Skip to content
Voltar aos resultados

Pesquisa Explicativa — Desenho de Pesquisa Explicativa

Proposto por
Formalized by Earl Babbie and Fred Kerlinger among others
Ano
1960s–1980s (codified in behavioral and social science methodology)
Tipo
Non-experimental quantitative research design
Família
Survey / observational design

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A pesquisa explicativa é um desenho de pesquisa quantitativa não experimental que vai além da descrição de um fenômeno para identificar por que ele ocorre — examinando as relações ou mecanismos que explicam os padrões observados.

Fundamentada na metodologia das ciências sociais positivistas, utiliza hipóteses orientadas por teoria e análise estatística para testar se variáveis específicas explicam a variação em um resultado, sem necessariamente manipulá-las.

A intuição por trás do método

Se a pesquisa descritiva responde 'o que está acontecendo?' e a pesquisa exploratória pergunta 'o que pode estar acontecendo?', a pesquisa explicativa pergunta 'por que isso está acontecendo?' Imagine que você já estabeleceu que a motivação do aluno e o desempenho acadêmico estão correlacionados. A pesquisa explicativa vai além: formula uma hipótese fundamentada em uma teoria motivacional, coleta dados sobre as variáveis explicativas propostas (por exemplo, autoeficácia, orientação para metas, apoio parental) e testa estatisticamente se essas variáveis explicam as diferenças no desempenho. O objetivo é construir ou verificar uma explicação — uma conta causal ou relacional — não meramente uma descrição.

História

A distinção entre propósitos de pesquisa descritiva, exploratória e explicativa foi sistematizada em livros didáticos de metodologia das ciências sociais das décadas de 1960 a 1980, notavelmente em Foundations of Behavioral Research de Fred Kerlinger (1964, rev. 1986) e The Practice of Social Research de Earl Babbie (primeira edição 1975). Essas obras estabeleceram a pesquisa explicativa como o terceiro e mais ambicioso nível de investigação científica — após a descrição e a exploração — no qual o pesquisador testa uma explicação teórica para a existência de padrões. O quadro foi amplamente adotado em pesquisas de sociologia, psicologia, educação e gestão e permanece central nos currículos de métodos de pesquisa de pós-graduação.

Quando usar

Use pesquisa explicativa quando uma base descritiva já existe e o objetivo é entender por que ou como os padrões observados surgem — testando explicações teóricas específicas em vez de meramente documentá-las. É adequada para situações em que experimentos randomizados são impraticáveis ou antiéticos e onde o controle estatístico pode substituir a manipulação experimental. É apropriada quando os tamanhos de amostra são grandes o suficiente para análise multivariada e quando medidas validadas de construtos explicativos estão disponíveis. Não use pesquisa explicativa quando o fenômeno é tão mal compreendido que nenhuma teoria credível ainda existe (use pesquisa exploratória em vez disso), quando os tamanhos de amostra são muito pequenos para o modelo estatístico pretendido, ou quando a questão de pesquisa requer prova causal que apenas um experimento controlado pode fornecer.

Limitações e considerações

  • Sem atribuição aleatória, não pode estabelecer definitivamente a causalidade — correlação e controle estatístico não são substitutos para experimentação.
  • Desenhos transversais não podem descartar causalidade reversa ou estabelecer a ordenação temporal das variáveis necessária para inferência causal.
  • O poder explicativo depende inteiramente da qualidade do quadro teórico; um modelo mal especificado produzirá resultados enganosos mesmo com dados limpos.
  • Erro de medição em variáveis explicativas atenua coeficientes de regressão e pode levar à subestimação das relações verdadeiras.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Move a investigação para além da descrição para testar explicações teoricamente derivadas de por que os fenômenos ocorrem.
  • Aplicável em contextos onde a manipulação experimental é impraticável, antiética ou impossível.
  • Controles estatísticos multivariados permitem o exame de múltiplas variáveis explicativas simultaneamente, mantendo outras constantes.
  • Compatível com amostras grandes e representativas, permitindo a generalização da explicação para uma população definida.
  • Cumulativa: os achados podem ser integrados entre estudos por meio de meta-análise para construir modelos explicativos mais fortes.

Aplicações

  • Testar se autoeficácia, valor da tarefa e apoio parental explicam conjuntamente a variância no desempenho acadêmico do aluno após controlar o aproveitamento prévio.
  • Examinar quais fatores organizacionais (estilo de liderança, clima de comunicação, clareza de papel) explicam as diferenças nas taxas de burnout de funcionários entre departamentos.
  • Investigar por que certos bairros têm taxas mais altas de doenças crônicas, testando variáveis explicativas como acesso a alimentos, qualidade do ar e privação socioeconômica.
  • Avaliar explicações teóricas concorrentes sobre o comparecimento eleitoral, testando preditores demográficos, atitudinais e estruturais em um conjunto de dados de pesquisa nacional.
  • Analisar os caminhos pelos quais a intensidade do treinamento, as práticas de recuperação e a prontidão psicológica explicam a variação de desempenho entre atletas competitivos.

Como funciona

Como funciona

1

O pesquisador identifica um fenômeno que precisa de explicação e deriva hipóteses específicas, fundamentadas em teoria, sobre por que ele ocorre. Essas hipóteses especificam quais variáveis independentes são esperadas para explicar a variação na variável dependente e em que direção, com base em literatura prévia ou quadros teóricos estabelecidos.

