Métodos quantitativos para avaliar os lucros das empresas

Métodos quantitativos


A pesquisa quantitativa refere-se à investigação empírica sistemática de fenômenos sociais por meio de técnicas estatísticas, matemáticas ou computacionais. O objetivo da pesquisa quantitativa é desenvolver e empregar modelos matemáticos, teorias e / ou hipóteses relativas a fenômenos. O processo de medição é central para a pesquisa quantitativa porque fornece a conexão fundamental entre observação empírica e expressão matemática de relações quantitativas. Dados quantitativos são quaisquer dados que estejam em formato numérico, como estatísticas, porcentagens, etc. Em termos leigos, isso significa que o pesquisador quantitativo faz uma pergunta específica e restrita e coleta uma amostra de dados numéricos dos participantes para responder à pergunta. O pesquisador analisa os dados com a ajuda de estatísticas. O pesquisador espera que os números produzam um resultado imparcial que possa ser generalizado para uma população maior. A pesquisa qualitativa , por outro lado, faz perguntas amplas e coleta dados de palavras dos participantes. O pesquisador procura temas e descreve as informações em temas e padrões exclusivos para esse conjunto de participantes.
A pesquisa quantitativa é geralmente feita usando métodos científicos, que podem incluir:

  • A geração de modelos, teorias e hipóteses
  • O desenvolvimento de instrumentos e métodos de medição
  • Controle experimental e manipulação de variáveis
  • Coleta de dados empíricos
  • Modelagem e análise de dados

Métodos quantitativos:

  • Estatísticas Confirmatórias: As técnicas discutidas nesta seção são métodos estatísticos clássicos, ao contrário das técnicas de EDA. A EDA e as técnicas clássicas não são mutuamente exclusivas e podem ser usadas de forma complementar. Por exemplo, a análise pode começar com algumas técnicas gráficas simples, como como os 4-plot seguidos pelos métodos confirmatórios clássicos discutidos aqui para fornecer declarações mais rigorosas sobre as conclusões. Se os métodos clássicos produzem conclusões diferentes da análise gráfica, então algum esforço deve ser investido para explicar por quê. Muitas vezes, isso é uma indicação de que algumas das suposições das técnicas clássicas são violadas.

Muitas das técnicas quantitativas se dividem em duas grandes categorias:

  1. Estimativa de intervalo
  2. Testes de hipóteses
  • Estimativas de Intervalo É comum nas estatísticas estimar um parâmetro a partir de uma amostra de dados. O valor do parâmetro usando todos os dados possíveis, não apenas os dados da amostra, é chamado de parâmetro de população ou valor verdadeiro do parâmetro. Uma estimativa do valor real do parâmetro é feita usando os dados da amostra. Isso é chamado de estimativa pontual ou estimativa de amostra.

Por exemplo, a medida de localização mais usada é a média. A população, ou verdadeira, média é a soma de todos os membros da população dada dividida pelo número de membros na população. Como é tipicamente impraticável medir cada membro da população, uma amostra aleatória é retirada da população. A média da amostra é calculada somando os valores na amostra e dividindo pelo número de valores na amostra. Essa média amostral é então usada como a estimativa pontual da média populacional.
As estimativas de intervalo expandem as estimativas pontuais, incorporando a incerteza da estimativa pontual. No exemplo da média acima, diferentes amostras da mesma população gerarão valores diferentes para a média da amostra. Uma estimativa de intervalo quantifica essa incerteza na estimativa da amostra, computando valores mais baixos e mais altos de um intervalo que, com um dado nível de confiança (isto é, probabilidade), contém o parâmetro da população.

  • Testes de Hipóteses: testes de hipóteses também abordam a incerteza do estimativa da amostra. No entanto, em vez de fornecer um intervalo, um teste de hipótese tenta refutar uma declaração específica sobre um parâmetro de população com base nos dados de amostra. Por exemplo, a hipótese pode ser uma das seguintes:
  1. a média da população é igual a 10
  2. o desvio padrão da população é igual a 5
  3. os meios de duas populações são iguais
  4. os desvios padrão de 5 populações são iguais

Rejeitar uma hipótese é concluir que ela é falsa. No entanto, aceitar uma hipótese não significa que seja verdade, apenas que não temos evidência para acreditar de outra forma. Assim, os testes de hipótese são geralmente declarados em termos de uma condição que é duvidada (hipótese nula) e uma condição que se acredita (hipótese alternativa).
Um formato comum para um teste de hipótese é:

