knitr::opts_chunk$set(
    echo = TRUE,
    message = FALSE,
    warning = FALSE
)

Instruções

Esse é um trabalho de análise de dados onde vocês analisarão dados reais, coletados através do Qualtrics. Isso requererá, portanto, uma parte mais extensa de setup mas, ao mesmo tempo, será uma aplicação mais realista da tarefa de análise de dados em um contexto experimental. Junto com essas instruções, incluirei o questionário utilizado para a coleta, bem como a base de dados bruta (com respostas em números). Antes disso, entretanto, permita-me lhes contar um pouco sobre a pesquisa em questão.

Sobre a Pesquisa

Essa base de dados contém as respostas de uma pesquisa sobre os efeitos do posicionamento político de marca nas atitudes em relação à marca, inclusive nas intenções de compra. Essa pesquisa é decorrente de um trabalho de conclusão de uma das minhas orientandas (Mariah Pacheco) e está sendo compartilhada com a autorização dela. Portanto, eu pediria que os dados aqui compartilhados não fossem utilizados com nenhum outro propósito senão o de exercício para essa disciplina. A autora e eu mantemos o direito sobre os dados coletados e sobre as análises e conclusões em decorrência das análises.

Talvez os objetivos do TCC dela esclareçam um pouco mais das intenções por trás dessa pesquisa.

“Objetivo Geral: Verificar a influência do posicionamento político de marcas na atitude do consumidor em relação à marca e na sua percepção de autenticidade de marca.”

“Objetivos Específicos Identificar a influência do posicionamento político do respondente na sua atitude em relação aos posicionamentos de marca; Identificar a influência do posicionamento político do respondente na sua avaliação de autenticidade das marcas apresentadas.”

Para responder esses objetivos, ela empregou um design entre participantes com três condições: “Posicionamento de Esquerda”, “Posicionamento de Direita” e “Controle”. Essas condições foram pré-testadas e foram percebidas como, de fato, esquerda e direita.
A autora criou um questionário no Qualtrics onde ela apresentou informações sobre uma marca fictícia de água que se posicionava à esquerda no espectro político, à direita, ou de forma promocional (focando no produto, o controle). Esses cenários podem ser encontrados no questionário em anexo.

Sobre as variáveis

Para facilitar nossa vida, farei um breve “dicionário” das variáveis encontradas no banco de dados, focando nas variáveis de interesse para nossa análise. Vou fazer uma “varredura” na ordem em que as variáveis aparecem.

Dicionário de Variáveis
Variável Descrição
Duration (in seconds) O tempo de resposta do questionário, em segundos
Finished Se o respondente finalizou o questionário (0 não, 1 sim)
atitude_1 - 10 Itens da escala de atitude, likert 1-7
autenticidade_1 - 4 Itens da escala de autenticidade de marca, 1-5
posicionamento Posicionamento político do respondente 1-9 (esquerda à direita)
genero 1-Mulher, 2-Homem, 3-Não binário, 4-Prefere não informar
idade Idade em anos
renda Faixas de renda, de acordo com o questionário
escolaridade Faixas de escolaridade, de acordo com o questionário
Blocodeperguntaspadrão_DO_esquerda Se o respondente viu a condição de “esquerda”, 1-viu
Blocodeperguntaspadrão_DO_direita Se o respondente viu a condição de “direita”, 1-viu
Blocodeperguntaspadrão_DO_controle Se o respondente viu a condição de controle, 1-viu

Perguntas

A seguir eu listarei as perguntas que eu quero que vocês respondam. Para cada pergunta, eu gostaria que a reposta fosse descritiva - “em português” - fundamentada nos dados e nos testes estatísticos apropriados. Eu responderei a primeira pergunta (pergunta 0) como um exemplo.

  1. Existe diferença na atitude em relação à marca (independente das condições) para homens e mulheres?

As médias de atitude em relação à marca, independente da condição experimental, não são significativamente diferentes para Mulheres (\(\overline{x}_{Mulheres} = 4.19\), \(\sigma_{Mulheres} = 1.49\), \(n_{Mulheres} = 109\)) e para Homens ((\(\overline{x}_{Homens} = 4.37\), \(\sigma_{Homens} = 1.10\), \(n_{Homens} = 109\))), t(119.26) < 1, ns.

