Estudos em

de estudos
Psicologia
2002, 7 (Nmero
Especial), 19-29
Aplicaes da regresso mltipla
de psicologia
organizacional
19

Regresso mltipla stepwise e hierrquica em Psicologia

Organizacional: aplicaes, problemas e solues
Gardnia Abbad
Cludio Vaz Torres
Universidade de Braslia

Resumo
Este artigo discute algumas aplicaes das tcnicas de anlise de regresso mltipla stepwise e hierrquica, as quais so muito utilizadas em pesquisas da rea de Psicologia Organizacional. So discutidas algumas estratgias de identificao e de soluo de problemas relativos ocorrncia de erros do
Tipo I e II e aos fenmenos de supresso, complementaridade e redundncia nas equaes de regresso mltipla. So apresentados alguns exemplos de pesquisas nas quais esses padres de associao
entre variveis estiveram presentes e descritas as estratgias utilizadas pelos pesquisadores para
interpret-los. So discutidas as aplicaes dessas anlises no estudo de interao entre variveis e na
realizao de testes para avaliao da linearidade do relacionamento entre variveis. Finalmente, so
apresentadas sugestes para lidar com as limitaes das anlises de regresso mltipla (stepwise e
hierrquica).
Palavras-chave: Regresso mltipla stepwise e hierrquica, Supresso, Complementaridade, Redundncia, Interao, Psicologia Organizacional.

Abstract
Stepwise and hierarchical multiple regression in organizational psychology: Applications, problemas and solutions. This article discusses applications of stepwise and hierarchical multiple regression
analyses to research in organizational psychology. Strategies for identifying type I and II errors, and
solutions to potential problems that may arise from such errors are proposed. In addition, phenomena
such as suppression, complementarity, and redundancy are reviewed. The article presents examples of
research where these phenomena occurred, and the manner in which they were explained by researchers.
Some applications of multiple regression analyses to studies involving between-variable interactions
are presented, along with tests used to analyze the presence of linearity among variables. Finally,
some suggestions are provided for dealing with limitations implicit in multiple regression analyses
(stepwise and hierarchical).
Key words: Stepwise and hierarchical multiple regressions, Suppression, Complementarity, Redundancy, Organizational
Psychology.

presente artigo tem como objetivo discutir as principais aplicaes e problemas ligados ao uso da
anlise de regresso hierrquica e stepwise em Psicologia Organizacional. As pesquisas em Psicologia
Organizacional tm utilizado modelos multivariados para
examinar os complexos relacionamentos entre comportamentos e ambientes organizacionais. A multiplicidade de fatores
explicativos das principais variveis dependentes da rea,
como desempenho produtivo e atitudes do trabalhador, vem
obrigando os pesquisadores a realizarem pesquisas de cam-

po com delineamentos multivariados. Em reviso da literatura nacional sobre treinamento e desenvolvimento de pessoal, Borges-Andrade e Abbad (1996) encontraram que as
pesquisas sobre avaliao de treinamento tm utilizado modelos multivariados de investigao, muitas das quais utilizando anlises de Regresso Mltipla.
Pesquisas nacionais sobre comprometimento
organizacional (Bastos, 1994a; Bastos, 1994b; BorgesAndrade, 1994; Dias & Moraes, 1994), clima organizacional
(Sbraglia, 1983), levantamento de necessidades de treina-

20

G. Abbad & C. V. Torres

mento (Magalhes, 1996), cultura organizacional (Gomide

Jr., 1999), cidadania organizacional (Siqueira, 1995), tcnicas de anlise de necessidades de treinamento (BorgesAndrade & Lima, 1983) e avaliao de treinamento (Abbad,
1999; Leito, 1994; Paula, 1992) empregaram anlises de
Regresso Mltipla para descrever os relacionamentos entre as variveis estudadas. Nas pesquisas internacionais,
apesar de um notrio crescimento do interesse dos pesquisadores por tcnicas estatsticas sofisticadas como a Equao
Estrutural, observa-se o uso de Regresso Mltipla em
pesquisas sobre temas importantes da rea de comportamento
organizacional como comprometimento organizacional (Shadur,
Kienzle & Rodwell, 1999), avaliao de desempenho
(Schwarzwald, Koslowsky & Mager-Bibi, 1999) e comportamento gerencial (Krishnan & Park, 1998). Finalmente, na
rea de pesquisa intercultural, nota-se um movimento distinto
daquele que vem ocorrendo em outras reas, nas quais se
observa uma preferncia clara pela Regresso Mltipla e
pouco interesse pelo uso da Equao Estrutural. Exemplos
de pesquisas interculturais que utilizam a Regresso Mltipla envolvem os temas mais diversos, tais como liderana
internacional (Dorfman, 1996; Torres, 1999), estratgia e
estrutura organizacional (Adler, 1991; Boyacigiller & Adler,
1991), estudos sobre expatriados (Brislin, 1980), comportamento de grupos de trabalho (Cox, Lobel & McLeod, 1991),
entre outros.
Apesar da Regresso Mltipla ser uma prtica muito
difundida, no tem havido discusses detalhadas sobre os
problemas especficos do uso dessa tcnica nas pesquisas
em Psicologia Organizacional, tampouco artigos que apontem possveis solues para os problemas enfrentados pelo
pesquisador ao escolh-la. Exemplos destes problemas so
a ocorrncia de erros do Tipo I e II, fenmenos relativos ao
relacionamento entre os preditores (e.g., redundncia,
complementaridade, supresso) e aumento artificial dos coeficientes de regresso. Este artigo pretende apresentar os
problemas mais comuns da utilizao desta tcnica, bem
como, algumas alternativas de soluo. Para tal, ser apresentada a seguir a definio de Regresso Mltipla, suas
caractersticas e principais aplicaes.

Regresso Mltipla: definio, aplicaes e

padres de associao entre variveis
Definio
Modelos multivariados de pesquisa envolvem anlise
do relacionamento entre mltiplas variveis explicativas e,
em alguns casos, mltiplas variveis dependentes. Grande
parte das pesquisas delineadas para examinar o efeito exercido por duas ou mais variveis independentes sobre uma
varivel dependente utiliza a anlise de Regresso Mltipla.
A Regresso Mltipla (RM) definida por Tabachnick e

