Análise estatística de dados remuneratórios: métodos periciais de comparação, modelagem e incerteza

Bases remuneratórias de grandes organizações reúnem pessoas, períodos, funções, unidades, jornadas, componentes variáveis e trajetórias profissionais distintas. Uma diferença observada entre dois valores pode decorrer de múltiplas combinações dessas características, além de limitações ou mudanças nos próprios sistemas de informação.

A análise estatística oferece instrumentos para descrever distribuições, formar grupos, estimar associações, acompanhar trajetórias e testar a estabilidade dos resultados. Cada instrumento responde a uma pergunta específica e depende de pressupostos próprios. Nenhum método constitui solução universal, nem a sofisticação matemática substitui a qualidade das fontes e a delimitação do objeto.

Este artigo apresenta uma revisão isenta dessas alternativas sob perspectiva pericial. O exame se limita a aspectos estatísticos, econômicos e computacionais. Não define equiparação, discriminação, ilicitude, direitos, obrigações ou critérios trabalhistas, contábeis e fiscais. Grupos, períodos, componentes remuneratórios e demais parâmetros externos são considerados conforme fornecidos pelas fontes e pelos profissionais competentes.

Da diferença numérica à pergunta analítica

Uma comparação começa pela definição da variável que será observada. O mesmo conjunto de dados pode conter valor mensal, valor por hora, componente fixo, componente variável, total anual ou outra medida criada para determinada finalidade. Cada variável descreve dimensão diferente e pode apresentar distribuição própria.

A pergunta analítica também pode assumir formatos diversos:

como os valores se distribuem em determinada população;
qual é a diferença observada entre grupos previamente definidos;
quanto dessa diferença varia quando outras características são incorporadas ao modelo;
como pessoas ou grupos evoluem ao longo do tempo;
quais unidades apresentam comportamento atípico;
quanto o resultado muda diante de especificações alternativas;
quais limitações impedem uma inferência mais ampla.

A estatística responde à pergunta formulada. Alterações na população, no período, na variável de resultado ou nos controles modificam o problema examinado e podem produzir resultados diferentes sem que haja, necessariamente, erro de cálculo.

Limites do exame estatístico

Uma associação estatística descreve como variáveis se relacionam dentro de determinada base e sob determinada especificação. Ela não estabelece, isoladamente, causa, intenção, responsabilidade ou enquadramento jurídico.

Da mesma forma, uma diferença que permanece após ajustes não recebe significado automático. Pode refletir variáveis não observadas, erros de medição, forma inadequada do modelo, seleção da população ou fenômeno não representado nas fontes. A expressão “diferença não explicada” significa apenas que as variáveis incluídas naquela especificação não explicaram a totalidade da diferença.

O relatório metodológico pode separar:

fatos diretamente observados nas bases;
classificações recebidas como parâmetros;
transformações executadas;
resultados estimados;
hipóteses necessárias à interpretação;
limitações dos dados e do modelo.

Essa separação mantém o alcance da conclusão compatível com o que efetivamente foi medido.

Inventário e proveniência das fontes

As informações podem estar distribuídas entre sistemas de gestão de pessoas, remuneração, jornada, desempenho, vendas, produção, estrutura organizacional e histórico cadastral. Arquivos produzidos em momentos diferentes podem empregar códigos, datas e regras de extração distintas.

Um inventário técnico pode registrar:

sistema e arquivo de origem;
unidade responsável pela extração;
data de obtenção;
período declarado de cobertura;
quantidade de registros e variáveis;
identificadores disponíveis;
formato e unidade de medida;
filtros informados;
alterações de estrutura;
limitações conhecidas.

A proveniência descreve o caminho entre a fonte e o resultado. Conversões de formato, padronizações, junções, filtros e variáveis derivadas podem ser registrados em sequência. O uso estatístico de determinado arquivo não representa certificação sobre sua natureza contábil, fiscal ou trabalhista.

Estrutura longitudinal e identidade

Dados remuneratórios normalmente possuem dimensão longitudinal: a mesma pessoa aparece em diversos períodos e pode mudar de unidade, função, jornada ou identificador. Tratar cada linha como observação independente ignora essa relação temporal.

Uma estrutura analítica pode distinguir:

pessoa;
vínculo ou relação registrada;
unidade organizacional;
período de validade;
evento de mudança;
valor observado;
classificação vigente em cada data.