Vamos às perguntas:

  1. Na sua opinião, algum caso deve ser eliminado da amostra? Indique qual(is) caso(s) e justifique sua resposta. Independente da sua resposta, mantenha o número de casos intacto para as análises posteriores.
  2. Quantos respondentes temos em cada condição experimental?
  3. Qual o perfil do respondente? Para as variáveis “Gênero” e “Idade”, apresente gráficos (barras e histograma, respectivamente).
  4. O posicionamento político da marca influencia a atitude em relação à marca? De que forma?
  5. O posicionamento político da marca influencia a autenticidade percebida da marca? De que forma?
  6. O posicionamento político do respondente modera a relação entre o posicionamento político da marca e a atitude em relação à marca? Bônus: se a moderação for significante, faça uma análise de floodlight para verificar onde, exatamente, essa relação é significante.

Entregas

Respostas às perguntas devem ser entregues em PDF para o meu email da UFRGS: até o dia 02/07. Além disso, entreguem também o script do R, do SPSS ou do programa utilizado. Se as análises forem realizadas em um programa sem script (e.g., Jamovi, PSPP, etc.), entreguem o output inteiro, em PDF, não editado.

Respostas

Aqui eu vou apresentar as respostas. Antes disso, eu esclareço que essa não é a única forma de responder às perguntas e de conduzir as análises. É apenas uma sugestão de condução.

O primeiro passo é importar os dados.

d1<-read.csv("dados_Mariah_temp.csv", header = T)

Após, eu vou criar uma variável “condicao” que reflete a condição experimental exposta ao respondente. Nesse arquivo do Qualtrics, a condição experimental está separada em três variáveis, e não em uma variável só. Isso provavelmente aconteceu porque a pesquisadora usou três questões aleatorizadas em um mesmo bloco, ao invés de três blocos aleatorizados no survey flow. Existem diferentes formas de fazer isso. Eu vou apresentar algumas delas, mas sempre partindo de uma recodificação centrada em zero. Isso será útil caso queiramos fazer alguma análise através de uma regressão.

#recodificando, somando e mudando de nome
d1$condicao_v1 <- 0 #crio uma nova variável só com zeros
d1$esquerda<-d1$Blocodeperguntaspadrão_DO_esquerda-2
d1$direita<-d1$Blocodeperguntaspadrão_DO_direita
d1$controle<-d1$Blocodeperguntaspadrão_DO_controle-1
d1$condicao.df<-data.frame(d1$esquerda, d1$direita, d1$controle)
d1$condicao_v1<-rowSums(d1$condicao.df,na.rm = T)

#um jeito mais rápido de fazer a mesma coisa
d1$condicao.cc[d1$Blocodeperguntaspadrão_DO_controle==1]<-0
d1$condicao.cc[d1$Blocodeperguntaspadrão_DO_esquerda==1]<--1
d1$condicao.cc[d1$Blocodeperguntaspadrão_DO_direita==1]<-+1

#transformando essa variável em um fator
d1$condicao.f<- factor(d1$condicao.cc,
                       levels = c(-1,0,1),
                       labels = c("Esquerda","Controle","Direita"))

Agora, partirei para as repostas específicas.

Pergunta 1 - Quem eliminar?

Primeiro, dar uma olhada na questão “Finished” para ver se alguém não acabou o questioário.

table(d1$Finished)
## 
##   1 
## 157

Pelo jeito, todos acabaram o questionário. Depois disso, dar uma olhada em outliers por tempo de resposta.

outliers <- boxplot(d1$Duration..in.seconds.)

sort(outliers$out)
##  [1]  527  618  636  673  674  722  753  852 1316 1330 1336 1643 2256 7796

Aparentemente, todos os respondentes que levaram mais do que 527 segundos para responder o questionário são outliers. Tem até um respondente que levou 129.93 minutos para responder! Entretanto, como essa decisão é subjetiva e, portanto, não passível de comparação, pedi para que vocês mantivessem a amostra intacta para as análises subsequentes. Dada a natureza dos dados, era possível, também, verificar a distribuição entre os outliers do log do tempo de resposta. Isso provavelmente revelaria indivíduos que responderam relativamente rápido demais.