Fidell (1996) como um conjunto de tcnicas estatsticas que

possibilita a avaliao do relacionamento de uma varivel
dependente com diversas variveis independentes. Essas tcnicas so muito teis nas pesquisas da rea de Psicologia
Organizacional, onde grande parte dos estudos envolve variveis independentes correlacionadas entre si. Para Dunlap e
Landis (1998), o uso de preditores redundantes, correlacionados entre si, uma caracterstica dos estudos da Psicologia que, ao construrem medidas internamente consistentes,
incluem mltiplas medidas correlacionadas ao mesmo construto, o que pode levar, em alguns casos, excluso de variveis importantes na explicao da varivel em foco. Nestes
casos, mais segura a utilizao de tcnicas estatsticas como
a RM. Embora esta tcnica seja sensvel natureza redundante dos preditores, suas limitaes j so bastante conhecidas, como, por exemplo, a sua sensibilidade ao erro Tipo II
(Dunlap & Landis, 1998). Para facilitar a discusso sobre as
aplicaes e problemas relacionados ao uso da RM, so apresentadas algumas definies relacionadas tcnica.
O resultado final de uma RM uma equao da reta
que representa a melhor predio de uma varivel dependente a partir de diversas variveis independentes. Esta equao representa um modelo aditivo, no qual as variveis
preditoras somam-se na explicao da varivel critrio. A
equao da regresso linear pode ser representada por: y =
a + xi + , onde: y a varivel dependente, ou critrio;
a a constante, ou o intercepto entre a reta e o eixo
ortogonal; o parmetro, coeficiente padronizado de
regresso, ou peso; xi so as variveis independentes
(preditoras) e o erro ou resduo, que se refere diferena entre os valores observados e preditos.
Para que o uso desta equao seja eficaz na predio da
varivel dependente em estudo, o pesquisador deve examinar previamente os pressupostos da RM, bem como identificar as conseqncias da sua violao. Entre os pressupostos citados por Tabachnick e Fidell (1996), esto: (1) a
multicolinearidade, (2) a singularidade, (3) a homogeneidade
nas varincias, (4) a normalidade e (5) a linearidade.
Embora seja imprescindvel que o pesquisador examine esses pressupostos antes de iniciar suas anlises, nota-se
que a RM um modelo eficaz contra a violao de grande
parte dos pressupostos. Por exemplo, no caso da incluso
de variveis multicolineares ou singulares nas anlises, o
pesquisador estar perdendo graus de liberdade, o que conseqentemente reduz o poder estatstico de suas concluses.
O pesquisador pode, ainda, estar excluindo de seu modelo
de estudo variveis importantes para a explicao do fenmeno em questo, as quais podem estar correlacionadas com
uma varivel multicolinear. A violao do pressuposto de
normalidade pode ser atenuada por meio do aumento do tamanho da amostra da populao pesquisada. Esse aumento,

Aplicaes da regresso mltipla em estudos de psicologia organizacional

alm de afetar todos os parmetros da equao, poder tambm reduzir os problemas advindos da violao desse pressuposto. Segundo o teorema do limite central, quanto maior
a amostra, maior a chance de que as distribuies das mdias das variveis envolvidas estejam normalmente distribudas, apesar de no terem individualmente o formato normal.
Logo, aumentando-se o tamanho da amostra, os efeitos da
no-normalidade das variveis so reduzidos, aumentando
a robustez da anlise, e tornando menos necessria a transformao dessas variveis (Tabachnick & Fidell, 1996).
Quando o pressuposto da linearidade violado, o pesquisador deve estar ciente de que o modelo de regresso linear
no o melhor modelo explicativo para o estudo das variveis envolvidas, e que outros modelos (e.g. o quadrtico)
devem ser utilizados. Finalmente, a violao do pressuposto
da homogeneidade das varincias no, necessariamente, invalida a anlise, a depender da sua finalidade, mas a enfraquece. A heterogeneidade das varincias, ou violao da
homogeneidade das varincias, pode ser reduzida por intermdio da transformao de variveis que no possuem distribuio normal (e.g., assimetria positiva ou negativa).
necessrio ressaltar que a qualidade do modelo de
investigao adotado pelo pesquisador pode ser avaliada por
meio do valor do coeficiente de determinao, R2, e da distribuio dos resduos. Tomando como base uma equao
de regresso linear (y = a + xi + ), diz-se, por exemplo,
que um R 2 = 0,401 significa que o(s) preditor(es) explica(m)
40% da varincia de y. Em outras palavras, o R2 a quantidade da varincia da varivel dependente que explicada
conjuntamente pela(s) varivel(is) independente(s) e a estatstica mais utilizada para interpretar os resultados da regresso (Tabachnick & Fidell, 1996).
Como observado anteriormente, a regresso permite
verificar o quanto cada varivel preditora aumenta o poder
2
explicativo da equao de regresso (R ). Na equao de
RM, obtm-se um coeficiente de correlao, o parmetro
(ou peso padronizado), que representa a magnitude do relacionamento entre cada um dos preditores e o critrio, sendo
que sua interpretao depende do conhecimento dos erros
padres ele associados (Dunlap & Landis, 1998). O valor
de influenciado por todas as variveis preditoras includas na equao e est sujeito a mudanas em sua magnitude, dependendo do conjunto de preditores investigados. Uma
vez apresentados alguns dos principais conceitos relacionados RM, sero discutidas algumas das principais aplicaes deste conjunto de tcnicas.

Aplicaes e padres de associao entre

variveis
A RM uma anlise estatstica vastamente utilizada nas
pesquisas em Psicologia Organizacional para investigar ques-

21

tes referentes: (1) ao grau de relacionamento entre as variveis, indicando se uma correlao significativamente diferente de zero; (2) importncia relativa das variveis
preditoras na explicao da varivel dependente; (3) magnitude do aumento da correlao mltipla resultante da adio de uma ou mais variveis na equao; (4) maneira
pela qual uma varivel independente se comporta no contexto de outra(s) varivel(is); (5) natureza do relacionamento entre as variveis independentes e dependentes, indicando se o relacionamento linear ou no-linear (e.g., valores quadrados, cbicos, produtos cruzados entre as variveis); (6) comparao entre conjuntos diferentes de variveis independentes na predio da varivel dependente; (7)
ao clculo estimativo dos escores da varivel dependente
para os membros de uma nova amostra ainda no pesquisada;
e (8) identificao de relacionamentos causais entre variveis quando aplicada como um caso especial de path analysis
ou equao estrutural.
No caso do uso da regresso para a finalidade mencionada no item 5 (verificar se o relacionamento entre as variveis linear ou no ), a RM pode ser empregada na identificao de variveis mediadoras e moderadoras. Em funo
da grande difuso desta estratgia nas pesquisas internacionais (e.g., Kromrey & Foster-Johnson, 1999) e na rea
de Psicologia Organizacional, os fenmenos de mediao e
moderao sero definidos a seguir, assim como a forma
pela qual a regresso pode ser utilizada para identific-los.
Mediao: o conceito de mediao implica suposio
de relacionamentos causais entre as variveis envolvidas.
Uma varivel mediadora aquela que, ao estar presente na
equao de regresso, diminui a magnitude do relacionamento entre uma varivel antecedente e uma varivel dependente ou critrio. Para melhor ilustrar a definio de uma
varivel mediadora, podemos analisar o relacionamento entre trs variveis hipotticas, sendo a varivel B a mediadora do relacionamento de A com C (A B C). Note-se
que a relao entre as variveis A e C ficar enfraquecida na
presena da varivel B. No caso de uma varivel mediadora
pura, o relacionamento entre A e C deixa de existir na presena da varivel B.
Segundo Tabachnick e Fidell (1996) e Keppel (1991),
a identificao de variveis mediadoras pode ser feita, por
exemplo, com base na observao dos padres assumidos
pelos pesos das variveis envolvidas. No caso de uma varivel mediadora pura, tem-se um significativo de A para
C, antes da entrada de B na equao. Contudo, uma vez que
B adicionado equao, o de B torna-se significativo,
enquanto a significncia do de A desaparece. No caso de
uma mediao pura, o B captura totalmente a relao entre
A e C. Contudo, quando a mediao no total, pode ainda
existir uma relao entre A e C mesmo na presena de B.

