Recursos

Tutoriais, documentação e ferramentas por nível, seguidos de artigos sobre investigação e estatística.

Autor

Afiliação

João O. Santos

ISPA

Tutoriais, Documentação e Ferramentas

Escolha um nível para encontrar apoio em R, gráficos e publicação com Quarto. Os artigos publicados, no final da página, aprofundam os temas de investigação e estatística trabalhados no NRB.

Principiantes

Comece aqui se ainda está a aprender a trabalhar no R ou a publicar um primeiro relatório. As notas indicam quando cada recurso é mais útil; os links abrem material externo, com requisitos próprios.

Aprender R no Youtube (2016) — útil para uma primeira orientação audiovisual e para acompanhar uma demonstração passo a passo.
Learning Statistics with R — escolha-o quando quiser ligar conceitos estatísticos introdutórios a exemplos em R.
R for Psychological Science — particularmente útil para leitores de psicologia que querem exemplos contextualizados, depois de conhecerem a sintaxe básica.
Just Enough R — uma referência curta para desbloquear tarefas imediatas sem tentar aprender toda a linguagem de uma vez.

Guia introdutório — o ponto de partida para aprender a construir gráficos por camadas e perceber a lógica do ggplot2.

Guia introdutório — siga-o ao criar o primeiro documento ou projecto Quarto.
Guia oficial do projecto — consulte-o quando já conhece o fluxo básico e precisa de escolher funcionalidades.
Galeria oficial do projecto — útil para ver possibilidades concretas antes de decidir como estruturar um relatório ou site.
Temas Bootswatch — para experimentar estilos visuais, mantendo uma estrutura acessível.

Intermédios

Passe para esta secção quando já conseguir ler, modificar e verificar código, mas precisar de documentação, resolução de problemas ou opções de publicação mais específicas.

Learn R — bom para consolidar a prática com exercícios depois da primeira introdução.
Guia oficial do RStudio — consulte-o quando a dúvida for sobre o ambiente, projectos, ficheiros ou atalhos.
R no stackoverflow — útil para encontrar soluções de programação; leia a resposta e adapte-a, em vez de copiar sem verificar.
Stats no stackoverflow — use-o para comparar explicações e abordagens, confirmando se o delineamento do seu estudo é comparável.

Site oficial — para compreender a gramática e encontrar guias organizados por tarefa.
Referência do pacote — para consultar rapidamente uma função, os seus argumentos e exemplos.

Guia oficial do projecto — consulta de referência quando a documentação introdutória já não chega.
Blog oficial do projecto — acompanhe novidades e exemplos de funcionalidades, sem o tratar como manual.
knitr chunk options — útil para controlar a execução e a apresentação de código R incorporado.
RMarkdown, capítulo de Mariona Pascual Peñas (MOC) — uma introdução à criação de relatórios a partir de texto e código.
Pandoc, RMarkdown, knitr — uma explicação pontual para diagnosticar a passagem entre estas ferramentas.
Extensions — consulte quando a funcionalidade nativa não cobre uma necessidade concreta.
APA with Quarto — útil quando precisa de aproximar um documento Quarto das exigências APA.
Docx Templates — use-o ao adaptar a saída Word a um modelo institucional.

Avançados

Estes recursos são mais úteis quando já consegue resolver tarefas correntes e quer compreender a implementação, escrever pacotes ou publicar material reprodutível. Não são pré-requisitos para começar.

Advanced R book — para compreender avaliação, ambientes, programação funcional e outros mecanismos internos de R.
R Packages book — percurso prático para transformar código reutilizável num pacote testável e distribuível.
Advanced R Solutions — use-o depois de tentar os exercícios, para comparar raciocínios e não apenas respostas.

Usar funções do ggplot2 em funções e em pacotes — para encapsular gráficos repetidos em código reutilizável.
Medir a performance — útil quando gráficos ou transformações se tornam lentos e quer medir antes de optimizar.
Especificação das aesthetics — consulta detalhada para controlar escalas, propriedades visuais e formatos.
Projecto oficial no GitHub — para acompanhar o desenvolvimento, consultar problemas conhecidos ou contribuir.