Matrículas sucessivas, transferências e migrações de sistema podem criar duplicidades ou fragmentar históricos. A resolução de identidade utiliza chaves determinísticas ou probabilísticas, mantendo registradas correspondências, conflitos e casos não resolvidos.

Essa etapa influencia análises de evolução, pareamento e permanência. Uma associação incorreta pode produzir trajetórias artificiais; a ausência de associação pode fazer uma mesma pessoa parecer composta por vários indivíduos.

Qualidade, cobertura e consistência técnica

A análise exploratória examina a estrutura da base antes da modelagem. Entre os procedimentos possíveis estão:

contagem de registros por período e unidade;
identificação de chaves duplicadas;
distribuição dos valores ausentes;
procura por datas incompatíveis;
detecção de mudanças abruptas de códigos;
comparação entre unidades de medida;
localização de valores extremos;
verificação de períodos sem cobertura;
comparação de agregados produzidos por extrações independentes.

Esses controles avaliam consistência técnica e abrangência. Não equivalem a auditoria, asseguração ou validação profissional dos registros de origem.

Inconsistências podem ser classificadas por tipo, período e impacto potencial. Essa classificação permite distinguir falhas localizadas de limitações que alcançam toda a população.

Construção da variável de resultado

A variável de resultado pode ser recebida diretamente ou construída pela combinação de campos. Em qualquer caso, a documentação registra o significado atribuído no escopo, as fontes utilizadas e as transformações realizadas.

Algumas operações quantitativas possíveis incluem:

conversão para unidade temporal comum;
padronização de jornadas ou períodos incompletos;
separação de componentes segundo classificações externas;
deflacionamento ou conversão monetária por parâmetro recebido;
agregação mensal, trimestral ou anual;
criação de indicadores binários de ocorrência;
cálculo de proporções e taxas.

Essas transformações modificam a pergunta estatística. Padronizar por hora, por exemplo, examina uma taxa, enquanto utilizar o valor mensal examina o montante registrado naquele período. Nenhuma dessas medidas é apresentada aqui como juridicamente aplicável ou contabilmente correta; são construções analíticas condicionadas ao objeto fornecido.

População integral e amostragem

Uma base pode ser examinada integralmente ou por amostragem. As duas estratégias possuem finalidades diferentes.

O processamento integral descreve todos os registros disponíveis, mas continua sujeito a erros sistemáticos, lacunas e problemas de classificação. A amostragem probabilística permite estimar características de uma população com incerteza mensurável, desde que o universo, o procedimento de seleção e os pesos estejam documentados.

Seleções dirigidas podem concentrar o exame em valores extremos, grupos pequenos ou registros com indicadores de inconsistência. Elas são úteis para investigação de exceções, mas não sustentam generalização estatística automática para a população.

Abordagens híbridas também podem combinar processamento integral de variáveis estruturadas com exames amostrais ou dirigidos de documentos e situações específicas. A finalidade de cada seleção permanece identificada no relatório.

Estatística descritiva

A estatística descritiva apresenta a forma da distribuição antes de qualquer ajuste. Medidas recorrentes incluem:

número de observações e de pessoas;
média e mediana;
quantis e intervalo interquartil;
mínimo, máximo e amplitude;
desvio-padrão e outras medidas de dispersão;
proporção de valores iguais a zero ou ausentes;
frequência de determinados eventos;
distribuição por período e grupo.

Média e mediana respondem a perguntas diferentes. A média incorpora todos os valores e é sensível a extremos. A mediana representa o ponto central e descreve menos intensamente a cauda da distribuição. Quantis permitem observar diferenças em posições distintas, sem reduzir a base a um único número.

Histogramas, densidades, boxplots e curvas acumuladas mostram assimetria, concentração, múltiplos picos e valores extremos. Essas características orientam a leitura dos resultados, mas não determinam qual medida possui relevância externa ao exame estatístico.

Comparações não ajustadas

Uma comparação não ajustada calcula a diferença entre grupos conforme eles aparecem na base. Para médias, uma representação simples é:

[
\Delta = \bar{Y}_A – \bar{Y}_B
]

em que (\bar{Y}_A) e (\bar{Y}_B) correspondem às médias dos grupos definidos.

Também podem ser comparadas medianas, quantis, proporções e distribuições completas. O resultado descreve conjuntamente diferenças internas e diferenças na composição dos grupos.

Se um grupo estiver mais concentrado em determinados níveis, unidades ou períodos, a comparação geral incorpora essa composição. Isso não invalida a estatística bruta; apenas limita a interpretação a uma diferença agregada, sem separar os fatores associados.