Pergunta 2 - Quantos respondentes por condição experimental?

require(questionr)
require(knitr)
t.condicoes <- freq(d1$condicao.f, digits = 2, exclude = NA, total = T)
kable(t.condicoes, caption = "Número de Respondentes por Condição Experimental")
Número de Respondentes por Condição Experimental
n %
Esquerda 54 34.39
Controle 52 33.12
Direita 51 32.48
Total 157 100.00

Pergunta 3 - Perfil do Respondente

d1$genero.f<- factor(d1$genero, levels = c(1,2), labels = c("Feminino","Masculino"))
t.genero <- freq(d1$genero.f, digits = 2, exclude = NA, total = T)
kable(t.genero, caption = "Número de Respondentes por Gênero")
Número de Respondentes por Gênero
n %
Feminino 109 69.43
Masculino 48 30.57
Total 157 100.00 
require(ggplot2)
require(wesanderson)
require(scales)

genero.g<-t.genero[-3,]
colnames(genero.g)<-c("n","percentual")
ggplot(genero.g, aes(x = "", y = percentual, fill = rownames(genero.g)))+
  geom_bar(stat="identity", width=1) +
  coord_polar("y", start=0) +
  geom_text(aes(label = percent(percentual/100)), position = position_stack(vjust=0.5))+
  theme_void()+
  scale_fill_manual(values=wes_palette(n=2, name="GrandBudapest2")) +
  labs(title = "Respondentes por Gênero", fill = "Gênero")

A maior parte dos respondentes se identifica como do gênero feminino.

t.idade <- data.frame(psych::describe(d1$idade))
ggplot(d1, aes(x=idade)) + 
  geom_histogram(aes(y=..density..),binwidth = 1, color="grey",fill="grey")+
  geom_density(alpha=.2, fill="pink")+
  geom_vline(aes(xintercept=mean(idade,na.rm=T)),color="pink",linetype="dashed",size=1)+
  labs(title="Idade dos Respondentes",y=NULL,x="Anos")

A idade média dos respondentes é de 32.5 anos, com um desvio-padrão de 13.32 anos. Pela distribuição, nota-se uma skew.

Pergunta 4 - Relação entre Posicionamento da Marca e Atitude em Relação à Marca

Para começar a análise, vamos dar uma olhada na distribuição de atitude em relação à marca para cada uma das condições.

d1$atitude.df <- data.frame(d1$atitude_1, d1$atitude_2, d1$atitude_3, d1$atitude_4, 
                        d1$atitude_5, d1$atitude_6, d1$atitude_7, d1$atitude_8, 
                        d1$atitude_9, d1$atitude_10)
d1$atitude <- rowMeans(d1$atitude.df, na.rm = TRUE)
t.atitude.cond <- describeBy(d1$atitude, d1$condicao.f, mat = 2, digits = 2)
rownames(t.atitude.cond)<-NULL
names(t.atitude.cond)[2]<-"Condição"
kable(t.atitude.cond[,c(2,4:6)])
Condição n mean sd
Esquerda 54 5.19 1.00
Controle 52 3.82 1.23
Direita 51 3.66 1.36 
ggplot(t.atitude.cond, aes(x=`Condição`, y=mean))+
  geom_bar(stat = "identity", width = 0.5, fill = "lightblue")+
  geom_errorbar(aes(ymax = mean + (1.96*se), ymin=mean - (1.96*se)), 
                position=position_dodge(width=0.9), width=0.25)+
  coord_cartesian(ylim = c(1, 7))+
  labs(title="Atitude em Relação à Marca por Condição Experimental", 
       y="Atitude Média", x="Condições")

Enquanto a atitude em relação à marca “de esquerda” é de 5.19 pontos, as atitudes em relação às marcas de controle e de direita são 3.82 e 3.66 respectivamente.

