (Λ): é a estatística mais utilizada e mais fácil de interpretar. Varia entre 0 e 1; valores próximos de 0 indicam que o fator explica uma proporção elevada da variância multivariada, enquanto valores próximos de 1 indicam pouco ou nenhum efeito. É a escolha recomendada por omissão quando os pressupostos (normalidade e homogeneidade de covariâncias) estão razoavelmente satisfeitos.
• Pillai’s Trace: é a estatística mais robusta a violações de normalidade multivariada e a desigualdades no tamanho dos grupos, sendo geralmente a mais indicada quando o teste de Box’s M é significativo ou os grupos têm dimensões muito diferentes.
• Hotelling-Lawley Trace: tende a convergir com o Wilks’ Lambda em amostras grandes e é menos utilizado em teses por não oferecer vantagem interpretativa clara sobre os dois anteriores.
• Roy’s Largest Root: baseia-se apenas na primeira raiz característica, sendo o mais poderoso quando existe uma única dimensão de diferenciação entre grupos, mas também o mais sensível a violações de pressupostos — usar com cautela.

Na prática, se o Wilks’ Lambda e o Pillai’s Trace convergirem na mesma conclusão (ambos significativos ou ambos não significativos), a decisão é simples. Quando divergem, isso é normalmente sinal de violação de pressupostos, e deve reportar-se a estatística mais robusta ao problema identificado — geralmente o Pillai’s Trace.

Effect size: o eta quadrado parcial

O tamanho de efeito multivariado mais reportado é o eta quadrado parcial (η²p), calculado a partir do Wilks’ Lambda como η²p = 1 − Λ. Interpreta-se como a proporção de variância multivariada explicada pelo fator. Seguindo as convenções de Cohen, valores próximos de 0,01 correspondem a um efeito pequeno, cerca de 0,06 a um efeito médio, e a partir de 0,14 a um efeito grande. Estas referências são convenções gerais, não limiares rígidos — devem sempre ser interpretadas à luz da área disciplinar e da literatura prévia sobre o mesmo construto.

Depois da MANOVA significativa: análises post-hoc

Um resultado multivariado significativo diz apenas que existe uma diferença global entre grupos no conjunto das variáveis dependentes — não diz em qual delas. Depois de confirmar a significância global, os dois caminhos mais aceites na literatura metodológica são:

1. ANOVAs univariadas de seguimento em cada variável dependente, com correção de Bonferroni para o número de VDs testadas (por exemplo, dividir 0,05 pelo número de variáveis para obter o alfa ajustado).
2. Análise discriminante, que identifica a combinação linear de variáveis dependentes que melhor discrimina os grupos, revelando qual variável tem maior peso na diferenciação.

A escolha entre estas duas abordagens deve ser justificada na secção de metodologia da tese: as ANOVAs univariadas são mais simples de comunicar a um júri não especializado em estatística multivariada, enquanto a análise discriminante oferece uma leitura mais fina da estrutura multivariada dos dados, alinhada com a lógica que já usou se aplicou análise fatorial ou modelos de equações estruturais noutras secções quantitativas da tese.

Como reportar a MANOVA em APA 7

O modelo padrão de reporte em APA 7 para o resultado global da MANOVA é:

Depois do resultado global, reporte as ANOVAs univariadas de seguimento (com o alfa ajustado, se aplicável) e, se relevante, os resultados da análise discriminante. Inclua sempre uma tabela com as médias e desvios-padrão por grupo para cada variável dependente — é o elemento que mais frequentemente falta nos capítulos de resultados revistos por orientadores.

Erros mais comuns na tese

• Usar MANOVA sem justificação teórica para agrupar as variáveis dependentes — o júri vai perguntar porque é que essas variáveis foram combinadas e não analisadas separadamente.
• Não reportar o teste de Box’s M nem discutir as suas implicações na escolha entre Wilks’ Lambda e Pillai’s Trace.
• Interpretar o resultado global como suficiente, sem avançar para as análises univariadas ou discriminantes que localizam o efeito.
• Confundir MANOVA com MANCOVA — esta última inclui covariáveis contínuas de controlo, exigindo ainda a verificação de homogeneidade dos declives de regressão.
• Ignorar outliers multivariados detetados apenas pela distância de Mahalanobis, mesmo que nenhuma variável isolada apresente valores extremos.

Perguntas frequentes