Regressão Hierárquica por Blocos: Provar que a Sua Variável Acrescenta Alguma Coisa aos Controlos (2026)

A pergunta que a sua hipótese faz raramente é «esta variável prevê aquela». É quase sempre outra, mais exigente: «esta variável ainda prevê aquela depois de descontar a idade, o sexo, a escolaridade e tudo o resto que já se sabe que interessa?»

A regressão hierárquica responde exactamente a isso. Entra os preditores em blocos por ordem definida por si, e reporta quanta variância cada bloco acrescenta ao anterior. O número que sai — a variação do R² e o seu teste F — é a prova que o júri procura.

Hierárquica não é stepwise — e a confusão é cara

São dois procedimentos com nomes parecidos e lógicas opostas. Vale a pena fixar a diferença antes de tocar no software, porque trocá-los na escrita é um erro que se paga na defesa.

A regressão hierárquica é confirmatória porque a ordem é uma decisão teórica sua, tomada e registada antes da análise. É por isso que produz um teste interpretável — e é por isso que a selecção automática, que figura entre os erros de análise de dados que reprovam teses, não produz: o modelo que devolve foi escolhido para caber nesta amostra.

Como se ordenam os blocos

A convenção, que serve a maioria das teses:

1. Bloco 1 — variáveis de controlo. Sociodemográficas e tudo o que a literatura já estabeleceu como associado à variável dependente. É o que quer «descontar».
2. Bloco 2 — os preditores de interesse. As variáveis que a sua hipótese nomeia.
3. Bloco 3 — termos de interacção, se testa moderação. Sempre depois dos efeitos principais que os compõem.

Três princípios de ordenação, por ordem de prioridade quando entram em conflito:

• Precedência causal ou temporal. O que vem antes na cadeia entra antes. A idade precede o rendimento, que precede a satisfação com o trabalho.
• Estatuto teórico. O que já está estabelecido entra antes do que está em teste.
• A hipótese que quer testar. A variável de interesse deve ser a última a entrar, para que o acréscimo que produz seja atribuível apenas a ela.

A regra que não pode quebrar: a ordem decide-se antes de ver os resultados. Reordenar blocos até o acréscimo ficar significativo é selecção de resultados com outro nome — e uma tese que descreve uma ordem teórica que claramente foi encontrada por tentativa e erro é fácil de detectar.

Fazê-lo no SPSS

1. Analisar > Regressão > Linear (Analyze > Regression > Linear).
2. Coloque a variável dependente na sua caixa. Na caixa dos independentes, ponha apenas os preditores do Bloco 1.
3. Clique em «Seguinte» (Next), por cima da caixa dos independentes. O rótulo passa a «Bloco 2 de 2» e a caixa esvazia. Coloque aí os preditores do Bloco 2. Repita para cada bloco adicional.
4. Em Estatísticas, marque «Alteração de R quadrado» (R squared change). Sem esta caixa, o output não traz o número que veio buscar. Marque também Estimativas, Ajustamento do modelo, Descritivas, Diagnósticos de colinearidade e Durbin-Watson.
5. Em Gráficos, peça o gráfico dos resíduos padronizados contra os valores previstos, para a verificação de pressupostos.

No R, o equivalente é ajustar dois modelos aninhados com lm() e compará-los com anova(modelo1, modelo2), que devolve o teste F da diferença — matematicamente o mesmo teste que o SPSS chama «alteração de F».

Ler o output: só três números interessam

A tabela Resumo do modelo traz uma linha por bloco. Nela procure:

• ΔR² (alteração de R quadrado) — a proporção adicional de variância explicada pelo bloco. É a medida do efeito e o número que a sua hipótese realmente previa.
• Alteração de F e a sua significância — o teste de que esse acréscimo difere de zero. Se p < 0,05, o bloco acrescenta algo estatisticamente detectável.
• R² ajustado do modelo final — para julgar se o modelo completo tem preditores a mais para a dimensão da amostra.

Na tabela Coeficientes, o SPSS mostra os coeficientes de cada modelo. Repare em como os coeficientes do Bloco 1 mudam quando o Bloco 2 entra: se um controlo perde muito peso, é sinal de que a sua variável de interesse partilha variância com ele — informação relevante para a discussão, não um problema a esconder.

Um ΔR² de 0,04 parece pequeno e frequentemente não é: significa que a sua variável explica 4 % da variação que sobrava depois de todos os controlos. Interprete-o com a referência de efeitos típicos na sua área, não com uma intuição sobre percentagens.

Quantos preditores cabem no modelo

Cada preditor consome graus de liberdade, e um modelo sobrecarregado ajusta-se ao ruído. A regra de referência mais citada é a de Green (1991), Multivariate Behavioral Research, 26(3), 499–510, que propõe dois mínimos, sendo m o número de preditores:

• N ≥ 50 + 8m para testar o modelo global (a correlação múltipla).
• N ≥ 104 + m para testar preditores individuais.

Com cinco preditores, isso dá 90 e 109 respectivamente — na prática, o maior dos dois. Mas leia a letra pequena, que quase todas as teses omitem: o próprio Green mostrou que a primeira regra produz valores demasiado grandes a partir de sete preditores, e que ambas assumem uma relação de magnitude média entre critério e preditores. Ele propôs, por isso, uma regra que incorpora a dimensão do efeito e defendeu que se usem métodos de cálculo baseados no efeito esperado.

Traduzindo para a sua tese: use as fórmulas como verificação rápida de sanidade, e faça o cálculo do tamanho da amostra com o G*Power como justificação a sério. E se citar Green, cite-o com a ressalva — é a diferença entre ter lido a fonte e ter copiado a regra.