anova.atitude <- aov(atitude ~ condicao.f, data = d1)
summary(anova.atitude)
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## condicao.f    2  75.46   37.73   26.09 1.74e-10 ***
## Residuals   154 222.66    1.45                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
TukeyHSD(anova.atitude)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = atitude ~ condicao.f, data = d1)
## 
## $condicao.f
##                         diff        lwr        upr     p adj
## Controle-Esquerda -1.3713675 -1.9242629 -0.8184722 0.0000001
## Direita-Esquerda  -1.5356209 -2.0912708 -0.9799710 0.0000000
## Direita-Controle  -0.1642534 -0.7250694  0.3965626 0.7678548
require(lsr)
etaSquared(anova.atitude)
##               eta.sq eta.sq.part
## condicao.f 0.2531078   0.2531078

Existe uma diferença significativa entre as médias de atitude para as marcas com diferentes posicionamentos, F(2,154) = 26.09, p < .01, \(\eta^2\) = 0.25. Uma subsequente análise de Tukey revela que as médias da atitude em relação às marcas de direita e controle não são significativamente diferentes. Existe diferença, entretanto, entre as atitudes associadas à marca de Esquerda e Controle e Esquerda e Direita (todas, p < .05).

Pergunta 5 - Relação entre Posicionamento da Marca e Autenticidade da Marca

Novamente, começaremos a análise com uma inspeção na distribuição de autenticidade de marca para cada uma das condições.

d1$autenticidade.df <- data.frame(d1$autenticidade_1, d1$autenticidade_2,
                                  d1$autenticidade_3, d1$autenticidade_4)
d1$autenticidade <- rowMeans(d1$autenticidade.df, na.rm = T)

t.autenticidade.cond <- describeBy(d1$autenticidade, d1$condicao.f, mat = 2, digits = 2)
rownames(t.autenticidade.cond)<-NULL
names(t.autenticidade.cond)[2]<-"Condição"
kable(t.autenticidade.cond[,c(2,4:6)])
Condição n mean sd
Esquerda 54 3.74 0.60
Controle 52 3.00 0.99
Direita 51 3.19 0.89 
ggplot(t.autenticidade.cond, aes(x=`Condição`, y=mean))+
  geom_bar(stat = "identity", width = 0.5, fill = "pink")+
  geom_errorbar(aes(ymax = mean + (1.96*se), ymin=mean - (1.96*se)), 
                position=position_dodge(width=0.9), width=0.25)+
  coord_cartesian(ylim = c(1, 7))+
  labs(title="Autenticidade da Marca por Condição Experimental", 
       y="Autenticidade Média", x="Condições")

Enquanto a autenticidade da marca “de esquerda” é de 3.74 pontos, a autenticidade da marca controle e de direita são 3 e 3.19 respectivamente.

anova.autenticidade <- aov(autenticidade ~ condicao.f, data = d1)
summary(anova.autenticidade)
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## condicao.f    2  15.79   7.896    11.2 2.88e-05 ***
## Residuals   154 108.60   0.705                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
TukeyHSD(anova.autenticidade)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = autenticidade ~ condicao.f, data = d1)
## 
## $condicao.f
##                         diff        lwr        upr     p adj
## Controle-Esquerda -0.7407407 -1.1268713 -0.3546102 0.0000334
## Direita-Esquerda  -0.5544662 -0.9425205 -0.1664119 0.0026173
## Direita-Controle   0.1862745 -0.2053877  0.5779367 0.4998331
etaSquared(anova.autenticidade)
##               eta.sq eta.sq.part
## condicao.f 0.1269566   0.1269566

Existe uma diferença significativa entre as médias de autenticidade das marcas com diferentes posicionamentos, F(2,154) = 11.2, p < .01, \(\eta^2\) = 0.12. Uma subsequente análise de Tukey revela que as médias da autenticidade das marcas de direita e controle não são significativamente diferentes. Existe diferença, entretanto, entre autenticidade da marca de Esquerda e a de Controle e Esquerda e a de Direita (todas, p < .05).