Estratificação

A estratificação divide a população segundo variáveis previamente especificadas, como período, unidade, nível, função ou outra categoria disponível. As comparações são realizadas dentro de cada estrato.

Esse procedimento torna visíveis padrões que podem desaparecer no agregado. Entretanto, o aumento do número de estratos reduz a quantidade de observações em cada grupo e pode produzir combinações vazias ou instáveis.

Estratos muito amplos conservam heterogeneidade interna; estratos muito estreitos podem limitar a precisão. Diferentes níveis de granularidade podem ser apresentados lado a lado para demonstrar como o resultado varia.

Comparações pareadas

Comparações pareadas relacionam unidades por critérios previamente definidos. O pareamento exato exige igualdade nos campos selecionados. O pareamento aproximado admite distâncias ou tolerâncias.

Entre as alternativas metodológicas estão:

pareamento exato;
pareamento exato com categorias agrupadas;
vizinho mais próximo;
pareamento por distância multivariada;
escores de propensão;
ponderação por probabilidade estimada;
combinação entre pareamento e regressão.

Cada alternativa utiliza uma representação distinta da comparabilidade. Pareamento exato preserva correspondências rígidas, mas pode descartar grande parte da base. Métodos aproximados ampliam cobertura e introduzem decisões sobre distância, tolerância e balanceamento.

Após o pareamento, indicadores de equilíbrio mostram quanto os grupos se aproximaram nas variáveis observadas. Bom equilíbrio nessas variáveis não demonstra equivalência em atributos que não foram medidos.

A regressão linear estima a associação entre uma variável de resultado e um conjunto de variáveis explicativas:

Regressão linear

[
Y_i = \beta_0 + \beta_1X_{1i} + \beta_2X_{2i} + \cdots + \beta_kX_{ki} + \varepsilon_i
]

Os coeficientes representam diferenças condicionais à especificação adotada. Sua interpretação depende da escala das variáveis, das categorias de referência, das interações e da forma funcional.

Diagnósticos podem examinar linearidade, variância dos resíduos, observações influentes, correlação entre variáveis e estabilidade dos coeficientes. Transformações logarítmicas, termos não lineares e interações produzem leituras diferentes e podem ser comparadas em análises de sensibilidade.

A inclusão de mais controles não torna automaticamente o modelo superior. Variáveis podem representar fatores de composição, etapas intermediárias ou consequências do próprio fenômeno examinado. A função de cada controle precisa ser identificada como hipótese analítica, não como simples rotina mecânica.

Regressão quantílica

A regressão quantílica estima associações em diferentes pontos da distribuição, como mediana, quartis ou percentis superiores. Ela permite observar se o padrão varia entre posições de menor e maior valor.

Essa abordagem pode revelar heterogeneidade que a média condicional não mostra. Seus resultados, entretanto, descrevem quantis condicionais e não trajetórias individuais entre posições da distribuição.

A escolha dos quantis, o tamanho dos grupos e a precisão nas extremidades integram as limitações a serem apresentadas. Comparar múltiplos quantis também amplia o número de hipóteses examinadas.

Modelos para ocorrências e proporções

Nem todas as variáveis são contínuas. Determinados eventos podem ser registrados como ocorrência ou não ocorrência; contagens podem indicar quantidade de episódios; proporções podem representar frequência relativa.

Modelos logísticos, de Poisson, binomiais negativos e outras famílias generalizadas tratam estruturas específicas de dados. A escolha depende da distribuição, da dispersão, da exposição temporal e da pergunta analítica.

Coeficientes podem ser apresentados como probabilidades estimadas, diferenças marginais ou razões, acompanhados das condições do modelo. Essas medidas não são equivalentes e podem produzir impressões distintas quando apresentadas sem a escala correspondente.

Modelos hierárquicos

Pessoas podem estar agrupadas em equipes, unidades, regiões ou períodos. Observações pertencentes ao mesmo grupo tendem a compartilhar características e não são necessariamente independentes.

Modelos hierárquicos ou de efeitos mistos representam essa estrutura em diferentes níveis. Eles podem estimar variação entre unidades e dentro das unidades, além de permitir efeitos específicos por grupo.

O agrupamento reduz a independência efetiva das observações. Ignorá-lo pode subestimar a incerteza. Por outro lado, modelos com muitos níveis e poucos registros por grupo podem depender fortemente das hipóteses de distribuição adotadas.

