Universidade Federal da Paraíba – UFPB
Centro de Ciências Sociais Aplicadas - CCSQA
Programa de Pós-Graduação em Administração – PPGA
PLANO DE DISCIPLINA
MODELOS MULTIVARIADOS EM MARKETING
Professor: Francisco José da Costa
Titulação: Doutor em administração
Contatos: Emails – [email protected]; Site – www.meqad.com; Celular – 88036718
Créditos/Nº aulas: 3 créditos/ 45 horas-aula
Dias e horário: Sextas-feiras, das 14:00 às 18:00
Competência de formação: Metodologia
Natureza: Disciplina eletiva de linha
Ementa:
Métodos quantitativos em marketing: fundamentos históricos e contexto disciplinar; temas modernos de analise de dados; análise inicial de dados: vícios de respostas, missing values e outliers; modelos lineares aplicados
à pesquisa de marketing.
Apresentação:
A disciplina tem a finalidade desenvolver competências de análise de dados em pesquisas quantitativas
em marketing, a partir da identificação e manuseio de técnicas aplicáveis a diferentes problemas de pesquisa
acadêmica e profissional. O curso prioriza técnicas que demarquem tendência de uso em pesquisa de marketing, sendo dado um foco em modelos lineares complementares ao modelo clássico de modelagem normal
linear. De modo enfático, serão abordados conteúdos de análise paramétrica clássica, porém com avaliações e
aplicações de modelagens alternativas e complementares.
A disciplina tem finalidade aplicada, de modo que serão apresentados conteúdos formais somente no
limite necessário para compreensão das ferramentas. Todas as técnicas serão operacionalizadas com pacotes
estatísticos, com prioridade no pacote R.
Ao final da disciplina, é esperado que o estudante tenha acumulado competência de compreensão e de
manuseio de alguns métodos de pesquisa mais sofisticados, com uso prioritário para pesquisas de marketing,
mas com aplicação em pesquisas de outros campos tradicionais da pesquisa em Administração.
Unidade
I
II
III
Objetivo
• Desenvolver uma visão global da pesquisa
quantitativa em marketing.
• Analisar alternativas e tendências de análise
exploratória inicial de dados.
• Desenvolver conhecimentos e habilidades de
compreensão e aplicação de modelos lineares em pesquisas de marketing.
Conteúdo
• Visão global da pesquisa quantitativa: desafios centrais e tendências
• Modelos convencionais e alternativos de
análise inicial de dados
• Visão geral da modelagem linear, seus pressupostos e procedimentos centrais
• Modelos lineares específicos
Avaliação:
A atribuição de notas aos alunos regularmente matriculados na disciplina será baseada nos seguintes
critérios: (1) participação nas aulas e/ou apresentação de um dos conteúdos ou textos – peso 2; (2) trabalho final, na forma de projeto de modelagem – peso 4; (3) provas – peso 4.
Sobre este segundo ponto da avaliação (trabalho final), é possível que o trabalho seja desenvolvido com
base na proposta de dissertação ou tese do estudante, ou seja, caso o estudante venha a utilizar em sua dissertação ou tese um modelo ser ajustado, a exposição do procedimento pode representar o trabalho final da disciplina. Alternativamente, é possível o desenvolvimento direto ou a participação em algum projeto de pesquisa
associado ao tema que gerem um artigo ao final. Os detalhes dependerão de cada projeto.
Bibliografia básica
• AGUINIS, H.; EDWARDS, J. R. Methodological wishes for the next decade and how to make wishes come
true. Journal of Management Studies, v. 51, n. 1, p. 143-174, jan. 2014.
• AGUINIS, H.; GOTTFREDSON, R. K.; JOO, H. Best-practice recommendations for defining, identifying, and
handling outliers. Organizational Research Methods, v. 16, n. 2, p. 270-301, 2013.
• AGUINIS, H; WERNER, S.; ABBOTT, J. L.; ANDERT, C.; PARK, J. H.; KOHLHAUEN, D. Customer-centric science: reporting significant research results with rigor, relevance, and practical impact in mind. Organizational Research Methods, v. 16, n. 3, p. 515-539, 2013.
• CORTINA J. M.; LANDIS, R. S. The earth is not round (p=.00). Organizational Research Methods, v. 14, n. 2,
p. 332-349, 2011.
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
CUMMING, G. The new statistics: why and how. Psychological Science, v. 25, n. 1, p. 7-29, 2014.
ERCEG-HURN, D. M.; MIROSEVICH, V. M. Modern robust statistical methods: an easy way to maximize
the accuracy and power of your research. American Psychologist, v. 63, n. 7, p. 591-601, oct. 2008.
FARAWAY, J. J. Extending linear models with R. Boca Raton, FL: Chapman & Hall/CRC, 2006.
FARAWAY, J. J. Linear models with R. Boca Raton, FL: Chapman & Hall/CRC, 2005.
HAIG, B. D. An abductive theory of scientific method. Psychological Methods, v. 10, n. 4, p. 371-388, 2005.
HAO, L.; NAIMAN, D. Q. Quantile regression. Thousand Oaks: Sage Publications, 2007.
HAUPT, H.; LÖSEL, F.; STEMMLER, M. Quantile regression analysis and other alternatives to ordinary
least squares regression: a methodological comparison on corporal punishment. Methodology: European
Journal of Research Methods for the Behavioral and Social Sciences, doi: 10.1027/1614-2241/a000077,
Sep 6, 2013.
KELLY, K.; PREACHER, K. J. On effect size. Psychological Methods, v. 17, n. 2, p. 137-152, 2012.
KLOKE, J. D.; MCKEAN, J. W. Rfit : Rank-based estimation for linear models. The R Journal, v. 4, p. 57–64,
2012.
KOSLOWSKY, S. The case of the missing data. Journal of Database Marketing, v. 9, n. 4, p. 312–319, 2002.
ORLITZKY, M. How can significance tests be deinstitutionalized? Organizational Research Methods, v. 15,
n. 2, p. 199-229, 2012.
RODGERS, J. L. The epistemology of mathematical and statistical modeling: a quit methodological revolution. American Psychologist, v. 65, n. 1, p. 1-12, jan. 2008.
SANTOS, B. R. Modelos de regressão quantílica. Dissertação (Mestrado em Estatística). Instituto de Estatística e Matemática da Universidade de São Paulo, São Paulo, 2012.
SHEATHER, S. J. A modern approach to regression with R. New York: Springer, 2009.
TSIKSRIKTSIS, N. A review of techniques for treating missing data in OM survey research. Journal of Operations Management, v. 24, p. 53–62, 2005.