Pergunta 6 - Posicionamento político do respondente modera a relação entre posicionamento de marca e atitude em relação à marca?

O primeiro passo é fazer um gráfico da moderação. Como o posicionamento político do respondente é uma variável contínua (porque nós a consideramos assim), eu vou fazer um gráfico de linhas, com uma reta para cada condição experimental. Para tanto, eu vou usar a variável categórica para as condições experimentais.

interaction.graph <- ggplot(d1) +
  aes(x = posicionamento, y = atitude, color = condicao.f) +
  geom_smooth(method = "lm", se = FALSE)+
  labs (title = "Relação entre Posicionamento do Respondente e Posicionamento da Marca", 
        x = "Posicionamento Político", y = "Atitude em relação à marca", 
        color = "Posicionamento da Marca")+
  scale_color_manual(values=wes_palette(n=3, name="Darjeeling1"))
interaction.graph

Agora vamos testar para a possível interação. Porque eu vou testar através de uma regressão, eu vou usar as condições experimentais em códigos de contraste. Além disso, eu vou centrar o posicionamento político do respondente na sua média para que, caso necessário, a interpretação da interação fique um pouco mais clara.

d1$posicionamento.mc <- d1$posicionamento - mean(d1$posicionamento, na.rm = T)
reg.inter <- lm(atitude ~ posicionamento.mc*condicao.cc, data = d1)
summary(reg.inter)
## 
## Call:
## lm(formula = atitude ~ posicionamento.mc * condicao.cc, data = d1)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.9535 -0.6623 -0.0845  0.8498  3.3062 
## 
## Coefficients:
##                               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                    4.19819    0.08916  47.087  < 2e-16 ***
## posicionamento.mc              0.17514    0.04712   3.717 0.000283 ***
## condicao.cc                   -0.81040    0.10884  -7.446 6.68e-12 ***
## posicionamento.mc:condicao.cc  0.21865    0.05330   4.102 6.65e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.113 on 152 degrees of freedom
##   (1 observation deleted due to missingness)
## Multiple R-squared:  0.352,  Adjusted R-squared:  0.3392 
## F-statistic: 27.52 on 3 and 152 DF,  p-value: 2.854e-14

Sim, o posicionamento político do respondente modera a relação entre posicionamento político da marca e a atitude em relação à marca, \(\beta_{interaction}\) = 0.21, t(153) = 4.10, p < .05. Nós já sabemos que os efeitos simples do posicionamento na atitude são significativos para a condição de controle (porque ela é o 0 do nosso modelo), \(\beta_{posicionamento}\) = 0.17, t(153) = 3.17, p < .05. Eu vou fazer duas spotlights, uma para a curva da esquerda e uma para a curva da direita para ver se a posicionamento político do respondente influencia atitude nessas condições.

d1$condicao.esq <- d1$condicao.cc -(-1)
reg.esq <- lm(atitude ~ posicionamento.mc*condicao.esq, data = d1)
summary(reg.esq)
## 
## Call:
## lm(formula = atitude ~ posicionamento.mc * condicao.esq, data = d1)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.9535 -0.6623 -0.0845  0.8498  3.3062 
## 
## Coefficients:
##                                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                      5.0086     0.1390  36.043  < 2e-16 ***
## posicionamento.mc               -0.0435     0.0724  -0.601    0.549    
## condicao.esq                    -0.8104     0.1088  -7.446 6.68e-12 ***
## posicionamento.mc:condicao.esq   0.2187     0.0533   4.102 6.65e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.113 on 152 degrees of freedom
##   (1 observation deleted due to missingness)
## Multiple R-squared:  0.352,  Adjusted R-squared:  0.3392 
## F-statistic: 27.52 on 3 and 152 DF,  p-value: 2.854e-14

Curiosamente, o efeito do posicionamento na atitude em relação à marca é nulo para os respondentes que viram a condição de posicionamento político da marca de esquerda, \(\beta_{posicionamento}\) = -0.04, t(153) < 1, ns.

