Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inferência Estatística População Características Técnicas de Amostragem Amostra Informações contidas nos dados Estatísticas Descritivas Inferência EstatísticaConclusões sobre informações da população Amostragem em estudos da área de saúde Amostragem em estudos da área de saúde • Pergunta comum em todo estudo científico � tamanho da amostra necessário para se alcançar as metas estipuladas • Idealmente � amostra grande, exaustiva • Na prática � amostra mínima, por questões éticas, restrições de tempo, de recursos humanos e custo • Cálculo apropriado do tamanho de amostra exigência dos protocolos de pesquisa Amostragem em estudos de saúde • Representatividade da população na amostra é assegurada no planejamento da pesquisa: � Formulação do problema; � Escolha do tipo de estudo (experimental, observacional); � Escolha dos fatores que devem ser incluídos na pesquisa (hábitos pessoais, história da doença, etc); � Definição de critérios de inclusão e exclusão; � Adoção de procedimentos claros, simples e reprodutíveis � Coleta de dados; � Produção de resultados; � Análise dos resultados e relatório contendo as conclusões; � Discussão das limitações do estudo e possíveis aprimoramentos. Amostragem em estudos de saúde • Escolha do tipo de estudo: � Utilização do censo (exemplo, contagem populacional) � Amostra � Processo de amostragem: � 1º passo: escolha do método de seleção (aleatório, por sorteio, ou não) � 2º passo: determinação do método estatístico que será usado na análise dos dados para cálculo do tamanho da amostra Conceitos Básicos • Esquemas amostrais � Sorteio e métodos de obtenção das amostras: � Amostragem Aleatória Simples � Amostragem Sistemática � Amostragem Estratificada � Amostragem de Conglomerados Amostragem aleatória simples � Consiste em sortear de uma lista com todos os elementos da população, os elementos que farão parte da amostra � Sorteio aleatório � Vantagens: facilidade de uso, igual probabilidade de todos os elementos de entrar na amostra � Desvantagens: necessidade de uma lista de todos os elementos da população base, completa e atualizada � Exemplos: 1. Selecionar uma amostra de especialistas de uma lista do Conselho Regional para se fazer um levantamento da percepção da necessidade e do conhecimento desses profissionais sobre sua especialidade Amostragem sistemática � Opção de sorteio em que se seleciona aleatoriamente um número entre o total de elementos da listagem da população que será o primeiro elemento da amostra � O segundo elemento será o que ocupa uma posição k (fixa) na seqüência do 1º elemento. O processo é repetido até completar a amostra � Por exemplo, seleciona-se aleatoriamente o elemento 10 da lista e define-se k como 15. Logo, o segundo elemento será o número 25, o terceiro o número 40, o quarto o número 55... � Vantagem: facilidade de execução, pois o trabalho pode ser realizado durante o trabalho de campo. Ex: Amostras de 10% do censo demográfico � seleciona-se a 1ª casa que será entrevistada e dão um intervalo de 7 casas, para a próxima entrevista � Desvantagem: estimativas viciadas da variabilidade Amostragem estratificada � Utilizada quando deseja-se estimar os parâmetros de interesse relativos a sub grupos homogêneos da população � Exemplo: estimativas da prevalência de doenças entre homens e mulheres, ou na zona urbana e rural � Divisão da população em sub-grupos, ou estratos, é imposta por necessidade do estudo � Processo: considera os estratos como populações independentes, dos quais se retira amostras igualmente independentes � Dimensionamento das sub-amostras pode ser de maneira proporcional ao tamanho do estrato � Vantagens: diminui a variabilidade entre os grupos � Desvantagens: aumenta