22

G. Abbad & C. V. Torres

Moderao: o conceito de moderao implica influncia entre as variveis e no suposio de causalidade, como
no caso da mediao. Para testar a moderao, o pesquisador deve observar a interao entre A e B. Para tal, procurase observar se A um bom preditor de C. Em caso positivo,
verifica-se se A e B predizem C, e se a interao entre A e
B, calculada por meio do produto A x B, tambm prediz C.
Caso a interao seja uma preditora estatisticamente significativa de C, diz-se que B uma varivel moderadora. A
existncia de uma interao entre A e B s um indicador
de moderao quando, adicionada equao, preditora do
critrio. Logo, na moderao, o relacionamento entre A e C
depende do valor assumido pela varivel B.
Vale salientar que, no caso da mediao, a relao entre
A e C fica enfraquecida com a entrada de B na equao. No
caso do moderador, alm da interao A x B tornar-se um
preditor significativo, a relao entre A e C poder aumentar ou diminuir, dependendo do valor de B. Pedhazur (1982)
discute detalhadamente a diferena entre moderadores e
mediadores. Os trabalhos de Gordon (2000) e Torres (1999)
exemplificam o uso da RM na identificao de mediadores
e moderadores, respectivamente. OConnor (1998), comparando testes e programas estatsticos, discutiu
detalhadamente procedimentos para identificao de moderadores por meio da regresso mltipla.
A RM pode, ainda, ser utilizada para a identificao da
ocorrncia de outros fenmenos estatsticos que indicam relaes complexas entre variveis, tais como a redundncia,
a complementaridade e a supresso. Tais fenmenos, e como
identific-los atravs da RM, so brevemente discutidos abaixo.
Redundncia: este fenmeno refere-se entrada de
preditores correlacionados positivamente entre si na equao, acarretando perda de parcimnia na explicao de um
critrio. A redundncia pode ser observada quando os pesos
2
e os Sr (i.e., soma das contribuies nicas de cada varivel) para cada preditor so menores do que a correlao
bivariada entre cada um desses preditores e o critrio. Por
exemplo, Abbad (1999) identificou redundncia em variveis preditoras que mantinham fortes correlaes (0,70 r
0,50) com a varivel critrio e que, ao entrarem na equao de regresso mltipla, resultaram em coeficientes de correlao mltipla muito menores (e.g., s variando de 0,11 a
0,23 e Sr2s de 0,07 a 0,14). Este fenmeno reflete que cada
preditor explica parte da varincia do critrio que j foi
explicada por outro preditor. Nas Cincias Sociais, em geral
(Cohen & Cohen, 1975), grande parte das variveis so
correlacionadas entre si. Na Psicologia Organizacional, em
particular, este fato se deve ao uso de mltiplas medidas
redundantes (Dunlap & Landis, 1998), estratgia esta considerada necessria para conferir validade de contedo e
consistncia interna aos instrumentos.

Complementaridade: refere-se a um padro pouco freqente de associao entre preditores e critrio, em que a
soma da contribuio nica de um conjunto de preditores
excede a soma das contribuies individuais de cada preditor
na explicao do critrio. Na complementaridade, dois
preditores (x1 e x2) devem ter uma alta correlao negativa
entre si (Tabachnick & Fidell, 1996), bem como uma correlao bivariada positiva com a varivel critrio (Keppel,
1991). Em alguns casos, observa-se um decrscimo no valor do de x1, podendo o mesmo assumir valores negativos
quando a varivel x2 entra na equao. Nestes casos, os dois
preditores (x1 e x2) so considerados interdependentes ou
complementares. A conseqncia da complementaridade
uma diminuio no poder estatstico da pesquisa devido
incluso de duas variveis que, juntas, acrescentam pouca
explicao varincia do critrio e, portanto, representam
uma diminuio nos graus de liberdade.
Um exemplo de complementaridade pode ser observado na pesquisa de Torres (1999), que utilizava, como
preditores da preferncia por estilos de liderana (y), as variveis padro cultural (x1) e pas de origem (x2) dos participantes, medidas por escala intervalar de atitude (x1) e dados
categricos (x2). Torres observou uma correlao negativa
(rx1x2 = - 0, 11) entre x1 e x2 e correlaes positivas entre x1
e y (rx1y = 0, 22) e entre x2 e y (rx2y = 0,29). Na anlise de
regresso hierrquica, foi observado um forte decrscimo
com inverso de sinal do x1 depois que a varivel x2 entrava na equao (de 0,29 para - 0,61). Neste caso, x1 foi caracterizado como uma varivel complementar a x2.
Complementaridade, na verdade, um caso especial do fenmeno de supresso, que ser descrito a seguir.
Supresso: refere-se situao na qual uma varivel
(x1), que mantm uma fraca correlao bivariada com a varivel critrio (y), entra como preditora na equao de regresso mltipla com um de sinal oposto ao da correlao
bivariada que mantm com y. Trata-se de um fenmeno estatstico raro, conforme Cohen e Cohen (1975) e Tabachnick
e Fidell (1996). A supresso pode ser um sinal de relaes
complexas entre variveis preditoras na explicao da varivel critrio. Esse fenmeno inicialmente identificado por
meio da anlise do padro assumido pelos coeficientes de
regresso e de correlao de cada preditor com o critrio.
Entre os sinais de supresso, deve-se observar, segundo
Tabachnick e Fidell, os dois seguintes: (1) o valor absoluto
da correlao simples entre as variveis x1 e y deve ser substancialmente menor que o peso para a varivel supressora
x1; e (2) a correlao simples e o peso dessa varivel devem ter sinais opostos. Para Cohen e Cohen (1975), h mais
dois indicadores importantes da supresso: (1) a soma das
2
contribuies nicas de cada varivel (Sr ) na explicao da
varivel critrio excede o valor assumido por R2; e (2) em

Aplicaes da regresso mltipla em estudos de psicologia organizacional

alguns casos, o valor de pode ser maior do que 1. Uma

varivel supressora identificada quando se observa que esta
varivel aumenta a importncia de outras variveis preditoras
ao se suprimir parte da varincia irrelevante em outros
preditores, ou na varivel critrio (Tabachnick & Fidell, 1996).
Um exemplo de supresso pode ser encontrado na pesquisa de Abbad (1999), que investigou o relacionamento
entre variveis organizacionais, caractersticas do treinamento, caractersticas do treinando, satisfao com treinamento
e aprendizagem, com a varivel critrio impacto do treinamento no trabalho (y). A varivel aprendizagem (x1) mantinha uma correlao prxima de zero com o critrio (rx1y =
0,002). Na anlise de regresso mltipla stepwise, encontrou-se que x1, apesar de no se correlacionar com y, entrou
na equao com o peso de sinal negativo ( = - 0,07),
suprimindo a varincia de outro(s) preditor(es). Neste caso,
observou-se ainda que a soma dos Sr2 era superior ao valor
do R2 (Sr2 = 0,94 > R 2 = 0,61), caracterizando assim o fenmeno da supresso.
Com base nas informaes relativas a aplicaes da RM
e padres de associao entre variveis, sero brevemente
discutidos a seguir os tipos mais utilizados de RM, bem como
seus usos e problemas.

