Variáveis Categóricas na Regressão da Tese: Variáveis Dummy e Categoria de Referência (2026)

Tem uma variável chamada «área de formação» codificada de 1 a 5 — Saúde, Educação, Engenharia, Gestão, Artes. Arrasta-a para a caixa dos preditores no SPSS, corre a regressão e sai um coeficiente. Um só. E esse coeficiente diz, literalmente, quanto muda a variável dependente por cada aumento de uma unidade na área de formação: de Saúde para Educação, de Educação para Engenharia, e por aí fora, todos com o mesmo valor.

Não faz sentido, e o resultado é inutilizável. O problema é que o SPSS não protesta: trata os códigos numéricos como uma escala contínua, corre o modelo e devolve números. Este guia resolve o problema em três passos — perceber porquê, criar as variáveis dummy corretamente e interpretar o que sai.

Porque é que os códigos numéricos não servem

Um coeficiente de regressão traduz-se sempre na mesma frase: «por cada unidade a mais em X, Y muda em b unidades». Essa frase exige que as unidades de X sejam iguais entre si e ordenadas. Numa variável nominal, os códigos 1, 2, 3, 4 e 5 são etiquetas: não há distância entre Saúde e Educação, nem faz sentido dizer que Engenharia é «duas unidades» acima de Saúde.

Ao forçar uma variável nominal como preditor contínuo, está a impor ao modelo uma restrição arbitrária: que o efeito de passar de qualquer categoria à seguinte é sempre o mesmo, e que a ordem alfabética ou de digitação tem significado substantivo. O modelo estima, mas o número não responde a nenhuma pergunta.

A solução é dizer ao modelo o que a variável realmente é: um conjunto de contrastes entre grupos. É isso que as variáveis dummy fazem.

Quantas dummies criar (e a armadilha da colinearidade)

Uma variável dummy é binária: vale 1 se o caso pertence à categoria e 0 se não pertence. Com cinco áreas de formação criam-se, à primeira vista, cinco dummies. Mas só quatro entram no modelo.

A razão é aritmética. Se souber que um caso tem 0 em «Educação», 0 em «Engenharia», 0 em «Gestão» e 0 em «Artes», então sabe com certeza que é de Saúde. A quinta dummy é perfeitamente previsível a partir das outras quatro mais a constante — é redundância total, conhecida como armadilha das variáveis dummy. Incluí-la torna a matriz não invertível; o SPSS resolve o problema removendo silenciosamente uma delas do output, o que costuma gerar o pânico de «desapareceu uma variável».

Uma variável binária como o sexo já é, na prática, uma dummy: basta recodificá-la para 0 e 1 e entra diretamente. É por isso que uma variável dicotómica não levanta este problema.

Escolher a categoria de referência

A escolha não altera o ajustamento global do modelo — R², F e valores previstos são idênticos — mas altera todos os coeficientes e todos os valores-p das dummies, porque muda aquilo com que cada grupo é comparado. É, portanto, uma decisão de comunicação, e tem de ser justificada.

• Categoria teoricamente natural. Num estudo sobre o efeito de uma intervenção, a referência é o grupo sem intervenção. Numa comparação de modalidades de ensino, é o ensino presencial. Esta é sempre a melhor opção quando existe.
• Categoria mais numerosa. Na ausência de razão teórica, o grupo maior dá estimativas mais estáveis e erros-padrão menores para todos os contrastes.
• Nunca a categoria mais pequena. Comparar tudo contra um grupo de nove casos infla os erros-padrão de todos os coeficientes e produz uma tabela em que nada é significativo — não porque não haja diferenças, mas porque a régua é má.

Escreva uma frase na secção de análise de dados: «A área da Saúde, por ser a mais representada na amostra (n = 142), foi definida como categoria de referência.» É uma linha que fecha uma pergunta previsível da arguição.

Criar as dummies no SPSS

Há três caminhos, do mais rápido ao mais manual:

1. Transformar → Criar variáveis dummy. Nas versões recentes do SPSS existe este comando dedicado: seleciona a variável categórica, define um prefixo para o nome (por exemplo area_) e o programa gera todas as dummies de uma vez. Depois é você que decide qual delas não incluir no modelo — o comando cria as k, não as k−1.
2. Transformar → Recodificar em variáveis diferentes. O caminho clássico, repetido uma vez por categoria: valor antigo 2 → novo valor 1, «todos os outros valores» → 0. Mais lento, mas disponível em qualquer versão.
3. Sintaxe. Uma linha por dummy, do tipo COMPUTE d_educacao = (area = 2). EXECUTE. É o método reprodutível: guarda o ficheiro de sintaxe e a criação das variáveis fica documentada. Se ainda não usa sintaxe, o nosso tutorial de análise de dados no SPSS mostra como guardar e voltar a correr um ficheiro de comandos.