a complexidade das análises posteriores já que elas devem levar em conta a proporção de cada estrato Amostragem por conglomerados � Populações humanas se agregam naturalmente em subgrupos, internamente homogêneos, mas heterogêneos entre si. � Exemplo: turmas de uma mesma série escolar. Para se obter uma amostra dessa série, o mais prático é sortear uma turma e daí fazer o recenseamento ou nova amostragem � Nesse caso, os aglomerados (conglomerados) são as unidades de sorteio � Exemplos comuns de conglomerados: setores censitários das regiões de BH, famílias, domicílios, turmas de alunos de uma escola, pacientes de um serviço, quarteirões de uma rua, bairros de uma cidade... População e amostra • População � universo da análise, todos os possíveis valores de um determinada variável � Ex: Todos os alunos do curso de Gestão de Serviços de Saúde • Amostra � conjunto de informações extraídas da população � deve representar bem a população � busca-se a partir dela, fazer inferências da população � Ex: Alunos do 2º período do curso de Gestão • Busca por novos métodos e novos procedimentos melhores que os já existentes • Necessidade de comparar as técnicas usuais com os métodos alternativos • Deve-se coletar informações e fazer inferências a partir de evidências experimentais ou observacionais Comparando Dois Grupos • Situação: Dois tratamentos utilizados para uma determinada doença. Qual tratamento produz melhor efeito? • Reação a um tratamento varia de indivíduo para indivíduo • Deve-se escolher o tratamento que apresenta em média melhores resultados, ou seja, bons resultados para a maioria da população Como fazer isso????? Comparando Dois Grupos Exemplo: Aspirina e prevenção de doença coronariana • Potencial da aspirina na redução de risco de doenças cardiovasculares • Estudo Physicians’ Health Study, em 1982, com o objetivo de comprovar esse efeito 22.071 médicos (40 e 84 anos) 11.037 médicos - aspirina a cada 2 dias 11.034 médicos - Placebo (Steering Commitee of Physicians Healthy Study Group, 1989) Tabela 1: Tabela de frequências dos eventos relatados pelo Steering Committee of Physicians’ Health Study Group em 1989 Eventos Aspirina Placebo n % n % Infarto 139 1,26 239 2,17 AVC 119 1,08 98 0,89 Nenhum 10779 97,66 10697 96,95 Total 11037 100,00 11034 100,00 Exemplo: Aspirina e prevenção de doença coronariana Tabela 2: Tabela de frequências dos eventos relatados pelo Steering Committee of Physicians’ Health Study Group em 1989 Eventos Aspirina Placebo n % n % Infarto 139 1,26 239 2,17 AVC 119 1,08 98 0,89 Nenhum 10779 97,66 10697 96,95 Total 11037 100,00 11034 100,00 Posso afirmar que a prevalência de infarto foi significativamente maior no grupo que tomou o placebo se comparado ao grupo que tomou aspirina???? Exemplo: Aspirina e prevenção de doença coronariana TESTES DE HIPÓTESE • Usado para testar uma alegação, ou afirmação sobre uma propriedade de uma população a hipótese. • Teste estatístico depende do tipo de variável e do tipo de planejamento. Os mais comuns e que serão discutidos: • Comparação de 2 variáveis categóricas independentes Comparação de proporções • Comparação de 2 variáveis numéricas independentes Comparação de médias Comparando Dois Grupos Tabela 2: Comparação da ocorrência de infarto entre grupos placebo e aspirina, de acordo com Steering Committee of Physicians’ Health Study Group em 1989 Grupo Infarto TotalSim Não n % n % Aspirina 139 1,3 10898 98,7 11037 Placebo 239 2,2 10795 97,8 11034 Total 378 1,7 21693 98,3 22071 Comparando Dois Grupos Teste de Hipóteses Hipóteses a serem testadas: • Hipótese nula (H0) • Fixada usualmente como a inexistência de diferença entre os dois tratamentos comparados • Hipótese alternativa (H1) • Inexistência de igualdade entre os tratamentos