Tipos de regresso: usos e problemas

So trs os tipos principais de anlise de regresso mltipla: (1) regresso mltipla padro; (2) regresso mltipla
hierrquica, ou seqencial; e (3) regresso estatstica (e.g.,
stepwise ou setwise). Como observado por Tabachnick e
Fidell (1996), estas estratgias analticas diferem entre si
quanto ao que acontece com a variabilidade sobreposta de
preditores correlacionados entre si na explicao do critrio
e, alm disso, de quem determina (a estatstica ou a teoria) a
ordem de entrada dos preditores na equao. Este artigo trata de apenas duas dessas formas de regresso, stepwise e
hierrquica, as quais so amplamente utilizadas em pesquisa da rea de Psicologia Organizacional.

Tipos mais comuns de regresso e seus usos

So trs as formas de se realizar uma regresso stepwise:
(1) forward - quando a equao comea vazia e cada preditor
entra, um por um, na equao; (2) backward - quando todos
os preditores so includos de uma s vez na equao, e
depois so retirados, um a um, at que se identifiquem os
melhores preditores; (3) blockwise ou setwise - assemelhase regresso stepwise forward, mas, ao invs dos preditores
serem includos individualmente, eles entram na equao em
blocos (Keppel, 1991; Tabachnick & Fidell, 1996).
A regresso stepwise geralmente a estratgia escolhida para estudos exploratrios. Quando se est utilizando este
tipo de regresso, o pesquisador, desprovido de uma teoria
consistente sobre os fenmenos estudados, est interessado

23

apenas em descrever relacionamentos pouco conhecidos

entre variveis, e no em os explicar. Neste tipo de regresso, a seleo da seqncia de entrada dos preditores na
equao feita estatisticamente, sem um modelo terico
consistente a ser seguido. Em estudos exploratrios, o pesquisador elabora um modelo terico de investigao que inclui hipteses sobre relacionamentos entre variveis, mas
que ainda no possibilita afirmaes consistentes sobre a
magnitude ou direo desses relacionamentos. Alm disso,
este tipo de estudo ainda no encontra apoio emprico s
hipteses a serem testadas. Este o caso, por exemplo, das
pesquisas na rea de transferncia de treinamento, que apresentam um corpo terico disperso, modelos de investigao
excessivamente parcimoniosos e poucas informaes sobre
esses relacionamentos (Abbad, 1999).
A regresso hierrquica utilizada em estudos
confirmatrios, uma vez que este tipo de anlise busca a
explicao sobre o relacionamento entre variveis descrito
em modelos tericos consistentes, ou seja, em modelos que
apresentam um conjunto de proposies empricas que j
indicam a magnitude e direo da relao entre variveis,
mas que, apesar de j terem sido testados, ainda carecem de
validao. Neste caso, a ordem de entrada dos preditores na
equao de regresso definida pelo pesquisador, que baseia sua deciso em teorias ou outras pesquisas relacionadas, como, por exemplo, no caso das pesquisas sobre liderana internacional (Torres, 1999). A exemplo do que ocorre com a regresso stepwise, a regresso hierrquica tem o
objetivo de determinar os melhores preditores de um critrio.
Diversos autores, entre os quais Keppel (1991), ao descreverem a regresso hierrquica como forma de se preparar uma path analysis, sugerem que esta regresso capaz
de identificar relaes de causalidade entre variveis. Contudo, importante lembrar que, como qualquer outra tcnica de anlise correlacional, a regresso hierrquica no pode
identificar causalidade, mas apenas a relao (ou correlao) entre variveis. Mesmo quando utilizada para testar
modelos tericos que apenas teoricamente indicam uma relao de causa e efeito entre variveis, a regresso hierrquica est, no mximo, descrevendo padres de relacionamento entre variveis.

Problemas associados ao uso da Regresso

Mltipla
Nesta seo, so discutidos alguns dos dilemas encontrados por pesquisadores da rea, no uso de regresso
stepwise e hierrquica, e algumas solues para enfrentlos. So relatados os modos pelos quais alguns dos fenmenos estatsticos descritos anteriormente (e. g., supresso,
complementaridade, moderao) so identificados com o
auxlio da regresso, assim como os problemas relaciona-

24

G. Abbad & C. V. Torres

dos identificao dos mesmos e a maneira escolhida pelos

pesquisadores para lidar com essas situaes.
Em pesquisa sobre avaliao de impacto do treinamento no trabalho, Abbad (1999), utilizando anlise de regresso mltipla stepwise, identificou sinais de supresso e redundncia entre variveis. Em um destes casos, a varivel
aprendizagem, que uma medida de desempenho do participante ao final do treinamento, apesar de manter uma correlao bivariada prxima de zero (r = 0,002), com impacto
ou transferncia de treinamento, entrava na equao de regresso como varivel supressora, indicando relacionamento complexo dessa varivel com outros preditores de impacto. A anlise das correlaes bivariadas entre os preditores
mostrou que a varivel aprendizagem mantinha, ainda, correlao negativa com outras duas variveis preditoras, que
tambm estavam envolvidas em uma espcie de supresso
em rede. O fenmeno de supresso foi estudado, retirandose intencionalmente a varivel supressora da equao com a
finalidade de observar os efeitos dessa estratgia na predio de impacto. Observou-se que esta retirada no afetava a
importncia relativa das variveis que melhor prediziam o
critrio.
Em parte, a supresso observada por Abbad (1999)
ocorreu provavelmente em funo da estratgia metodolgica
adotada nesta pesquisa. A autora incluiu em suas anlises
todas as variveis contidas no modelo de investigao, mesmo aquelas que mantinham fracas correlaes com a varivel critrio, com a finalidade de testar suas hipteses, explorando detalhadamente os relacionamentos entre as variveis.
possvel que o fenmeno supressivo venha sendo pouco
encontrado na literatura, devido prtica disseminada de
somente incluir, nos modelos de anlise, as variveis que
mantm correlao significativa com o critrio. A estratgia
adotada por Abbad pode ter permitido a observao do fenmeno. Outra explicao para a ocorrncia da supresso
pode relacionar-se natureza e qualidade das medidas utilizadas. Como descrito acima, aprendizagem (e.g., varivel
supressora) foi medida por meio de testes comportamentais,
elaborados e administrados por diferentes instrutores para
um grande nmero de cursos. Logo, no se teve controle da
qualidade psicomtrica dos testes, em termos de sua
confiabilidade e validade (preditiva, ou mesmo de contedo). Por outro lado, todas as outras variveis que entraram
no modelo, inclusive a varivel critrio, foram medidas atravs de instrumentos de natureza perceptual, construdos com
o rigor psicomtrico necessrio, apresentando altos nveis
de confiabilidade e validade. A natureza distinta dessas medidas (comportamental e perceptual) e a discrepncia na
qualidade psicomtrica das mesmas podem ter contribudo
para o aparecimento do fenmeno da supresso. As abordagens tericas revisadas pela pesquisadora afirmam que a