H0: Uma afirmação da hipótese nula, por exemplo, duas médias populacionais são iguais.
Ha: Uma afirmação da hipótese alternativa, por exemplo, duas médias populacionais não são iguais.
Estatística de teste: A estatística de teste é baseada no teste de hipóteses específico.
Nível de significância: O nível de significância define a sensibilidade do teste. Um valor de = 0,05 significa que inadvertidamente rejeitamos a hipótese nula em 5% do tempo quando é verdade. Isso também é chamado de erro do tipo I. A escolha é um pouco arbitrária, embora na prática valores de 0,1, 0,05 e 0,01 sejam comumente usados.
A probabilidade de rejeitar a hipótese nula quando ela é de fato falsa é chamada de poder do teste e é denotada por 1 -. Seu complemento, a probabilidade de aceitar a hipótese nula quando a hipótese alternativa é, de fato, verdadeira (erro tipo II), é chamada e só pode ser computada para uma hipótese alternativa específica.
Região crítica: A região crítica engloba os valores da estatística de teste que levam a uma rejeição da hipótese nula. Com base na distribuição da estatística de teste e no nível de significância, um valor de corte para a estatística de teste é calculado. Valores acima ou abaixo ou ambos (dependendo da direção do teste) este ponto de corte define a região crítica.

  • Significado prático versus estatístico: É importante distinguir entre significância estatística e significado prático. Significância estatística significa simplesmente que rejeitamos a hipótese nula. A capacidade do teste em detectar diferenças que levam à rejeição da hipótese nula depende do tamanho da amostra. Por exemplo, para uma amostra particularmente grande, o teste pode rejeitar a hipótese nula de que duas médias de processo são equivalentes. No entanto, na prática, a diferença entre os dois meios pode ser relativamente pequena, a ponto de não ter nenhum significado real de engenharia. Da mesma forma, se o tamanho da amostra for pequeno, uma diferença que seja grande em termos de engenharia pode não levar à rejeição da hipótese nula. O analista não deve apenas aplicar cegamente os testes, mas deve combinar o julgamento de engenharia com a análise estatística
  • Estimativas de incerteza de bootstrap Em alguns casos, é possível derivar matematicamente intervalos de incerteza apropriados. Isto é particularmente verdadeiro para intervalos baseados na suposição de uma distribuição normal. No entanto, há muitos casos em que não é possível derivar matematicamente a incerteza. Nesses casos, o bootstrap fornece um método para determinar empiricamente um intervalo apropriado.


Alguns dos mais comuns técnicas quantitativas clássicas estão listadas abaixo:

  • Localização
  • Medidas de localização
  • Limites de Confiança para o Teste t de Média e uma Amostra
  • Teste t de duas amostras para meios iguais
  • Uma análise de fator de variação
  • Análise de Variância Multifator
  • Escala (ou variabilidade ou spread)
  • Medidas de Escala
  • Teste de Bartlett
  • Teste Qui-Quadrado
  • F-teste
  • Teste de Levene
  • Assimetria e Curtose
  • Medidas de assimetria e curtose
  • Aleatoriedade
  • Autocorrelação
  • Teste de Execução
  • Medidas de distribuição
  • Teste de Anderson-Darling
  • Teste de bondade do qui-quadrado
  • Teste de Kolmogorov-Smirnov
  • Outliers
  • Detecção de Outliers
  • Teste de Grubbs
  • Teste de Tietjen-Moore
  • Teste de desvio extremo generalizado
  • Projetos fatorial de 2 níveis
  • Algoritmo de Yates

Recommended articles for you

Time Value of Money Quantitative Methods (CFA Level I)

Article

Hypothesis Testing - CFA Level - I

Article

The Difference Between Data Mining and Statistics

Article

{{detail.h1_tag}}

{{detail.display_name}}
{{author.author_name}} {{author.author_name}}

{{author.author_name}}

{{detail.full_name}}

Published on {{detail.created_at| date}} {{detail.duration}}

  • {{detail.date}}
  • Views {{detail.downloads}}
  • {{detail.time}} {{detail.time_zone_code}}

Registrants:{{detail.downloads}}

Downloaded:{{detail.downloads}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Webinar'}}

Hosted By

Profile

{{author.author_name}}

{{author.author_name}}

{{author.about_author}}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook' }}

About the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook' }}

View {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

Webcast

Register Now!

Download the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook'}}!

First Name*
Last Name*
Email*
Company*
Phone Number*

View {{detail.about_title && detail.about_title != null ? detail.about_title : 'On-Demand Webinar'}}

Webcast

Register Now!

{{detail.about_title && detail.about_title != null ? detail.about_title : 'Webinar'}} Expired

Download the {{detail.about_title && detail.about_title != null ? detail.about_title : 'Ebook'}}

Email
{{ queryPhoneCode }}
Phone Number

Show full article video

Name Date Place
{{classRoomData.Date}} {{classRoomData.Place}} View Details

About the Author

{{detail.author_biography}}

About the Author

{{author.about_author}}

Recommended articles for you

{{ article.title }}

Article