Publishing with GitHub Pages — siga-o quando quiser publicar um site Quarto através do GitHub.
Publishing with CI — útil para automatizar a construção e publicação a cada alteração.
Github Actions for Quarto — consulte-o para implementar essa automatização num workflow.
Imagem rocker/verse — uma opção para executar R, RStudio e Quarto num contentor; consulte as versões correntes e escolha a imagem adequada ao seu projecto.

The Book of Statistical Proofs — consulte-o para aprofundar demonstrações matemáticas depois de compreender a ideia estatística.

Artigos Publicados

Leituras para aprofundar perguntas que surgem nas páginas de teoria e nos tutoriais de R. As notas indicam o problema tratado e ajudam a escolher por onde começar.

Delineamento, Medida e Generalização

No NRB: Delineamento de Investigação.

Platt (1964), Strong Inference — propõe formular hipóteses alternativas e procurar experiências cujos resultados permitam excluir algumas delas. Útil ao planear o que uma experiência pode esclarecer.
McGuire (1997), Creative Hypothesis Generating in Psychology: Some Useful Heuristics — reúne heurísticas para gerar hipóteses, complementando a formação centrada em testá-las.
Flake e Fried (2020), Measurement Schmeasurement: Questionable Measurement Practices and How to Avoid Them — identifica decisões de medida que comprometem a validade e propõe perguntas concretas para as tornar explícitas. Útil antes de escolher instrumentos e ao escrever o método.
Judd et al. (2012), Treating stimuli as a random factor in social psychology: A new and comprehensive solution to a pervasive but largely ignored problem — explica como representar participantes e estímulos como factores aleatórios cruzados, em vez de ignorar uma das fontes de variação.
Zimmerman et al. (2021), A practical solution to pseudoreplication bias in single-cell studies — exemplo biológico para distinguir células observadas de indivíduos independentes. Ajuda a perceber por que razão muitas linhas de dados não equivalem a muitas réplicas.
Yarkoni (2022), The generalizability crisis — discute o desfasamento entre hipóteses verbais abrangentes e modelos que representam poucas fontes de variação. Útil para perguntar a que estímulos, tarefas e contextos se pretende generalizar.

Inferência e Interpretação

No NRB: Filosofia da Estatística e Fundamentos da Inferência.

Mayo e Spanos (2006), Severe Testing as a Basic Concept in a Neyman–Pearson Philosophy of Induction — desenvolve o teste severo e distingue as probabilidades de erro de um procedimento da avaliação de uma afirmação depois de observar os dados.
Wasserstein e Lazar (2016), The ASA Statement on p-Values: Context, Process, and Purpose — ponto de partida curto para interpretar valores-p sem os transformar na probabilidade de uma hipótese ou num critério único de decisão.
Greenland et al. (2016), Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations — guia de consulta sobre equívocos na interpretação de testes, intervalos de confiança e potência. Útil ao rever conclusões e resultados escritos.
García-Pérez (2017), Thou Shalt Not Bear False Witness Against Null Hypothesis Significance Testing — distingue críticas aos testes de críticas ao seu mau uso. Inclui relações entre valores-p e factores de Bayes em análises específicas, mantendo fixos o tamanho amostral e as escolhas do modelo e da distribuição a priori.
Gelman e Shalizi (2013), Philosophy and the practice of Bayesian statistics — defende uma prática Bayesiana que inclui verificar e rever modelos, para além de calcular distribuições posteriores. Liga a análise estatística a questões de filosofia da ciência.

Modelos, Interacções e Medidas Repetidas

No NRB: Comparação de Modelos, Medidas Repetidas e tutorial de medidas repetidas em R.