2

Um desenho de pesquisa é escolhido que permite testar as hipóteses com controles apropriados. Pesquisas transversais, conjuntos de dados secundários ou registros arquivísticos são comuns. Como a pesquisa explicativa é tipicamente não experimental, o pesquisador utiliza controles estatísticos (por exemplo, regressão, ANCOVA, análise de caminhos) para isolar a contribuição explicativa de cada variável em vez de randomizar participantes para condições.

3

Os dados são coletados de uma amostra que é grande o suficiente para detectar os tamanhos de efeito esperados e suportar as técnicas estatísticas planejadas. Instrumentos padronizados, escalas validadas ou registros administrativos são preferidos para maximizar a confiabilidade da medição. A representatividade da amostra é importante porque o objetivo é generalizar a explicação para além da amostra.

4

Métodos estatísticos inferenciais — análise de regressão, modelagem de equações estruturais, análise de variância ou análise de mediação/moderação — são aplicados para testar se as variáveis explicativas hipotetizadas explicam uma variância significativa no resultado. Estatísticas de bondade de ajuste, tamanhos de efeito e intervalos de confiança são relatados juntamente com testes de significância.

5

Os resultados são interpretados à luz do quadro teórico original. O pesquisador avalia se as evidências apoiam, apoiam parcialmente ou refutam cada hipótese, discute explicações alternativas, reconhece as limitações da inferência transversal ou não experimental e situa os achados dentro da literatura mais ampla.

Erros comuns

  • Afirmação de causalidade a partir de evidências correlacionais — a pesquisa explicativa pode apoiar uma interpretação causal, mas não pode prová-la sem desenho experimental ou dados longitudinais com ordenação temporal adequada.
  • Omissão de variáveis relevantes — variáveis de confusão deixadas de fora do modelo inflacionam ou deflacionam a contribuição explicativa aparente das variáveis incluídas, levando a estimativas enviesadas.
  • Amostras subdimensionadas — regressão e SEM requerem tamanhos de amostra adequados em relação ao número de preditores; regras práticas sugerem pelo menos 10–20 casos por preditor para regressão.
  • Tratar significância estatística como sinônimo de importância explicativa — uma amostra grande pode produzir efeitos significativos, mas trivialmente pequenos; sempre relate e interprete tamanhos de efeito.

Perguntas frequentes

Qual é a diferença entre pesquisa explicativa e confirmatória?

Os termos estão intimamente relacionados, mas carregam ênfases diferentes. A pesquisa explicativa foca no objetivo — entender por que um fenômeno ocorre — e abrange uma variedade de desenhos, desde pesquisas baseadas em regressão até modelos de caminhos. A pesquisa confirmatória enfatiza especificamente o teste de hipóteses pré-registradas, no qual as hipóteses exatas, os tamanhos de amostra e o plano de análise são especificados antes da coleta de dados, seguindo a lógica da confirmação rigorosa de hipóteses. Toda pesquisa confirmatória tem intenção explicativa, mas nem toda pesquisa explicativa atende aos padrões de protocolo mais rigorosos da pesquisa confirmatória.

A pesquisa explicativa pode estabelecer causalidade?

A pesquisa explicativa não experimental pode fornecer fortes evidências consistentes com uma interpretação causal, especialmente quando combinada com dados longitudinais, variáveis instrumentais ou controles estatísticos rigorosos, mas não pode estabelecer definitivamente a causalidade da mesma forma que um experimento controlado randomizado pode. O pesquisador deve reconhecer essa limitação e discutir explicações alternativas para as relações observadas.

Como a pesquisa explicativa difere da pesquisa exploratória?

A pesquisa exploratória é realizada quando relativamente pouco se sabe sobre um fenômeno e o objetivo é gerar hipóteses ou identificar variáveis relevantes. A pesquisa explicativa começa onde a exploração termina: assume que uma base teórica suficiente já existe e testa hipóteses específicas sobre por que o fenômeno ocorre. Na prática, um programa de pesquisa muitas vezes se move de fases exploratórias para explicativas em múltiplos estudos.

Quais métodos estatísticos são típicos na pesquisa explicativa?

Regressão linear ou logística múltipla, regressão hierárquica, modelagem de equações estruturais (SEM), análise de covariância (ANCOVA), análise de mediação e moderação (por exemplo, o macro PROCESS) e análise de caminhos são comumente usados. A escolha depende do número e tipo de variáveis explicativas, da natureza do resultado e se caminhos mediadores ou moderadores são hipotetizados.

Qual o tamanho da amostra necessário?

Os requisitos de tamanho de amostra dependem da técnica estatística, do número de preditores e do tamanho de efeito esperado. Para regressão múltipla, uma heurística comum é de 10–20 casos por variável preditora; para SEM, um mínimo de 200 casos é frequentemente citado. A análise de poder (por exemplo, usando G*Power) antes da coleta de dados é fortemente recomendada para garantir que o estudo possa detectar os tamanhos de efeito especificados pela teoria que está sendo testada.

Métodos relacionados

Fontes

  1. Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN: 978-0030417559
    Copiado.
  2. Babbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.

    ISBN: 978-0495598428
    Copiado.