varivel aprendizagem relaciona-se significativamente com

o impacto do treinamento. Contudo, os dados empricos no
vm corroborando esta sugesto terica, como demonstrado no estudo de Abbad. Provavelmente, o distanciamento
entre as afirmaes tericas e os dados empricos deva-se
qualidade das medidas de aprendizagem utilizadas. importante notar que esta hiptese foi fortalecida devido ao
fenmeno da supresso. Se, por um lado, a entrada da varivel supressora na equao apia as abordagens tericas,
por outro, tambm apia os dados empricos encontrados,
que mostram fraca correlao bivariada entre aprendizagem
e impacto. Esta aparente contradio s pde ser adequadamente compreendida quando a varivel supressora foi analisada, ao invs de ter sido simplesmente retirada do modelo.
Assim, o fenmeno supressivo chamou ateno para as diferenas entre medidas, refinando a interpretao dos resultados das pesquisas na rea.
Como foi descrito anteriormente, o fenmeno da redundncia observado por Abbad (1999) muito comum em
pesquisa em Psicologia Organizacional. Dois pontos devem
ser observados neste tipo de situao. Primeiro, a busca por
medidas confiveis e com altos coeficientes de consistncia
interna, medidas estas utilizadas em pesquisas na rea, resultam em variveis redundantes mas que no devem ser
eliminadas, pois estar-se-ia, assim, diminuindo a explicao
do construto subjacente.
O outro ponto refere-se meta que pesquisadores da
rea de Psicologia Organizacional tm de construir e validar
modelos parcimoniosos de explicao do comportamento
humano em organizaes. Para alcanar esta meta, importante levar em considerao todas aquelas variveis que possam explicar os construtos latentes que estejam associados
s variveis critrio estudadas. Nos casos de estudos
exploratrios, esta considerao importante, ou seja, um
certo nvel de redundncia desejvel, enquanto, nos
confirmatrios, a parcimnia o alvo. Neste ltimo tipo de
estudo, considera-se a eliminao da redundncia nos modelos de RM uma estratgia adequada, j que ela aumentaria a confiabilidade da predio, por manter no modelo de
regresso apenas variveis no-correlacionadas (ou fracamente correlacionadas) entre si. Nos casos dos estudos
exploratrios, eliminar a varivel redundante pertencente a
um mesmo construto subjacente pode gerar um efeito indesejvel, pois a varivel preditora eliminada da equao pode
ser uma das mais importantes na explicao da varivel latente que prediz o critrio, conforme Dunlap e Landis (1998).
A regresso stepwise, que muitas vezes elimina de seu
modelo variveis redundantes, pode, assim, estar descartando parte importante da explicao dos fenmenos estudados. Para solucionar este problema, Dunlap e Landis (1998)
sugerem, alm da anlise dos ndices tradicionalmente utili-

Aplicaes da regresso mltipla em estudos de psicologia organizacional

zados (e.g., e Sr2), a utilizao de cargas na interpretao

dos modelos de regresso mltipla stepwise. De acordo com
esta sugesto, um preditor com no-significativo, eliminado da regresso por ser redundante no contexto de outros
preditores da equao, pode ser considerado um bom preditor
da varivel critrio se tiver uma alta carga. As cargas so
calculadas dividindo-se a correlao bivariada de cada
preditor com a varivel critrio pelo coeficiente de regresso mltipla. Essas cargas indicam o quanto cada preditor
est correlacionado com o composto linear de variveis que
melhor prediz o critrio. As cargas no levam em considerao o quanto um dado preditor correlaciona-se com outro
preditor (como ocorre no caso dos e Sr2), mas apenas se
ele est correlacionado com o critrio. Se a pesquisa
exploratria e busca identificar relacionamentos com variveis subjacentes, ento, deve-se interpretar, alm das informaes tradicionais contidas nos resultados da regresso,
as cargas, de modo a identificar variveis redundantes. Em
resumo, Dunlap e Landis (1998) sugerem que um preditor
s deve ser descartado da equao quando tiver peso e
cargas no-significativos. As cargas fatoriais, coeficientes
de correlao, so facilmente interpretveis e podem assumir valores entre -1 e 1. Alm disso, eles so menos sensveis ao tamanho da amostra do que os s, e podem ser facilmente calculados a partir das informaes contidas nos resultados dos pacotes estatsticos.
Como citado anteriormente, Torres (1999) encontrou
complementaridade quando utilizava as variveis padro
cultural e pas de origem dos participantes para predizer a
preferncia destes por estilos de liderana, por meio de uma
regresso hierrquica. Note-se que o autor oferece duas formas distintas de lidar com o problema da complementaridade.
No primeiro estgio de sua discusso, Torres optou pela retirada da varivel complementar (e.g., pas de origem) da
equao, uma vez que a sua contribuio na explicao do
critrio era fraca. Quando isto foi feito, a varivel padro
cultural passou a explicar grande parte da varincia de preferncia por estilo de liderana. Mas a segunda forma de
lidar com a varivel complementar que parece interessante
discutir neste artigo.
Torres (1999) utilizou uma amostra de brasileiros e outra de norte-americanos para testar suas hipteses. Todos os
participantes responderam, entre outros instrumentos, uma
escala atitudinal que mede padro cultural (Singelis, Triandis,
Bhawuk & Gelfand, 1995) e forneceram informaes sobre
seu pas de origem. Os resultados mostram que Brasil e
Estados Unidos diferem forte e significativamente (t = 39,13;
p < 0,01) em uma das dimenses culturais medidas pela
escala de Singelis et al. (1995). A interpretao terica dada
por Torres complementaridade que, como Brasil e Estados Unidos representam extremos da dimenso cultural

25

investigada, a varivel pas de origem , no s

interdependente com a varivel padro cultural, mas tambm a inclui. Na verdade, por representarem plos opostos
de um mesmo construto (e.g., a dimenso cultural individualismo-coletivismo), as amostras brasileira e norte-americana provocaram uma restrio na amplitude de variao da
escala utilizada. Torres sugere que futuras pesquisas deveriam utilizar outras amostras de pases que pudessem garantir maior variabilidade nos nveis de padro cultural. Desta
forma, o fenmeno da complementaridade entre pas de origem e padro cultural poderia desaparecer. importante
notar que, nem sempre, a simples retirada de uma varivel
complementar da equao a melhor sada para a resoluo
deste fenmeno. Muitas vezes, o pesquisador deve fazer uma
melhor anlise terica de seus construtos, paradigmas e nveis de anlise para entender e oferecer solues para problemas estatsticos existentes.
Na Psicologia Organizacional, observa-se uma tendncia crescente de refinar conceitos e modelos de investigao. So cada vez mais freqentes os estudos que utilizam
procedimentos estatsticos tais como Equaes Estruturais
e Path Analysis, que tm sido considerados mais sensveis
que a anlise de RM complexidade dos fenmenos investigados. Entre outros objetivos, tais pesquisas buscam melhor descrever relacionamentos indiretos entre variveis, que
interferem na explicao das variveis dependentes. De modo
geral, a RM tem sido utilizada para a descrio de relacionamentos diretos entre variveis. Todavia, a RM, tcnica mais
simples e conhecida que a Equao Estrutural, tambm pode
se constituir em ferramenta adequada explorao dos relacionamentos indiretos entre variveis. A RM pode, ainda,
auxiliar na diferenciao entre modelos lineares e modelos
no-lineares. Estes usos da regresso so descritos e discutidos a seguir.