Simpson (1951), The Interpretation of Interaction in Contingency Tables — artigo clássico sobre os riscos de interpretar mecanicamente tabelas de contingência. O exemplo no NRB ajuda a relacionar agregação, grupos e pergunta causal.
Barr et al. (2013), Random effects structure for confirmatory hypothesis testing: Keep it maximal — defende estruturas de efeitos aleatórios máximas justificadas pelo delineamento em testes confirmatórios. Leia-o em conjunto com Matuschek et al. para perceber o debate.
Matuschek et al. (2017), Balancing Type I error and power in linear mixed models — usa simulações para discutir o compromisso entre erro de tipo I, potência e complexidade dos efeitos aleatórios. Complementa a proposta maximalista de Barr et al.
Bates et al. (2015), Fitting Linear Mixed-Effects Models Using lme4 — referência técnica sobre a especificação e estimação de modelos lineares mistos com lme4. Para aprofundar o que está por trás de lmer() e dos ajustes usados por outras interfaces.
Harrison et al. (2018), A brief introduction to mixed effects modelling and multi-model inference in ecology — introdução aplicada à ecologia, com escolhas de estrutura, avaliação do ajuste e comparação de modelos. Útil para reconhecer dificuldades frequentes na análise de dados biológicos.
Stanislaw e Todorov (1999), Calculation of signal detection theory measures — apresenta medidas de desempenho em tarefas de discriminação e formas de as calcular. Acompanha a página de Teoria da Detecção de Sinal.

Pressupostos, Diagnósticos e Métodos Robustos

No NRB: Pressupostos do Modelo Linear, Estatística Robusta e diagnósticos em R.

Cook (1977), Detection of Influential Observation in Linear Regression — apresenta uma medida da contribuição de cada observação para a estimativa dos coeficientes. Referência para compreender os diagnósticos de influência.
Long e Ervin (2000), Using Heteroscedasticity Consistent Standard Errors in the Linear Regression Model — compara estimadores de incerteza resistentes à heteroscedasticidade, incluindo HC3. Discute também por que motivo a sua utilização não deve depender de um teste preliminar de heteroscedasticidade.
Field e Wilcox (2017), Robust statistical methods: A primer for clinical psychology and experimental psychopathology researchers — introdução com tutoriais sobre pressupostos e métodos robustos. Boa primeira leitura para acompanhar o capítulo de estatística robusta.
Mair e Wilcox (2020), Robust statistical methods in R using the WRS2 package — passa dos conceitos à implementação em R, com medidas robustas e análises para grupos independentes, dependentes e delineamentos mistos.

Descritivas e Visualização

No NRB: Distribuições e Descritivas e gráficos em R.

Anscombe (1973), Graphs in Statistical Analysis — mostra por que razão os gráficos devem acompanhar os cálculos e a avaliação dos pressupostos, sobretudo na regressão.
Matejka e Fitzmaurice (2017), Same Stats, Different Graphs: Generating Datasets with Varied Appearance and Identical Statistics through Simulated Annealing — gera conjuntos de dados com propriedades estatísticas comuns e gráficos muito diferentes. Complementa os exemplos sobre os limites dos sumários numéricos no NRB.
Westfall (2014), Kurtosis as Peakedness, 1905–2014. R.I.P. — explica por que razão a curtose não deve ser lida como a altura ou forma do pico. Útil para rever a interpretação das caudas e dos valores extremos.

Modelos Especializados

Para uma leitura posterior aos modelos lineares generalizados e aos modelos mistos.

Draxler e Kurz (2026), Exact conditional inference in models for longitudinal designs — inferência condicional exacta para respostas binárias longitudinais, a partir de uma generalização do modelo de Rasch. Inclui aproximações de Monte Carlo às distribuições dos testes.
Bergonzoli et al. (2026), Ordinal Mixed-Effects Random Forests — propõe florestas aleatórias com efeitos mistos para respostas ordinais hierárquicas. Uma extensão especializada para explorar relações mais complexas do que as dos modelos introdutórios.

Reprodutibilidade Computacional

Reiss et al. (2026), Improving computational reproducibility in the social sciences — comentário que propõe quatro recomendações para melhorar a reprodução de resultados a partir dos dados e do código originais. Complementa os recursos de Quarto, automatização e contentores apresentados acima.