Os dados que usaremos estão detalhados nessa página do OpenIntro. São dados sobre a avaliação de professores feita por alunos, eles avaliam a qualidade do ensino do professor levando em consideração fatores como a idade e a beleza. O intuito da pesquisa é saber se tem uma relação na avaliação feita pelos alunos entre a estética do professor e o quão bem ele ensina.

Analisaremos os seguintes dados:

Score: A avaliação do ensino do(a) professor(a), varia entre 0 e 5.

Age: A idade do(a) professor(a).

Gender: O gênero do(a) professor(a).

Bty_avg: A média de beleza.

Pic_outfit: Se a roupa do(a) professor(a) é formal ou não.

Pic_color: Se a foto mostrada era preta e branca ou colorida.

A seguir a vizualização do comportamento das variáveis nos gráficos de dispersão de pontos das métricas em relação ao score:

profs %>% 
    ggplot(aes(x = age, y = score)) + 
    geom_count()

profs %>% 
    ggplot(aes(x = gender, y = score)) + 
    geom_count()

profs %>% 
    ggplot(aes(x = bty_avg, y = score)) + 
    geom_count()

profs %>% 
    ggplot(aes(x = pic_outfit, y = score)) + 
    geom_count()

profs %>% 
    ggplot(aes(x = pic_color, y = score)) + 
    geom_count()

Analisando os dados:

Podemos observar nos gráficos, que visualmente cada variável individualmente em relação ao score apresenta-se dificil de determinar se existe uma relação que mostre que as variáveis influenciam no score.

Agora vamos analisar com todas as variáveis e criar um modelo, com o objetivo de perceber se as múltiplas variáveis influenciam no comportamento do score.

modelo_todos = lm(score ~ age + bty_avg + gender + pic_outfit + pic_color, data = profs) 

tidy(modelo_todos,conf.int = TRUE)
tidy(modelo_todos) %>% 
    select(term, estimate) %>% 
    spread(term, estimate) %>% 
    cbind(
      glance(modelo_todos) %>% 
        select(r.squared)
    )

Ao analisar o modelo, podemos observar que o r.squared das múltiplas variáveis se mostra baixo, indicando que a uma relação fraca entre as variáveis.

Em relação a cada uma das variáveis, podemos observar que o efeito da idade é baixo e negativo, os professores mais velhos tendem a ser pior avaliados, mas ainda assim tem uma diferença pequena em diferenças de idade consideradas grandes. Os professores tendem a ser melhor avaliados que as professoras, mas com uma diferença pequena tambem. Os professores(as) com beleza relacionada, tendem a ter melhores avaliações, mas com uma diferença maior em relação as outras variáveis. Dessa forma, a beleza é a variável com efeito maior em relação ao score.

Em conclusão, as métricas avaliadas expressam muito pouco em relação a qualidade de ensino dos professores(as), ainda que podemos perceber que a variável beleza causa efeito quanto a score.