o público errou

 

 

 

Este post é de 24 de Setembro de 2012.

É impressionante como se esfumou o argumento que o MEC

usava para disfarçar os cortes a eito no sistema escolar.

 

O que sobra é uma falta de respeito pela escola pública,

pelos seus profissionais, alunos e encarregados de educação,

que me leva a repetir a interrogação:

"mas estas pessoas nunca mais são elevadas para uma qualquer fundação?"

 

Pede-me, o blogger Pedro Peixoto, que divulgue esta nota do Público que dá conta de um erro em relação às declarações de Nuno Crato sobre a redução de alunos. Ou seja: se a quebra de 200 mil alunos é referente a adultos, o argumento não podia ser usado para justificar os cortes; como o Público salienta na nota. Até já cansa um bocado escrever sobre isto e vou ver se arranjo fôlego.

Não sei quem é que tratou os dados. O que sei é que é hoje comum aplicar um modelo de regressão linear múltipla que melhor se ajuste aos dados em questão (aconselho a conhecida aplicação SPSS da IBM).

Se se estabelecer a redução de professores (y) como a variável dependente, podemos introduzir as seguintes variáveis independentes: aumento do número de alunos por turma (x₁), aumento da componente lectiva dos professores (x₂), agregações de escolas (x₃), nova estrutura curricular (x₄), diminuição da natalidade (x₅), alteração nos fluxos migratórios (x₅) e diminuição do número de alunos por eliminação do programa novas oportunidades (x₆).

 

Se pretendermos saber a influência que as variáveis independentes tiveram na variável dependente, o SPSS nos dirá, nas tabelas de coefficients e ANOVA, e através da aceitação ou rejeição das hipóteses nula e alternativa e na significação global do modelo, que o modelo está situado bem à direita e rejeita a hipótese nula, portanto, existirá pelo menos um B=0 e uma relação linear entre a variável dependente e algumas das variáveis independentes seleccionadas.

 

O estudo do coeficiente de determinação permitirá perceber que o modelo explica mais de 98% dos casos de redução de professores o que será considerado muito bom.

 

Da análise individual dos parâmetros concluir-se-á que a variável independente x₆ (diminuição do número de alunos por eliminação do programa novas oportunidades) aceita h₀ e que, portanto, não influencia a variável dependente e que poderia ser retirada do modelo.

 

Também as variáveis, diminuição da natalidade (x₅) e alteração nos fluxos migratórios (x₅) aceitarão h₀ e não influenciarão a variável dependente e poderiam ser retiradas do modelo e incluídas num modelo de regressão linear múltipla que tenha como objectivo perceber o que se vai passar em 2020, sendo seguro que as conclusões não acompanharão as epifanias de Passos Coelho quando remete para 2027 ou 2032 a possibilidade de sairmos da zona de empobrecimento. 

 

Importa referir que a utilização do modelo de regressão linear múltipla requer a verificação de alguns pressupostos.

1. Pressuposto: se a distribuição dos erros é normal;


2. Pressuposto: se os erros são variáveis aleatórias de média zero;


3. Pressuposto: se os erros são variáveis aleatórias de variância constante – homocedasticidade -;


4. Pressuposto: se as variáveis aleatórias dos erros são independentes;


5. Pressuposto: se as variáveis independentes estudadas no modelo são não correlacionais – ausência de multicolinearidade -.

 

É também comum aplicar-se o teste de Durbin Watson (d^*) para avaliar a veracidade da independência dos erros, ou seja, a sua auto-correlação ou de primeira ordem. Se os erros forem independentes não influenciam o valor do erro seguinte e nesse sentido a correlação entre erros sucessivos é nula. Seria natural que o estudo do d^* aceitaria h₀ como significado de que era conclusivo e que não existiria auto-correlação entre as variáveis do modelo.

 

Da matéria estudada também se observaria que a matriz das variáveis independentes permitia concluir que o módulo dos coeficientes de correlação e a respectiva dependência linear eram relevantes e que os valores eram inferiores a 0,8; portanto, não se verificava o problema da multicolinearidade.