Teste de Hipóteses Hipóteses a serem testadas: • Exemplo • H0 � proporção de infarto no grupo Aspirina = proporção de infarto no grupo Placebo • H1 � proporção de infarto no grupo Aspirina ≠ proporção de infarto no grupo Placebo InfartoPInfartoA InfartoPInfartoA ppHppH ≠ = : : 1 0 Teste de Hipóteses Critério de decisão: • Construção de critério a partir do qual a hipótese nula será julgada • Baseado na estatística de teste • Mede a discrepância entre o que foi observado na amostra e o que seria espera se a hipótese nula fosse verdadeira • Grandes distâncias indicam que H0 não é verdadeira � deve ser rejeitada Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Rejeitar H0 Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Decisão correta Rejeitar H0 Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Decisão correta Erro tipo II Rejeitar H0 Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Decisão correta Erro tipo II Rejeitar H0 Erro tipo I Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Decisão correta Erro tipo II Rejeitar H0 Erro tipo I Decisão correta Teste de Hipóteses Erros e nível de significância: Tabela 4: Exemplo do júri Decisão do Júri Situação real Inocente Culpado Absolvido Condenado Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Decisão do Júri Situação real Inocente Culpado Absolvido OK Condenado OK Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Decisão do Júri Situação real Inocente Culpado Absolvido OK “Erro tipo II” Condenado “Erro tipo I” OK Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses Decisão do Júri Situação real Inocente Culpado Absolvido OK “Erro tipo II” Condenado “Erro tipo I” (mais grave) OK Teste de Hipóteses Erros e nível de significância: Tabela 3: Erros possíveis associados a teste de hipóteses • Erro tipo I � nível de significância do teste (α) (No ex: Rejeitar H0 quando os dois tratamentos são iguais) • Erro tipo II � (β) 1- β = poder do teste (No ex: Não rejeitar H0 quando os dois tratamentos são diferentes) Conclusão do teste Situação real H0 verdadeira H0 falsa Não rejeitar H0 Decisão correta Erro tipo II Rejeitar H0 Erro tipo I Decisão correta Teste de Hipóteses Probabilidade de significância (valor-p): • Probabilidade de se cometer um erro ao rejeitar a hipótese nula, isto é, ao dizer que existe diferença significativa entre os grupos • Quanto menor o valor de p maior a evidência para rejeitar H0 (ex.: tratamento tem efeito) • Utilizado para variáveis contínuas • Comparação de médias Teste para variáveis contínuas •Testa se a média de uma única variável difere de uma constante especificada •Hipóteses: • Ho: µ = algum valor • Ha: µ ≠ algum valor Teste Afirmação sobre uma média Teste t-Student de Afirmação sobre uma média • Esse teste requer o pressuposto de que a população original tem distribuição essencialmente normal •Porém são robustos a pequenas perdas de normalidade Exemplo: • Estudos anteriores relatam que um Serviço de Saúde gasta em média R$ 900,00 por semana com manutenção de equipamentos. • Um estudo realizado durante as 53 semanas do ano de 2008 observou um gasto médio semanal de R$847,00 com desvio-padrão de R$104,00. • Pode-se afirmar que o gasto com manutenção de equipamentos nesse Serviço de Saúde realmente diminuiu? Teste de Afirmação sobre uma média – Exemplo 1 Exemplo: Teste de Afirmação sobre uma média – Exemplo 1 Semana do ano 2008 Gasto com manutenção de equipamento Semana 1 R$ 400,00 Semana 2 R$ 800,00 Semana 3 R$ 1000,00 Semana 4 R$ 750,00 ... Semana 53 R$750,00 n=53 Média = R$ 847,00 DP=R$104,00 •Valor de referência – R$900,00 •Hipóteses: Ho: µ = 900 Ha: µ ≠ 900 Média de gasto com manutenção por semana = 900 Média de gasto com manutenção por semana ≠ 900 Teste Z de Afirmação sobre uma média – Exemplo 1 