Três erros que invalidam a comparação entre blocos

1. Amostras diferentes em blocos diferentes. Se um preditor do Bloco 2 tem valores em falta, a eliminação por lista reduz o N — e passa a comparar dois modelos estimados em amostras diferentes, o que torna o ΔR² não interpretável. Verifique que o N é idêntico em todos os modelos; se não for, trate os dados em falta antes, ou restrinja explicitamente a análise aos casos completos e diga-o.
2. Ler um ΔR² não significativo como «a variável não tem efeito». Significa que o acréscimo não é distinguível de zero com esta amostra e esta potência. Com 60 casos e quatro controlos, a potência para detectar um acréscimo pequeno é baixa. Reporte o ΔR² observado e a limitação de potência, em vez de afirmar ausência de efeito.
3. Ignorar a multicolinearidade entre blocos. Se a variável de interesse está muito correlacionada com os controlos, o acréscimo será pequeno por construção, e não porque a variável seja irrelevante. Verifique os indicadores de colinearidade e discuta a sobreposição conceptual. A mecânica geral está no guia de metodologia quantitativa avançada e a verificação dos restantes pressupostos no de pressupostos dos testes paramétricos.

Como reportar

Uma tabela e dois parágrafos.

A tabela tem uma coluna por modelo, os coeficientes não padronizados com erros-padrão e os betas padronizados, e no rodapé, por modelo: R², R² ajustado, ΔR², alteração de F com graus de liberdade e significância.

O texto:

«Realizou-se uma regressão hierárquica em dois blocos. No Bloco 1 entraram as variáveis de controlo (idade, sexo e anos de escolaridade), que explicaram 9,2 % da variância na [variável dependente], F(3, 196) = 6,63, p < 0,001. A introdução de [variável de interesse] no Bloco 2 produziu um acréscimo significativo de variância explicada, ΔR² = 0,061, ΔF(1, 195) = 14,21, p < 0,001, elevando o R² total para 0,153 (R² ajustado = 0,136). No modelo final, [variável de interesse] manteve-se como preditor significativo (β = 0,26, p < 0,001), o mesmo sucedendo com [controlo], enquanto [outro controlo] deixou de ser significativo.»

Está tudo lá: a ordem dos blocos, o que cada um explicou, o acréscimo com o seu teste, e o que aconteceu aos controlos. É a estrutura que responde à hipótese sem obrigar o leitor a reconstruir nada.

Perguntas frequentes

Quantos blocos devo usar?

Dois, na maioria das teses: controlos e variável de interesse. Três se testar moderação, com as interacções no último. Mais do que três raramente acrescenta clareza e multiplica os testes, aumentando a probabilidade de encontrar um acréscimo significativo por acaso.

Posso pôr várias variáveis no mesmo bloco?

Sim, e é o caso normal — o Bloco 1 costuma ter três ou quatro controlos. O ΔR² mede então o contributo conjunto do bloco. Se quer o contributo de cada variável isoladamente, ponha cada uma no seu bloco, sabendo que o resultado passa a depender da ordem que escolher entre elas.

O ΔR² é uma medida de tamanho do efeito?

É, e é a mais interpretável neste contexto. Pode convertê-lo no f² de Cohen para o comparar com convenções, mas reportar o ΔR² directamente é mais informativo para o leitor porque está na escala de proporção de variância.

E se o Bloco 2 melhorar o R² mas nenhum coeficiente for significativo?

É o padrão típico de multicolinearidade dentro do bloco: as variáveis explicam algo em conjunto, mas repartem a variância entre si de tal forma que nenhuma se destaca individualmente. Verifique as correlações entre elas e considere combiná-las numa medida compósita, se fizer sentido teórico.

Posso fazer regressão hierárquica com uma variável dependente binária?

Pode: na regressão logística o SPSS oferece a mesma estrutura de blocos. O que muda é a estatística de comparação — em vez do ΔR² e do teste F, usa-se a diferença de qui-quadrado entre os modelos e um pseudo-R², que não tem a mesma leitura.

A ordem dos blocos altera os resultados?

Altera o ΔR² de cada bloco, sim, sempre que os preditores estejam correlacionados entre si — a variância partilhada é atribuída a quem entra primeiro. Os coeficientes do modelo final, esses, são idênticos independentemente da ordem. É exactamente por isto que a ordem tem de ser justificada teoricamente e fixada antes.

Preciso de reportar os modelos intermédios?

Sim. O interesse de uma regressão hierárquica está precisamente na comparação; apresentar só o modelo final desperdiça o procedimento e impede o leitor de ver o que mudou. Uma tabela com uma coluna por modelo resolve isto sem ocupar espaço adicional.

Isto é a mesma coisa que um modelo hierárquico ou multinível?

Não, e a coincidência de nomes causa confusão frequente. A regressão hierárquica é uma estratégia de entrada de preditores numa regressão comum. Um modelo multinível é um modelo diferente, para dados em que os casos estão agrupados. Pode até precisar dos dois em simultâneo — entrada por blocos dentro de um modelo multinível — mas são coisas distintas e não devem ser descritas com a mesma palavra sem qualificação.

Escreva o resultado com o acréscimo já interpretado

O ΔR² é fácil de obter e difícil de escrever bem: exige articular a ordem teórica dos blocos, o valor do acréscimo, o seu teste e o que aconteceu aos controlos, tudo em dois parágrafos que respondem à hipótese. O Tesify ajuda-o a justificar a ordem dos blocos no método e a redigir o parágrafo de resultados com todos os elementos no sítio certo. Comece gratuitamente.