Cuidado com os valores em falta: se um caso não tem área de formação registada, uma recodificação descuidada atribui-lhe 0 em todas as dummies e transforma-o silenciosamente num caso da categoria de referência. Defina os omissos como omissos antes de recodificar — ver como lidar com os dados em falta.

Nota útil: em procedimentos como a regressão logística binária, o SPSS aceita a variável categórica diretamente através do botão Categórica, onde se escolhe o contraste e se define a referência como primeira ou última categoria. Na regressão linear do menu, não — aí tem de criar as dummies à mão. Sobre o procedimento logístico, veja o guia de regressão logística na tese.

Interpretar cada coeficiente

Com dummies no modelo, a leitura muda de natureza. Cada coeficiente não é uma inclinação: é uma diferença de médias ajustada entre aquela categoria e a categoria de referência, mantendo constantes os restantes preditores.

• Constante. Passa a ser o valor previsto de Y para um caso da categoria de referência com todos os preditores contínuos iguais a zero. Se centrou os contínuos na média, é o valor previsto para a referência num caso médio — uma leitura muito mais útil.
• b da dummy «Educação» = 0,42; p = 0,003. Lê-se: os participantes da área de Educação apresentam, em média, mais 0,42 pontos na variável dependente do que os da Saúde, controlando os restantes preditores.
• Um coeficiente não significativo não significa que aquela categoria não difira de nenhuma outra — significa apenas que não difere da referência. Educação e Artes podem diferir entre si mesmo que ambas não difiram da Saúde.

Essa última alínea é a origem da pergunta clássica do júri: «e a diferença entre Educação e Artes?». Duas respostas legítimas: (1) correr novamente o modelo com outra categoria de referência, o que gera esse contraste diretamente e não altera o ajustamento; (2) testar as diferenças entre grupos com uma ANOVA e comparações par a par corrigidas, reportando-a em paralelo. A primeira é mais elegante e mantém os controlos do modelo.

Casos especiais: ordinais, escalas de Likert e interações

Variáveis ordinais. Grau académico (licenciatura, mestrado, doutoramento) ou escalões etários têm ordem, mas não distâncias iguais. Duas opções defensáveis: tratar como contínua, assumindo explicitamente linearidade e dizendo-o na tese; ou usar dummies, que não impõem nenhuma forma. Truque prático: corra as duas versões — se as dummies mostrarem um padrão aproximadamente linear nos coeficientes, a versão contínua é defensável e poupa graus de liberdade.

Categorias com poucos casos. Um grupo com seis participantes produz um coeficiente instável e um erro-padrão enorme. Agregue categorias com base teórica, nunca com base no resultado, e descreva a agregação no texto.

Interações com dummies. Para testar se o efeito de um preditor contínuo difere entre categorias, multiplique cada dummy pelo preditor (centrado) e inclua todos os produtos. É uma moderação por variável categórica — a lógica, os efeitos condicionais e o reporte estão no guia sobre mediação ou moderação com o PROCESS.

Colinearidade. Dummies do mesmo conjunto estão sempre negativamente correlacionadas entre si; isso é normal e não é o problema que o VIF procura. Preocupe-se se uma dummy estiver muito correlacionada com um preditor de outro conjunto — por exemplo, se quase todos os engenheiros forem homens. Os diagnósticos de colinearidade e os restantes pressupostos do modelo estão em como verificar os pressupostos dos testes paramétricos.

Como reportar na tese

Na secção de análise de dados, uma frase que identifique o conjunto e a referência. Na tabela de resultados, cada dummy numa linha própria, com o nome legível («Área: Educação») e uma nota de rodapé com a categoria de referência. Exemplo do texto corrido:

«A área de formação foi incluída no modelo através de quatro variáveis indicadoras, tendo a área da Saúde (n = 142, a mais representada) sido definida como categoria de referência. Controlando a antiguidade e a dimensão da organização, os participantes da área de Educação apresentaram valores significativamente mais elevados de satisfação do que os da Saúde (b = 0,42; EP = 0,14; p = 0,003), não se registando diferenças significativas para as áreas de Engenharia, Gestão e Artes.»

A tabela segue as convenções gerais de tabelas e figuras em normas APA, e a decisão sobre o que fica no corpo do texto e o que vai para anexo está em como escrever o capítulo de resultados.

Perguntas frequentes