d1$condicao.dir <- d1$condicao.cc -(+1)
reg.dir <- lm(atitude ~ posicionamento.mc*condicao.dir, data = d1)
summary(reg.dir)
## 
## Call:
## lm(formula = atitude ~ posicionamento.mc * condicao.dir, data = d1)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.9535 -0.6623 -0.0845  0.8498  3.3062 
## 
## Coefficients:
##                                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                     3.38779    0.14240  23.790  < 2e-16 ***
## posicionamento.mc               0.39379    0.06986   5.637 8.20e-08 ***
## condicao.dir                   -0.81040    0.10884  -7.446 6.68e-12 ***
## posicionamento.mc:condicao.dir  0.21865    0.05330   4.102 6.65e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.113 on 152 degrees of freedom
##   (1 observation deleted due to missingness)
## Multiple R-squared:  0.352,  Adjusted R-squared:  0.3392 
## F-statistic: 27.52 on 3 and 152 DF,  p-value: 2.854e-14

O posicionamento influencia a atitude em relação à marca para indivíduos na condição de marca de direita, \(\beta_{posicionamento}\) = 0.39, t(153) = 5.63, p < .05. Notem que o slope da curva para respondentes nessa condição é o mais acentuado, condizente com o gráfico que vimos anteriormente.

Bônus: Análise de Floodlight

Eu rodarei a interação novamente, sem centrar o posicionamento político do respondente na média para ajudar na interpretação dos intervalos. Se eu não fizer isso, eu preciso adicionar a média novamente aos intervalos de Johnson-Neyman

require(interactions)
reg.posicionamento <- lm(atitude ~ condicao.cc*posicionamento, data = d1)

johnson_neyman(reg.posicionamento, pred = condicao.cc, modx = posicionamento)
## JOHNSON-NEYMAN INTERVAL 
## 
## When posicionamento is OUTSIDE the interval [6.31, 11.34], the slope of
## condicao.cc is p < .05.
## 
## Note: The range of observed values of posicionamento is [1.00, 9.00]

jn_value<-johnson_neyman(reg.posicionamento, pred = condicao.cc, modx = posicionamento)$bounds[[1]]

interaction.graph +
   geom_vline(xintercept=jn_value,
              linetype='dashed', color='darkgrey', show.legend = TRUE)+
   annotate("text", x = jn_value+.3,
            y = 6, label = round(jn_value,2),
            color = "darkgrey")

Pelo gráfico acima, e pela análise do ponto de Johnson-Neyman, a partir do posicionamento político do respondente de 6.31, um posicionamento de direita, não importa a condição experimental recebida. Não existe diferença na atitude em relação à marca para indivíduos mais “de direita”.

Eu testarei essa floodlight usando o PROCESS do Hayes também.