Regresso Mltipla na anlise de

relacionamentos indiretos e no-lineares
OConnor (1998) sugere que a RM a tcnica estatstica recomendada para identificar a interao entre os
preditores, especialmente quando alguns deles so contnuos. Para o autor, identificar se a interao existe um processo relativamente simples e envolve a incluso na equao do efeito principal e do produto dos termos.
Um exemplo do uso da RM na identificao de relacionamentos indiretos entre variveis o teste para anlise do
efeito de moderadores (tambm conhecido como efeito noaditivo, multiplicativo ou de interao) que, normalmente,
feito por meio de uma regresso hierrquica. Neste caso,
2
observam-se as diferenas entre o R do modelo aditivo e o
do modelo no-aditivo. Kromrey e Foster-Johnson (1999)
acreditam que no h evidncias que refutem a adequao
deste teste de efeito de moderadores. Contudo, existem difi-

26

G. Abbad & C. V. Torres

culdades na rea para a identificao de variveis moderadoras. Segundo Kromrey e Foster-Johnson, essas dificuldades se devem, por exemplo, a erros de medida,
multicolinearidade.
Existe, ainda, um problema com relao diferenciao entre o efeito da interao e as relaes no-lineares.
Neste caso, muitos pesquisadores (e.g., Bee-Hua, 1999) fazem uso da regresso hierrquica e inferem que um aumento significativo no R2, quando o moderador adicionado
equao, indicativo de que o melhor modelo representativo da populao em questo o modelo multiplicativo ou
moderador. Mudanas no-significativas no R2 sugeririam
que o melhor modelo seria o aditivo (ou linear). O problema
dessa inferncia relaciona-se s dificuldades de identificao de variveis moderadoras (Lubinski & Humphreys,
1990). Os efeitos do moderador em uma regresso podem
no ser significativos (mesmo na presena de um modelo
multiplicativo) devido aos erros de medida e de amostragem
ou, ainda, a regresso hierrquica pode indicar um efeito
significativo do moderador, quando, na verdade, o melhor
modelo explicativo o quadrtico ou o cbico no-linear.
Se houver evidncia de que o modelo de regresso no
linear, o pesquisador no saber identificar com certeza
um modelo (multiplicativo, quadrtico ou cbico) que melhor descreve a relao entre os preditores e o critrio
(Lubinski & Humphreys, 1990). Alm disso, esse modelo
poder ainda ser representado por uma relao no-linear
entre qualquer um dos preditores e o critrio, entre dois
preditores e o critrio ou por uma combinao de nolinearidade e moderao. O equvoco na escolha do melhor
modelo poder ocasionar erros do Tipo I, Tipo II ou ambos.
Com o objetivo de solucionar esse problema, Lubinski
e Humphreys (1990) propem o uso de uma regresso
stepwise para diferenciar um moderador de um modelo nolinear. Esta proposio conhecida como mtodo de comparao da magnitude do efeito - ME (Kromrey & FosterJohnson, 1999). Este mtodo envolve duas etapas, que permitem que o pesquisador diferencie o efeito de um
multiplicativo do quadrtico. Em primeiro lugar (passo 1), a
equao da regresso linear ou aditiva (y = a + x + z + )
obtida. Em seguida (passo 2), o produto e o produto cru2 2
zado dos termos (xz; x ; z ) entram como preditores da equao obtida no passo 1. Estes termos entram na equao como
qualquer varivel preditora na regresso stepwise, ou seja,
por meio do uso do algoritmo para selecionar em qual seqncia os termos entraro na equao. Logo, esses trs termos competem entre si estatisticamente para determinar qual
deles (o moderador - xz, ou os termos quadrticos - x2 e z2)
melhor caracteriza a relao preditor-critrio.
Segundo Kromrey e Foster-Johnson (1999), as limitaes do procedimento sugerido por Lubinski e Humphreys

(1990) referem-se basicamente s limitaes da prpria regresso stepwise. Utilizando esse mtodo baseado em regresso stepwise, o pesquisador ter maiores chances de
cometer um erro do Tipo I, principalmente quando o modelo
que melhor caracteriza a populao em estudo o aditivo.
Nesses casos, a regresso pode produzir resultados que no
so generalizveis para outras amostras.
Para testar o mtodo ME, Kromrey e Foster-Johnson
(1999) realizaram estudos de Monte Carlo, gerando aleatoriamente dados que caracterizavam amostras de uma populao cujos relacionamentos entre variveis eram linear, nolinear e multiplicativo. O mtodo de Lubinski e Humphreys
foi utilizado para auxiliar o pesquisador na escolha do modelo (e.g., linear, quadrtico e moderador) que melhor descreveria a relao entre variveis.
Nessas simulaes, Kromrey e Foster-Johnson observaram alguns problemas provocados pelo uso da regresso
stepwise. Como esperado, consistentemente e em todas as
condies examinadas, o procedimento mostrou pouco controle sobre a ocorrncia do erro Tipo I. Porm, seus resultados mais surpreendentes foram os que indicaram erros Tipo
II. Para populaes com caractersticas moderadoras (noaditivas), houve uma grande ocorrncia de erros Tipo II, uma
vez que o mtodo no distinguiu os modelos multiplicativos
dos aditivos. A maior parte dos erros levou o pesquisador a
selecionar erradamente o modelo no-linear. No caso de populaes com caractersticas quadrticas (no-lineares), o
mtodo falhou em detectar diferenas entre estes modelos e
o linear, o que tambm caracterizou a ocorrncia de erros
Tipo II. Para essas populaes, o modelo moderador foi
indevidamente escolhido.
Kromrey e Foster-Johnson (1999) notaram ainda que
as ocorrncias dos erros Tipo I e II resultantes do uso da
regresso stepwise podem ser evitadas ou reduzidas quando
alguns fatores so controlados. Os casos de erro Tipo I no
parecem estar relacionados nem com o tamanho da amostra,
2
nem com a magnitude do R . Contudo, houve um certo aumento do controle da regresso stepwise sobre a ocorrncia
de erros Tipo I, quando havia menos redundncia no modelo
e aumento na consistncia interna das medidas. Como era
esperado, observou-se um grande decrscimo de erros Tipo
II quando houve um aumento na magnitude do efeito e um
aumento no tamanho da amostra. Houve tambm uma reduo dos erros Tipo II com o aumento na confiabilidade dos
preditores. Finalmente, observou-se um pequeno, ainda que
consistente, aumento na ocorrncia de erros Tipo II quando
a correlao entre os preditores aumentava.
Tambm foi observado por outros autores (MacCallum
& Mar, 1995, conforme citado por Kromrey & FosterJohnson, 1999) que o sucesso do uso da regresso stepwise
decresce na medida em que a multicolinearidade aumenta e

