Como usar a ferramenta
Abra o arquivo ou clique em “Usar dados de exemplo”, marque as perguntas que vão definir as classes e escolha para cada uma “Categórico”, “Ordinal (como categorias)” ou “Contínuo”. Se quiser, escolha uma coluna de peso, a faixa de número de classes, a quantidade de inícios aleatórios e a semente, e rode.
Comece pela tabela de comparação de modelos: log-verossimilhança, número de parâmetros, AIC, BIC, CAIC, BIC ajustado pelo tamanho da amostra (SABIC), R² de entropia, menor classe e quantos inícios aleatórios atingiram a melhor log-verossimilhança, para cada k. Escolhido um modelo, a tabela de perfil mostra as probabilidades de resposta ou as médias de cada classe com o índice em relação ao total; você pode exportar a base com a classe e as probabilidades a posteriori, os parâmetros da ferramenta de classificação, ou digitar as respostas de um novo entrevistado para ver suas probabilidades de classe.
Método: algoritmo EM e comparação de modelos
O modelo é P(xᵢ) = Σₖ πₖ Πⱼ fⱼ(xᵢⱼ | k): πₖ é a participação da classe k e fⱼ é a distribuição do indicador j naquela classe — probabilidades por categoria para indicadores categóricos e ordinais, densidade normal com média e variância da classe para os contínuos. Os parâmetros são estimados por máxima verossimilhança com o algoritmo EM. Indicadores não respondidos são simplesmente omitidos da verossimilhança (suposição de ausência aleatória), então qualquer entrevistado com pelo menos um indicador respondido é classificado.
O EM pode parar num máximo local, por isso cada k parte, por padrão, de 10 inícios aleatórios com semente: todos rodam um trecho curto de EM, os mais promissores seguem até a convergência e fica a solução de maior log-verossimilhança, com a informação de quantos inícios convergidos chegaram a ela. Mesmo arquivo, configurações e semente dão o mesmo resultado; as classes são numeradas da maior para a menor. A variância de um indicador contínuo dentro de uma classe não fica abaixo de 1% da variância total do indicador, para evitar que uma classe colapse num único valor.
- Número de parâmetros p = (k − 1) + k × (categorias − 1) por indicador categórico + 2k por indicador contínuo.
- BIC = −2 log L + p ln n; AIC, CAIC e SABIC aparecem na mesma tabela, e valores menores são melhores.
- O R² de entropia vai de 0 a 1; quanto mais perto de 1, mais nítida a alocação dos entrevistados às classes.
- Com pesos, eles são reescalonados para média 1 e a estimação é por pseudoverossimilhança; os critérios de informação usam o número de entrevistados sem ponderação.
Exemplo resolvido
A pesquisa sintética com compradores tem 900 entrevistados e 7 indicadores: loja principal, uso de cupons, compra de orgânicos e frequência de compra (categóricos), fidelidade à marca e sensibilidade a preço (1–5, tratadas como categorias) e gasto mensal com supermercado (contínuo). Cada entrevistado foi gerado a partir de uma de três classes plantadas, com cerca de 4% de respostas em branco. Ajustando k de 1 a 6, o BIC fica: 23.102 com k = 1; 22.076 com k = 2; 21.585 com k = 3; 21.674 com k = 4; 21.762 com k = 5; 21.858 com k = 6.
O menor BIC é o de k = 3, com participações de 46,3%, 33,7% e 20,1% e R² de entropia de 0,916. Atribuindo cada pessoa à classe mais provável, 97,1% coincidem com a classe plantada (as classes 1 a 3 correspondem, uma a uma, a caçadores de ofertas, fiéis ao premium e compradores por conveniência). Na classe 1, 58% (contra 32% no total) têm uma loja de desconto como loja principal, e o gasto mensal médio é 424 (contra 466 no total): o perfil típico de quem caça ofertas.
Modelos com mais classes melhoram pouco o ajuste e são penalizados pelo BIC; além disso, as classes a mais costumam ser atingidas por poucos inícios aleatórios, sinal de que o EM achou soluções locais instáveis.
Quando usar e quando não usar
Avalie o modelo olhando ao mesmo tempo BIC, entropia, tamanho da menor classe, se a melhor log-verossimilhança se repete em vários inícios e se as probabilidades de resposta formam perfis claros. As classes resumem padrões de resposta e a alocação à classe mais provável tem erro de classificação; nas análises seguintes, vale manter as probabilidades a posteriori.
- Use para segmentar com perguntas nominais ou de tipos mistos, como canal, marca usada, comportamentos sim/não, escalas e gasto juntos.
- Use quando precisar da probabilidade de cada entrevistado pertencer a cada classe, e não só de uma alocação rígida, ou de uma ferramenta para classificar novos entrevistados.
- Não use com uma ou duas centenas de entrevistados e muitas perguntas com categorias esparsas — modelos com mais classes deixam de ser identificados.
- Não use com bases muito grandes — aqui o limite é de 20.000 linhas e 200.000 respostas (linhas × indicadores).
Como interpretar o resultado
Classes com probabilidade a posteriori média acima de 0,8 têm alocação confiável; com R² de entropia acima de cerca de 0,8, dá para usar a classe mais provável como coluna de segmento. Nomeie as classes pelas categorias e médias com índice bem acima ou abaixo de 100 e use tabelas cruzadas para ver as diferenças em demografia e comportamento.
O modelo de classes latentes supõe que, dentro de cada classe, os indicadores são independentes. Se duas perguntas são quase repetidas (a mesma pergunta feita de dois jeitos), o modelo pode criar uma classe extra só para explicar a associação entre elas; nesse caso, mantenha apenas uma.