source("process.R")
## 
## ***************** PROCESS for R Version 3.5.3 beta0.6 ***************** 
##  
##            Written by Andrew F. Hayes, Ph.D.  www.afhayes.com              
##    Documentation available in Hayes (2018). www.guilford.com/p/hayes3   
##  
## *********************************************************************** 
##  
## PROCESS is now ready for use.
## Copyright 2020 by Andrew F. Hayes ALL RIGHTS RESERVED
##  
## Distribution of this beta release of PROCESS is prohibited
## without written authorization from the copyright holder.
process(d1, y = "atitude", x = "condicao.cc", w = "posicionamento", model = 1, jn = 1)
## 
## ***************** PROCESS for R Version 3.5.3 beta0.6 ***************** 
##  
##            Written by Andrew F. Hayes, Ph.D.  www.afhayes.com              
##    Documentation available in Hayes (2018). www.guilford.com/p/hayes3   
##  
## *********************************************************************** 
##                       
## Model : 1             
##     Y : atitude       
##     X : condicao.cc   
##     W : posicionamento
## 
## Sample size: 156
## 
## 
## *********************************************************************** 
## Outcome Variable: atitude
## 
## Model Summary: 
##           R      R-sq       MSE         F       df1       df2         p
##      0.5933    0.3520    1.2384   27.5167    3.0000  152.0000    0.0000
## 
## Model: 
##                    coeff        se         t         p      LLCI      ULCI
## constant          3.4920    0.2099   16.6396    0.0000    3.0774    3.9066
## condicao.cc      -1.6920    0.2461   -6.8762    0.0000   -2.1781   -1.2058
## posicionamento    0.1751    0.0471    3.7166    0.0003    0.0820    0.2682
## Int_1             0.2186    0.0533    4.1023    0.0001    0.1133    0.3239
## 
## Product terms key:
## Int_1  :  condicao.cc  x  posicionamento      
## 
## Test(s) of highest order unconditional interaction(s):
##       R2-chng         F       df1       df2         p
## X*W    0.0717   16.8288    1.0000  152.0000    0.0001
## ----------
## Focal predictor: condicao.cc (X)
##       Moderator: posicionamento (W)
## 
## Conditional effects of the focal predictor at values of the moderator(s):
##   posicionamento    effect        se         t         p      LLCI      ULCI
##           2.0000   -1.2547    0.1576   -7.9601    0.0000   -1.5661   -0.9433
##           4.0000   -0.8174    0.1089   -7.5033    0.0000   -1.0326   -0.6022
##           6.0000   -0.3801    0.1470   -2.5854    0.0107   -0.6706   -0.0896
## 
## Moderator value(s) defining Johnson-Neyman significance region(s):
##       Value   % below   % above
##      6.3064   87.1795   12.8205
## 
## Conditional effect of focal predictor at values of the moderator:
##   posicionamento    effect        se         t         p      LLCI      ULCI
##           1.0000   -1.4733    0.1996   -7.3800    0.0000   -1.8678   -1.0789
##           1.4000   -1.3859    0.1821   -7.6095    0.0000   -1.7457   -1.0261
##           1.8000   -1.2984    0.1655   -7.8451    0.0000   -1.6254   -0.9714
##           2.2000   -1.2110    0.1501   -8.0687    0.0000   -1.5075   -0.9145
##           2.6000   -1.1235    0.1363   -8.2456    0.0000   -1.3927   -0.8543
##           3.0000   -1.0361    0.1246   -8.3175    0.0000   -1.2822   -0.7900
##           3.4000   -0.9486    0.1157   -8.2023    0.0000   -1.1771   -0.7201
##           3.8000   -0.8611    0.1102   -7.8146    0.0000   -1.0789   -0.6434
##           4.2000   -0.7737    0.1087   -7.1162    0.0000   -0.9885   -0.5589
##           4.6000   -0.6862    0.1114   -6.1609    0.0000   -0.9063   -0.4662
##           5.0000   -0.5988    0.1179   -5.0784    0.0000   -0.8317   -0.3658
##           5.4000   -0.5113    0.1277   -4.0041    0.0001   -0.7636   -0.2590
##           5.8000   -0.4238    0.1401   -3.0260    0.0029   -0.7006   -0.1471
##           6.2000   -0.3364    0.1544   -2.1786    0.0309   -0.6414   -0.0313
##           6.3064   -0.3131    0.1585   -1.9757    0.0500   -0.6262    0.0000
##           6.6000   -0.2489    0.1702   -1.4625    0.1457   -0.5852    0.0874
##           7.0000   -0.1615    0.1871   -0.8629    0.3895   -0.5312    0.2082
##           7.4000   -0.0740    0.2048   -0.3613    0.7184   -0.4787    0.3307
##           7.8000    0.0134    0.2232    0.0602    0.9521   -0.4275    0.4544
##           8.2000    0.1009    0.2421    0.4169    0.6774   -0.3773    0.5791
##           8.6000    0.1884    0.2613    0.7209    0.4721   -0.3278    0.7046
##           9.0000    0.2758    0.2808    0.9823    0.3275   -0.2790    0.8306
## 
## ******************** ANALYSIS NOTES AND ERRORS ************************ 
## 
## Level of confidence for all confidence intervals in output: 95
## 
## W values in conditional tables are the 16th, 50th, and 84th percentiles.
##  
## NOTE: Some cases with missing data were deleted. The number of deleted cases was: 1