Aplicaes da regresso mltipla em estudos de psicologia organizacional

que a confiabilidade e a magnitude do efeito diminuem. Para

esses autores, esse tipo de relao ainda mais severo para
o efeito quadrtico que para o efeito do moderador. As dificuldades advindas do uso da regresso stepwise podem ainda ser reduzidas se o pesquisador utilizar um alfa mais conservador para corrigir o b, o qual pode estar artificialmente
aumentado na regresso stepwise. Contudo, tal procedimento
poder acarretar em mais problemas do que solues. Embora o uso de um alfa mais conservador possa reduzir a
ocorrncia do erro Tipo I, isto aumentar a chance de erro
do Tipo II, alm de ser uma estratgia recomendada apenas
para grandes amostras, nas quais o poder estatstico deixa
de ser uma preocupao.
Em resumo, a regresso stepwise no mtodo ME parece ser uma estratgia muito adequada para selecionar o modelo explicativo que mais se ajusta aos seus dados, desde
que sejam evitados altos nveis de multicolinearidade, usando preditores pouco correlacionados, que iro manter o poder estatstico da pesquisa. Todavia, quando o uso de
preditores no-correlacionados entre si no uma opo,
pode-se ainda obter resultados vlidos quando se tem uma
alta confiabilidade nas medidas e, conseqentemente,
preditores tambm confiveis (MacCallum & Mar, 1995,
conforme citado por Kromrey & Foster-Johnson, 1999).
Alis, o uso de preditores confiveis fundamental em qualquer regresso e especialmente na stepwise. Isto porque,
neste caso, o erro de medida transmitido diretamente para
o produto e para o produto cruzado dos termos da equao,
causando uma sria reduo no poder estatstico. O uso de
medidas confiveis ajuda a aumentar o baixo controle que a
regresso stepwise tem sobre a ocorrncia de erro Tipo I,
mesmo na presena de multicolinearidade e baixa magnitude de efeito. Finalmente, o pesquisador deve ainda se lembrar de que o tamanho da amostra um aspecto importante
no uso da stepwise. Kromrey e Foster-Johnson (1999) observaram que o poder estatstico drasticamente reduzido
quando amostras menores que 175 participantes so utilizadas, mesmo quando so encontrados efeitos de grande magnitude e medidas altamente confiveis.

Concluses e recomendaes
Nas ltimas dcadas, nota-se uma tendncia dos pesquisadores da rea de Psicologia Organizacional em utilizar
tcnicas estatsticas mais sofisticadas que a anlise de regresso mltipla. Contudo, o uso de tcnicas mais refinadas, como a Equao Estrutural, no deveria significar o
abandono de procedimentos estatsticos mais simples, como
a RM. Anlises de Regresso Mltipla tm seus usos e limitaes bem conhecidos pelos pesquisadores, o que torna a
sua utilizao mais segura e confivel.
Entre os cuidados a serem tomados pelo pesquisador
ao utilizar RM para anlise de dados, est o de selecionar

27

cuidadosamente o tipo de regresso, respeitando a natureza

do estudo, exploratria ou confirmatria (Tukey, 1980). Em
pesquisas exploratrias, nas quais o pesquisador no conta
com uma teoria consistente sobre os fenmenos investigados, a estratgia recomendvel a regresso mltipla
stepwise, enquanto, em pesquisas de carter confirmatrio,
o procedimento mais adequado a regresso mltipla hierrquica.
A interpretao dos resultados da RM, seja ela hierrquica ou stepwise, especialmente em pesquisas exploratrias,
deve ser feita com muito cuidado, levando-se em conta as
recomendaes da literatura. No entanto, a obteno de resultados confiveis de RM no depende apenas do uso adequado dos procedimentos estatsticos, mas do quanto a investigao emprica que originou os dados se baseou em
um quadro terico bem estruturado. Modelos tericos de
investigao devem ser desenvolvidos, mesmo em linhas de
pesquisa exploratria nas quais o corpo de conhecimentos
ainda est disperso e as abordagens tericas so pouco
abrangentes. Nesses casos, o pesquisador deveria escolher
preferencialmente a regresso stepwise, tomando alguns
cuidados para evitar os erros Tipo I e II, entre os quais: (1)
adequar o tamanho da amostra s variveis includas no
modelo; (2) construir medidas confiveis e vlidas baseadas
em anlise cuidadosa dos conceitos utilizados para expressar os relacionamentos entre os fenmenos estudados; (3)
explorar os resultados da RM, identificando fenmenos estatsticos (e.g., complementaridade, supresso, redundncia)
que podem ter sido produzidos por vis metodolgico e/ou
terico; (4) testar a adaptao do modelo linear aditivo para
explicar o relacionamento entre as variveis, antes de concluir que o modelo terico no foi confirmado pelos resultados; bem como (5) controlar os nveis de redundncia nos
modelos exploratrios e, quando isso no for possvel, pela
natureza das medidas, utilizar estratgias estatsticas de
evitao dos graves erros de excluso e incluso indevida de
variveis na equao.
Ambas as tcnicas de RM discutidas neste artigo tm
potencialidades inexploradas e problemas bem conhecidos
pelos pesquisadores, o que possibilita o seu uso de forma
eficaz. Ambas as estratgias analticas so teis tanto em
pesquisa exploratria como em pesquisa confirmatria. Por
exemplo, RM stepwise pode auxiliar no teste preliminar de
hipteses, enquanto que a RM hierrquica pode ser utilizada
para testar o efeito de moderadores em pesquisas confirmatrias.
Em termos prticos, as tcnicas de RM, extremamente
teis na elaborao de diagnsticos organizacionais, so de
fcil utilizao. Vale notar que no processo de diagnstico e
resoluo de problemas organizacionais, como, por exemplo, no levantamento de necessidade de treinamento, de clima e cultura organizacionais, o mais grave a ocorrncia do

28

G. Abbad & C. V. Torres

erro Tipo II. Erros deste tipo podem comprometer drasticamente a qualidade do diagnstico e a eficcia das intervenes. Neste contexto, o erro Tipo I, to discutido nas pesquisas acadmicas, oferece menos riscos para o trabalho do
consultor do que o erro Tipo II. O erro advindo da entrada
de variveis esprias nos modelos de predio produz um
impacto menor na interveno do que a excluso de variveis relevantes. Nesses caos, talvez seja prefervel errar por
excesso de zelo do que por falta dele.
Apesar de necessrio obteno de dados empricos
confiveis, o conhecimento dos riscos, limitaes e desafios
associados ao uso de regresso mltipla no suficiente para
garantir qualidade s anlises e aos resultados de pesquisa.
A confiabilidade dos resultados empricos no produto apenas do uso adequado de tcnicas estatsticas de anlise de
dados. Seguramente, as anlises estatsticas no constituem
as melhores nem as nicas respostas aos problemas de confiabilidade enfrentados pelo pesquisador em seus trabalhos.
Para Kromrey e Foster-Johnson (1999), talvez a melhor
resposta no esteja em estatsticas melhores, mas em um
melhor pensamento ou elaborao sobre a natureza do problema (p. 413) investigado.

Agradecimentos
Os autores agradecem a contribuio de Renata Silveira
Carvalho, que forneceu valorosos comentrios, sugestes e
correes nas verses anteriores desse artigo.

