Morfometria Geométrica

desenhos diacríticos vetoriais de praticamente a totalidade dos LCTs das coleções de Capuchos 1, do Cabeço da Mina, do Vale do Forno 1 e do Vale do Forno 3, bem como uma representação considerável dos bifaces e dos machados de mão do sítio do Casal do Azemel, onde o elevado número peças tornava inviável a sua representação integral. Relativamente a este último sítio, não foi possível realizar os desenhos diacríticos dos utensílios diversos, apresentando-se apenas fotografias de exemplares representativos, com a identificação da direção de percussão do suporte.

Figura 4 - Legenda dos desenhos diacríticos.

se realizar com base em modelos 3D dos artefactos, utilizando-se software específico para o efeito (Herzlinger & Grosman, 2018), já foi assinalada a validade e a eficácia de uma abordagem 2D (García-Medrano, Ashton, et al., 2020; Méndez-Quintas, 2022).

Considerando o protocolo de aquisição dos dados nos trabalhos já citados, procedeu-se à obtenção de um registo fotográfico ortogonal da face dorsal/inferior de cada um dos utensílios, orientados segundo o seu eixo morfológico, etapa à qual se seguiu a colocação e distribuição proporcional de 32 landmarks para cada LCT, sobrepondo uma grelha de distância regular à imagem fotografada, no software Adobe Illustrator. A colocação das landmarks foi realizada no software tpsUtil e tpsDig de acesso aberto. As imagens foram sintetizadas num ficheiro thin-plate spline (tps) no tpsUtil 1.74 (Rohlf, 2017b) e o posicionamento dos pontos de referência foi obtido no tpsDig 2.30 (Rohlf, 2017a) (fig. 5), o que se materializou em bases de dados com coordenadas cartesianas (64 para cada artefacto) para os conjuntos em análise – partilha-se no Anexo II a ligação que permite aceder às coordenadas de cada LCT, para fins comparativos e validação dos resultados obtidos.

Figura 5 – Exemplo da distribuição das landmarks na abordagem adotada.

Relativamente ao procedimento analítico, utilizou-se o software PAST (Hammer et al., 2001) de acesso aberto. Seguindo a metodologia aplicada em diversos trabalhos (García-Medrano, Ashton, et al., 2020; García-Medrano et al., 2021; García-Medrano, Maldonado-Garrido, et al., 2020; Herzlinger, Brenet, et al., 2021; Herzlinger & Goren-Inbar, 2020; Herzlinger, Goren- Inbar, et al., 2017; Herzlinger & Grosman, 2018; Herzlinger, Varanda, et al., 2021), os pontos de referência foram processados através da Análise Generalizada de Procrustes (GPA). Este processo minimiza as diferenças entre a posição de referência na amostra a testar, transformando as silhuetas da totalidade dos artefactos em estudo num tamanho, orientação, e posição padronizados, antes da análise subsequente: “In this way, the differences in landmarks can be attributed exclusively to shape differences between different objects.” (García-Medrano, Ashton, et al., 2020, p. 21).

Uma vez concluído esse processo, realizou-se a Análise de Componentes Principais (Principal Component Analysis – PCA) para uma aproximação inicial à diversidade das formas na base de dados em estudo. Tendo em conta que a PCA é de baixo valor informativo, visto que apenas explora a variabilidade da forma e o padrão de dispersão dos dados sem testar hipóteses sobre diferenças entre grupos (cf. Méndez-Quintas, 2022) – tendo-se assinalado que os trabalhos focados na interpretação dos gráficos da PCA e na apresentação da listagem dos valores e da percentagem de variância constituem uma utilização incorreta e imprecisa da Morfometria Geométrica (Idem) – exploraram-se os dados com base na Análise de Variáveis Canónicas (Canonical Variate Analysis – CVA), que cria variáveis para descrever a posição relativa dos grupos (ou subconjuntos de indivíduos) na amostra (Zelditch et al., 2012a, p. 135).

Mais do que se limitar à análise do respetivo gráfico de dispersão, para testar a existência de diferenças significativas ao nível do conjunto e dos pares em estudo recorreu-se a dois testes estatísticos. Por um lado, com base numa Análise de Função Discriminante (Discriminant Function Analysis – DFA), realizou-se um teste de validação cruzada (Jackniffed) baseado na reamostragem das observações originais, do qual se gera uma observação empírica (Zelditch et al., 2012b, pp. 217-218). Este procedimento, que exibe o grau de “robustez” estatística da diferença de forma entre as variáveis em análise (Méndez-Quintas, 2022, p. 7), tanto apresenta a percentagem de espécimes corretamente classificados no conjunto, consoante o padrão constatado, como confronta cada par de grupos separadamente, sendo a reordenação dos espécimes apresentada numa tabela de classificação (confusion matrix). Estes dados foram comparados e complementados com os resultados de um teste não paramétrico de permutação estatística multivariada (Permutational analysis of variance – PERMANOVA), que avalia a

existência de diferenças significativas entre dois ou mais grupos, com base em qualquer medida de distância (Anderson, 2001). A opção por um teste não paramétrico deriva do facto de este tipo de testes estatísticos contornar “many assumptions required for classic parametric statistical tests, as well as problems of high dimensionality with respect to sample size (Herzlinger and Grosman 2018; Marozzi 2016).” (Herzlinger, Varanda, et al., 2021, p. 29).

Para a PERMANOVA, utilizaram-se 9999 repetições (o procedimento padrão) e as comparações das distâncias entre pares foram calculadas utilizando a distância euclidiana (Falcucci & Peresani, 2022; Matzig et al., 2021). Deste procedimento, obtiveram-se valores p que permitem validar e medir a distância para o conjunto e, simultaneamente, para os pares em análise, aferindo-se a potencial existência de diferenças estatisticamente significativas entre as silhuetas dos LCTs em foco. Atendendo a observações anteriores (Falcucci & Peresani, 2022;

Hoggard et al., 2019), utilizou-se o ajuste sequencial de Bonferroni para identificar comparações significativamente distintas, “in which the desired α-value is divided by the number of remaining tests. Thus, the adjusted α for the first test would be 0.05/10; for the second it would be 0.05/9; for the third it would be 0.05/8, etc. To apply this sequential adjustment, hypotheses are ordered from lowest to highest p-value; the null hypothesis is rejected for each in turn until reaching one that cannot be rejected (the analysis stops at that point).” (Zelditch et al., 2012c, p. 456), um ajuste considerado menos conservador (Idem) do que a aplicação da correção de Bonferroni (Falcucci & Peresani, 2022; Hoggard et al., 2019).

Neste sentido, refira-se que nos resultados referentes à PERMANOVA, apresentados no Anexo III, a negrito identificam-se os valores p cujo teste reconhece diferenças significativas entre os pares em confronto, e a sublinhado identificam-se os valores p < 0,05, mas cuja aplicação do ajuste sequencial de Bonferroni não assinala diferenças significativas entre os respetivos pares.