Modelos longitudinais

Análises longitudinais acompanham as mesmas pessoas ou unidades ao longo do tempo. Elas podem examinar mudanças de valores, transições entre categorias, duração até eventos e diferenças de trajetória.

Algumas famílias incluem:

modelos de efeitos fixos;
modelos de efeitos aleatórios;
curvas de crescimento;
análise de sobrevivência ou duração;
modelos de transição;
estudos de eventos com períodos anteriores e posteriores.

Efeitos fixos controlam características individuais que permanecem estáveis no tempo, mas não resolvem fatores variáveis não observados. Modelos de duração examinam o tempo até um evento, dependendo da definição de início, censura e janela de acompanhamento.

Mudanças organizacionais, lacunas de observação e entrada ou saída da população podem alterar a composição temporal. O relatório pode separar efeitos de trajetória e efeitos de composição sempre que a estrutura dos dados permitir.

Decomposição de diferenças

Métodos de decomposição separam uma diferença agregada em parcelas associadas às características observadas e aos coeficientes estimados. Uma forma conhecida compara quanto da diferença se relaciona à composição dos grupos e quanto permanece associado às relações estimadas pelo modelo.

O resultado depende da seleção de variáveis, do grupo de referência, da forma funcional e da especificação. A parcela denominada “não explicada” não constitui prova de discriminação, causalidade ou irregularidade. Ela representa apenas o componente que aquela decomposição não atribuiu às características incluídas.

Decomposições alternativas podem utilizar referências diferentes ou modelos não lineares. Apresentá-las em conjunto ajuda a demonstrar a sensibilidade do resultado às escolhas de parametrização.

Significância, magnitude e incerteza

Significância estatística, magnitude e precisão são conceitos distintos. Um valor-p se relaciona a determinada hipótese e modelo; não mede a importância econômica da diferença nem a qualidade da base.

Em populações grandes, diferenças pequenas podem apresentar valores-p reduzidos. Em grupos pequenos, diferenças expressivas podem possuir intervalos amplos. Por isso, a apresentação pode combinar:

estimativa pontual;
medida de magnitude ou tamanho de efeito;
intervalo de confiança ou incerteza;
tamanho do grupo;
cobertura temporal;
estabilidade entre especificações.

Intervalos representam a incerteza incorporada pelo procedimento estatístico. Eles não abrangem automaticamente erros sistemáticos, variáveis ausentes, problemas de classificação ou premissas externas.

Múltiplas comparações

Quando dezenas de grupos, períodos e variáveis são testados, aumenta a possibilidade de resultados aparentemente incomuns surgirem ao acaso. Métodos de correção controlam diferentes aspectos desse problema, como taxa de erro familiar ou taxa esperada de falsas descobertas.

Correções mais restritivas reduzem falsos positivos e também podem diminuir a capacidade de detectar diferenças. Procedimentos menos restritivos conservam maior sensibilidade e admitem outra proporção esperada de achados ocasionais.

O número de hipóteses, a família de testes e a finalidade exploratória ou confirmatória podem ser informados. Resultados selecionados apenas depois da observação da base exigem interpretação distinta daqueles definidos previamente.

Valores extremos e observações influentes

Valores extremos podem resultar de erro, evento raro, estrutura remuneratória específica ou característica legítima da população. Sua remoção automática pode eliminar informação relevante; sua manutenção sem exame pode dominar médias e coeficientes.

Procedimentos possíveis incluem:

verificação na fonte;
apresentação com e sem a observação;
utilização de medidas robustas;
transformação de escala;
modelos específicos para distribuições assimétricas;
classificação separada de situações excepcionais.

Observações influentes são aquelas capazes de alterar de forma relevante os parâmetros estimados. Diagnósticos de alavancagem e influência ajudam a identificá-las, sem determinar, por si só, seu tratamento.

Dados ausentes

Ausências podem ser completamente aleatórias, relacionadas a variáveis observadas ou associadas a fatores não observados. Essas estruturas possuem consequências diferentes para a análise.

Entre os tratamentos possíveis estão:

análise apenas de registros completos;
criação de categorias explícitas de ausência;
imputação simples;
imputação múltipla;
ponderação por probabilidade de observação;
cenários que variam os valores ausentes;
manutenção da lacuna em análises específicas.

Analisar somente registros completos modifica a população quando a ausência não ocorre de forma aleatória. Imputações aumentam a completude e incorporam hipóteses sobre os valores não observados. Comparações entre tratamentos mostram quanto o resultado depende dessas hipóteses.