Referncias
Abbad, G. (1999). Um modelo de avaliao do impacto do treinamento no
trabalho IMPACT. Tese de doutorado no-publicada, Universidade de
Braslia, Braslia.
Adler, N. J. (1991). International dimensions of organizational behavior
a
(3 ed.). Boston: Kent.
Bastos, A.V.B. (1994a). Comprometimento no trabalho: a estrutura dos
vnculos do trabalhador com a organizao, a carreira e o sindicato.
Tese de doutorado no-publicada, Universidade de Braslia, Braslia.
Bastos, A.V. B. (1994b). Comprometimento no trabalho: seus antecedentes em distintos setores da administrao e grupos ocupacionais. Temas em Psicologia, 1, 73-90.
Bee-Hua, G. (1999). An evaluation of the accuracy of the multiple regression
approach in forecasting sectoral construction demand in Singapore.
Construction Management and Economics, 17(2), 231-241.
Borges-Andrade, J. E. (1994). Comprometimento organizacional na administrao pblica e em seus segmentos meio e fim. Temas em Psicologia, 1, 49-62.
Borges-Andrade, J. E., & Abbad, G. (1996). Treinamento no Brasil: reflexes sobre suas pesquisas. Revista de Administrao, 31(2), 112-125.
Borges-Andrade, J. E., & Lima, S. M.V. (1983). Avaliao de necessidades de treinamento: um mtodo de anlise de papel ocupacional.
Tecnologia Educacional, 12(54), 6-22.
Boyacigiller, N., & Adler, N. J. (1991). The parochial dinosaur:
Organizational science in global context. Academy of Management
Review, 16, 262-290.

Brislin, R. W. (1980). Translation and content analysis of oral and written

materials. In H. C. Triandis & J. W. Berry (Orgs.), Handbook of crosscultural psychology (Volume 4, pp. 398-444). Boston: Allyn & Bacon.
Cohen, J., & Cohen, P. (1975). Applied multiple regression/correlation
analysis for the behavioral sciences. Hillsdale: Lawrence Erlbaum
Associates.
Cox, T. H., Lobel, S. A., & McLeod, P. L. (1991). Effects of ethnic group
culture differences on cooperative and competitive behavior on group
task. Academy of Management Journal, 34, 827-847.
Dias, J. M. G., & Moraes, L. F. R. (1994). Preditores do comprometimento organizacional na EMATER-MG. Temas em Psicologia, 1, 91-102.
Dorfman, P. (1996). International and cross-cultural leadership. In B. J.
Punnett & O. Shenkar (Orgs.), Handbook for international
management research (pp. 267-349). Cambridge: Blackwell.
Dunlap, W. P., & Landis, R. S. (1998). Interpretations of multiple regression
borrowed from factor analysis and canonical correlation. The Journal
of General Psychology, 125(4), 397-407.
Gomide Jr., S. (1999). Antecedentes e conseqentes das percepes de
justia no trabalho. Tese de doutorado no-publicada, Universidade
de Braslia, Braslia.
Gordon, R. S. (2000). Racial identity attitudes, workplace African American
representation and perceived success among African Americans. Tese
de doutorado no-publicada, Faculty of the California School of
Professional Psychology, San Diego.
a
Keppel, G. (1991). Design and analysis: A researchers handbook, (3
ed). Englewood Cliffs: Prentice-Hall.
Krishnan, H. A., & Park, D. (1998). Effects of top management team change
on performance in downsized US companies. Management
International Review, 38(4), 303-319.
Kromrey, J. D., & Foster-Johnson, L. (1999). Statistically differentiating
between interaction and nonlinearity in multiple regression analysis:
A Monte Carlo investigation of a recommended strategy. Educational
and Psychological Measurement, 59(3), 392-413.
Leito, J. S. S. (1994). Relaes entre clima organizacional e transferncia de treinamento. Dissertao de mestrado no-publicada, Universidade de Braslia, Braslia.
Lubinski, D., & Humphreys, L.G. (1990). Assessing spurious moderator
effects: Illustrated substantively with the hypothesized (synergistic)
relation between spatial and mathematical ability. Psychological
Bulletin, 107, 385-393.
Magalhes, M. L. (1996). Auto e hetero avaliao no diagnstico de necessidades de treinamento. Dissertao de mestrado no-publicada,
Universidade de Braslia, Braslia.
OConnor, B. P. (1998). Simple: All-in-one programs for exploring
interactions in moderated multiple regression. Educational and
Psychological Measurement, 58(5), 836-840.
Paula, S. M. A. (1992). Variveis preditoras de impacto de treinamento no
trabalho: anlise da percepo dos treinandos de duas organizaes.
Dissertao de Mestrado, Universidade de Braslia, Braslia.
Pedhazur, E. J. (1982). Multiple regression in behavioral research:
a
Explanation and prediction (2 ed.). New York: Holt, Rinehard &
Wisnton.
Sbraglia, R. (1983). Um estudo emprico sobre clima organizacional em
instituies de pesquisa. Revista de Pesquisa em Organizao, 18(2),
30-39.
Schwarzwald, J., Koslowsky, M., & Mager-Bibi, T. (1999). Peer rating
versus peer nominations during training as predictors of actual
performance criteria. The Journal of Applied Behavioral Science,
35(3), 360-372.

Aplicaes da regresso mltipla em estudos de psicologia organizacional

Shadur, M. A., Kienzle, R., & Rodwell, J.J. (1999). The relationship
between organizational climate and employee perceptions of
involvement. Group and Organization Management, 24(4), 479-503.
Singelis, T. M., Triandis, H. C., Bhawuk, D. P. S., & Gelfand, M. J. (1995).
Horizontal and vertical dimensions of individualism and collectivism:
A theoretical and measurement refinement. Journal of Cross-Cultural Research, 29, 240-275.
Siqueira, M. M. M. (1995). Antecedentes do comportamento de cidadania
organizacional: a anlise de um modelo ps-cognitivo. Tese de doutorado no-publicada. Universidade de Braslia, Braslia.

29
a

Tabachnick, B., & Fidell, L. S. (1996). Using multivariate statistics (3

ed.). New York: Harper Collins.
Torres, C. V. (1999). Leadership style norms among Americans and
Brazilians: Assessing differences using Jacksons return potential
model. Tese de doutorado no-publicada, California School of
Professional Psychology, San Diego.
Tukey, J. W. (1980). We need both exploratory and confirmatory. American
Statistician, 34, 23-25.

Gardnia Abbad, doutora em Psicologia Social e do Trabalho pela Universidade de Braslia, DF,
professora do Departamento de Psicologia Social e do Trabalho, Instituto de Psicologia da Universidade de Braslia, Braslia, DF.
Cludio Vaz Torres, doutor em Psicologia Social e do Trabalho pela Califrnia School of Professional
Psychology, EUA, professor do Departamento de Psicologia Social e do Trabalho, Instituto de
Psicologia da Universidade de Braslia, Braslia, DF.
Endereo para correspondncia: (GA) SQN 205, Bloco C, ap. 201, Asa Norte, 70.843-030, Braslia,
DF. Telefone residencial: (61) 272.0043. Telefone UnB: (61) 307.2625, Ramal 222. Fax IP/UnB:
(61) 273.8259. E-mails: (GA) gardenia@unb.br e (CVT) ctorres@unb.br.
Recebido em 06.01.01
Revisado em 09.04.01
Aceito em 25.07.01