Erros de medição e variáveis substitutas

Nem toda característica relevante possui medida direta. Códigos de função, avaliações, indicadores operacionais e tempo de experiência podem atuar como aproximações imperfeitas.

Erros de medição podem reduzir, ampliar ou alterar associações. Uma variável substituta pode representar simultaneamente vários fenômenos e conservar vieses produzidos por classificações históricas.

O relatório pode identificar a definição operacional de cada variável, sua fonte, cobertura e limitações. Quando existirem medidas alternativas, processamentos paralelos ajudam a demonstrar se a conclusão depende de uma única representação.

Variáveis omitidas e confundimento

Uma associação pode surgir porque os grupos diferem em outra característica relacionada ao resultado. A inclusão de controles observáveis reduz algumas diferenças de composição, mas não elimina fatores ausentes da base.

Análises de sensibilidade podem estimar quão forte teria de ser um fator não observado para alterar determinado resultado. Essas técnicas não revelam qual fator está ausente; apenas avaliam a fragilidade da associação diante de hipóteses adicionais.

O conhecimento do processo organizacional ajuda a formular variáveis e hipóteses, mas não substitui sua medição. Entrevistas, documentos e descrições operacionais podem orientar a modelagem, mantendo separada a evidência quantitativa da informação qualitativa.

Testes de robustez

Testes de robustez comparam resultados sob especificações alternativas. Entre as possibilidades estão:

alterar a janela temporal;
modificar a granularidade dos grupos;
utilizar variável de resultado alternativa;
incluir ou retirar determinados controles;
comparar formas funcionais;
variar critérios de pareamento;
analisar grupos mínimos diferentes;
processar resultados com e sem valores influentes;
aplicar tratamentos alternativos para dados ausentes.

Resultados estáveis em várias especificações indicam menor dependência de uma única escolha. Divergências entre modelos revelam quais decisões exercem maior influência. Nenhuma dessas situações converte a estatística em conclusão externa ao seu escopo.

Análises placebo e controles negativos

Testes placebo aplicam o mesmo método a períodos, variáveis ou grupos nos quais o efeito pesquisado não seria esperado segundo a hipótese examinada. Controles negativos utilizam resultados ou exposições que ajudam a detectar relações espúrias.

Um modelo que identifica padrões semelhantes em numerosos placebos pode estar capturando tendência, sazonalidade, estrutura de dados ou variável omitida. A ausência de efeito placebo fortalece determinado aspecto do desenho, mas não confirma isoladamente toda a interpretação.

Esses testes funcionam como tentativas de falsificação do modelo e complementam diagnósticos tradicionais.

Métodos exploratórios e confirmatórios

Análises exploratórias procuram padrões e formulam hipóteses. Análises confirmatórias testam hipóteses previamente especificadas. Misturar as duas finalidades sem registro aumenta o risco de selecionar apenas resultados favoráveis à narrativa formada após a observação dos dados.

Um plano analítico pode registrar previamente população, variáveis, modelos e testes principais. Explorações posteriores permanecem possíveis, desde que identificadas como tais.

Divisão da amostra, validação cruzada e replicação em períodos distintos também ajudam a examinar se o padrão se mantém fora do conjunto utilizado para descobri-lo.

Proteção de dados

Bases remuneratórias contêm informações pessoais e empresariais de acesso restrito. A arquitetura do exame pode incorporar minimização, segregação, pseudonimização, registro de acessos e controle de versões.

Nem todas as etapas exigem identidade direta. Modelagem, testes e visualizações podem utilizar identificadores técnicos, mantendo a correspondência nominal em ambiente separado e restrito.

Agregação não impede necessariamente a reidentificação. Grupos pequenos, valores extremos e combinações de cargo, unidade e período podem revelar identidades. Tabelas e gráficos podem utilizar limiares ou categorias mais amplas quando a finalidade permitir, preservando uma versão detalhada sob acesso controlado.

Reprodutibilidade e versionamento

Uma análise reproduzível mantém a relação entre fonte, transformação, modelo e resultado. Entre os elementos documentáveis estão:

arquivos originais e versões tratadas;
dicionário de dados;
tabelas de correspondência;
regras de inclusão e exclusão;
código, fórmulas ou comandos;
parâmetros de cada modelo;
sementes utilizadas em procedimentos aleatórios;
versões de programas e bibliotecas;
resultados intermediários e finais.

Cada execução pode receber identificador próprio. Alterações nas fontes, nos grupos ou nos parâmetros produzem nova versão, acompanhada de relatório das diferenças observadas.

A reprodução pode utilizar a mesma rotina ou uma implementação independente em casos selecionados. As duas abordagens verificam aspectos diferentes: repetição operacional e correspondência lógica.

Comunicação dos resultados

Um relatório metodológico pode apresentar:

objeto quantitativo e limites;
fontes e cobertura;
definições externas recebidas;
tratamentos e variáveis derivadas;
perfil da população;
métodos examinados;
pressupostos e diagnósticos;
estimativas, magnitudes e intervalos;
análises de sensibilidade;
limitações e dados ausentes;
elementos de reprodução.

Gráficos de distribuição, trajetórias, coeficientes e intervalos podem tornar visíveis padrões que tabelas isoladas ocultam. Visualizações permanecem vinculadas à unidade, ao período, à população e à escala utilizada.

O texto pode distinguir claramente observação, associação, estimativa e hipótese. Expressões como “comprova”, “demonstra discriminação” ou “gera direito” ultrapassam o alcance estatístico e não decorrem apenas dos resultados quantitativos.

Comparação isenta entre métodos

As principais famílias podem ser resumidas sem hierarquia:

Método	Pergunta que examina	Dados e pressupostos relevantes	Limitações características
Estatística descritiva	Como os valores se distribuem?	Cobertura e definição das variáveis	Não separa fatores associados
Estratificação	Como a diferença varia dentro de grupos?	Categorias consistentes e grupos suficientes	Sensível à granularidade e a grupos pequenos
Pareamento	O que se observa entre unidades semelhantes nos campos disponíveis?	Sobreposição e equilíbrio das covariáveis	Não controla características não observadas
Regressão linear	Qual associação permanece condicionada às variáveis do modelo?	Forma funcional e controles especificados	Sensível a omissões, colinearidade e influência
Regressão quantílica	Como a associação varia ao longo da distribuição?	Amostra suficiente em cada quantil	Interpretação distinta de trajetórias individuais
Modelos generalizados	Como variáveis se associam a ocorrências, contagens ou proporções?	Distribuição e escala compatíveis	Resultados dependem da parametrização
Modelos hierárquicos	Quanto varia entre e dentro de unidades agrupadas?	Estrutura de níveis e grupos	Dependência de hipóteses sobre efeitos e distribuições
Modelos longitudinais	Como pessoas ou unidades evoluem no tempo?	Identidade consistente e histórico	Entrada, saída, censura e fatores variáveis não observados
Decomposição	Como uma diferença agregada se reparte segundo o modelo?	Variáveis, referência e especificação	Parcela não explicada não possui significado causal automático

A escolha metodológica permanece condicionada à pergunta, à estrutura da base e às hipóteses que podem ser examinadas. Métodos diferentes podem coexistir no mesmo trabalho para responder a perguntas distintas ou testar a dependência dos resultados.

Considerações finais

A análise estatística de dados remuneratórios é um problema de definição, qualidade de dados, comparabilidade, modelagem e comunicação da incerteza. Diferenças agregadas oferecem uma primeira descrição; estratificação, pareamento, regressões, modelos hierárquicos e análises longitudinais acrescentam perspectivas condicionadas aos respectivos pressupostos.

Nenhum método elimina integralmente limitações documentais, erros de medição ou variáveis não observadas. A revisão isenta compara o que cada técnica mede, quais informações utiliza, quais hipóteses incorpora e de que modo o resultado responde a alternativas razoáveis.

O produto do exame permanece no campo quantitativo: distribuições, diferenças, associações, intervalos, diagnósticos e cenários. Qualificações jurídicas, trabalhistas, contábeis ou fiscais não são inferidas dos modelos e permanecem a cargo das instâncias e dos profissionais competentes.

Nota editorial: Este artigo possui caráter técnico e informativo e se limita à revisão de métodos estatísticos, econômicos e computacionais aplicáveis à análise de dados remuneratórios. Não define equiparação, discriminação, ilicitude, direitos, obrigações ou tratamentos trabalhistas, contábeis e fiscais. Grupos, períodos, componentes remuneratórios e demais parâmetros externos são considerados somente quando fornecidos pelas fontes e pelos profissionais competentes. O texto não oferece consultoria jurídica, serviços contábeis, auditoria, asseguração ou certificação de informações.