Teste de Afirmação sobre uma média Estatística de teste: Se n>30 n s x t x µ− = Distribuição Normal Padronizada z Teste de Afirmação sobre uma média Estatística de teste: Se n < 30 n s x t x µ− = Distribuição t-Student com n-1 gl Teste Z de Afirmação sobre uma média – Exemplo 1 • Hipóteses: Ho: µ = 900 Ha: µ ≠ 900 • n=53 = 847 s = 104 • Estatística de teste: n s x t x µ− = x 71,3 53 104 900847 −= − =tzz Conclusões: • Decidir se o valor do teste (-3,71) é ou não “grande” • Tabela Distribuição Normal Padronizada Exemplo do Teste Z para uma média Conclusões: • Decidir se o valor do teste (-3,71) é ou não “grande” • Tabela Distribuição Normal Padronizada • Atentar para o nível de significância!!!!! � usual 5% • Como a distribuição é bi-lateral (consideramos sempre α/2=0,05/2=0,025) Exemplo do Teste Z para uma média Exemplo do Teste Z para uma média Exemplo do Teste Z para uma média -3,71 Exemplo do Teste Z para uma média -3,71 Conclusões: Valor tabelado Z = -1,96 ou mais 1,96 Rejeito a hipótese nula Média de gasto com manutenção por semana ≠ 900 Exemplo 2: • Suponha agora que estudos anteriores relatam que o mesmo Serviço de Saúde atende em média 26 pacientes em um dia. • Um rápido estudo realizado durante 1 semana do mês de setembro do ano de 2009 observou um número médio de aproximadamente 25 pessoas por dia. • Considerando que a semana selecionada é uma semana habitual e pode ser considerada representativa pode-se afirmar que o número médio de pacientes atendidos em um dia no Centro de Saúde diminuiu significativamente? Ou essa diferença ocorreu somente pelo acaso? Teste de Afirmação sobre uma média – Exemplo 2 Exemplo: Teste de Afirmação sobre uma média – Exemplo 2 Dias Nº pacientes atendidos Segunda-feira 29 Terça-feira 24 Quarta-feira 24 Quinta-feira 27 Sexta-feira 28 Sábado 20 Domingo 21 n=7 Média = 24,71 DP=3,45 •Valor de referência – 26 •Hipóteses: Ho: µ = 26 Ha: µ ≠ 26 Média de pacientes atendidos em um dia = 26 Média de pacientes atendidos em um dia ≠ 26 Teste t-Student de Afirmação sobre uma média – Exemplo 2 Teste t-Student de Afirmação sobre uma média – Exemplo 2 • Hipóteses: Ho: µ = 26 Ha: µ ≠ 26 • n=7 = 24,71 s = 3,45 • Estatística de teste: n s x t x µ− = x 767,0 7 45,3 2625 −= − =t Conclusões: • Decidir se o valor do teste (-0,767) é ou não “grande” • Comportamento da distribuição t-Student quando as médias são iguais • Tabela t-Student com n-1 graus de liberdade • Nível de significância de 5% • A tabela apresentada no livro já é bilateral Exemplo do Teste t-Student para uma média Conclusões: • Decidir se o valor do teste (-0,767) é ou não “grande” • Comportamento da distribuição t-Student quando as médias são iguais • Tabela t-Student com n-1 graus de liberdade • Nível de significância de 5% • A tabela apresentada no livro já é bilateral • Para 6 graus de liberdade (n-1) e α=0,05, temos: Exemplo do Teste t-Student para uma média Exemplo do Teste t-Student para uma média t Exemplo do Teste t-Student para uma média t=-0,767 t Exemplo do Teste t-Student para uma média t=-0,767 Conclusões: Valor tabelado t = -2,447 ou mais 2,447 Não rejeito a hipótese nula Média de pacientes atendidos em um dia = 26 t Teste para comparação de duas médias • Comparação de dois grupos em relação a uma variável contínua, por exemplo, idade • Testa-se igualdade demédias • Hipóteses: Ho: média do grupo 1 = média do grupo 2 H1: média do grupo 1 ≠ média do grupo 2 Teste para comparação de duas médias independentes Teste z - para n>30 • Adequado para variáveis quantitativas com distribuição normal e n>30 • Dado dois grupos: • Grupo 1 � média e desvio-padrão • Grupo 2 � média e desvio-padrão • Critério de decisão Teste para variáveis contínuas 1x 1x 2x 1s 2s 2 2 2 1 2 1 21 n s n s xxZ + − = Teste Z • Se Z “grande” � rejeita H0 • Usa distribuição Normal Padronizada para α/2 • Se α=0,05 ���� α/2=0,025 Teste para variáveis contínuas 1x Teste t – n de um dos grupos < 30 • Adequado para variáveis quantitativas com distribuição normal • Dado dois grupos: • Grupo 1 � média e desvio-padrão • Grupo 2 � média e desvio-padrão • Critério de decisão Teste para variáveis contínuas 1x 1x 2x 1s 2s )( 21 21 xxDP xx T − − = +=− 21 2 21 11)( nn sxxDP p 2 )1()1( 21 2 22 2 112 −+ −+− = nn snsn s p • Exemplo: Comparar as idades dos pacientes alocados nos grupos controle e intervenção • Hipóteses: Ho: média de idade controles = média de idade intervenção H1: média de idade controles ≠ média de idade intervenção Exemplo teste para variáveis contínuas 1x Fonte: Dados Malone et al, MEDICAL CARE 39(2), 113–122, 2001. Exemplo teste para variáveis contínuas Teste Z – n>30 • Exemplo: 321,0 188,0199,0 2,0 531 )0,10( 523 )2,10( 6,668,66 22 = + = + − =z 1x 531 523 2 1 = = n n 6,66 8,66 2 1 = = x x 0,10 2,10 2 1 = = s s 2 2 2 1 2 1 21 n s n s xxZ + − = Exemplo do Teste Z para comparação de duas médias α=0,05 ���� α/2=0,025 Exemplo do Teste Z para comparação de duas médias α=0,05 ���� α/2=0,025 0,321 Exemplo do Teste Z para comparação de duas médias 0,321 Conclusões: Valor tabelado Z = -1,96 ou mais 1,96 Não rejeito a hipótese nula Média de idade controles = média de idade intervenção Exemplo do Teste Z para comparação de duas médias Exemplo do Teste Z para comparação de duas médias – Cálculo valor-p Exemplo do Teste Z para comparação de duas médias – Cálculo valor-p Exemplo do Teste Z para comparação de duas médias – Cálculo valor-p Valor-p = 0,3745 + 0,3745 = 0,749 Não rejeito a hipótese nula Média de idade controles = média de idade intervenção • Considerem as notas da 1ª prova de estatística da turma do 4º período do Curso de Medicina. • Foi feita uma comparação por sexo e obteve-se os seguintes resultados: 1. Mulheres � n=30 média=11,54 DP=3,42 2. Homens � n=6 média=14 DP=3,82 • Pode-se afirmar que os homens tiveram um desempenho significativa diferente das mulheres nessa avaliação? Exemplo do Teste t-Student Teste t – n de um dos grupos < 30 • H0: nota média dos homens = nota média mulheres • H1: nota média dos homens ≠ nota média mulheres Teste t-Student comparação de dois grupos 1x Teste t – n de um dos grupos < 30 1. Mulheres � n=30 média=11,54 DP=3,42 2. Homens � n=6 média=14 DP=3,82 1x Teste t-Student comparação de dois grupos Independent Samples Test -1,579 34 ,124notas t df p-value t-test for Equality of Means • Tabela t-Student com n1+n2-2 graus de liberdade • Nível de significância de 5% • A tabela apresentada no livro já é bilateral Exemplo do Teste t-Student comparação de dois grupos • Tabela t-Student com n1+n2-2 graus de liberdade • Nível de significância de 5% • A tabela apresentada no livro já é bilateral • Para 34 graus de liberdade (n1+n2-2 = 30+6-2) e α=0,05, temos: Exemplo do Teste t-Student para uma média Exemplo do Teste t-Student para uma média Obs: 30 gl – valor aproximado Exemplo do Teste t-Student para uma média Obs: 30 gl – valor aproximado -1,57 Exemplo do Teste t-Student para uma média -1,57 Conclusões: Valor tabelado t = -2,042 ou 2,042 Não rejeito a hipótese nula Média notas dos homens = média notas das mulheres Exemplo do Teste t-Student para uma média Valor-p = 0,062 + 0,062 = 0,124 Exemplo do Teste t-Student para uma média Valor-p = 0,062 + 0,062 = 0,124 Não rejeito a hipótese nula Média notas dos homens = média notas das mulheres Teste para variáveis categóricas dicotômicas independentes Teste Qui-quadrado (χ2) • Comparação de duas proporções quanto à ocorrência de um evento • Utilizado para variáveis categóricas • Hipóteses: H0: % evento grupo 1 = % evento no grupo 2 H1: % evento grupo 1 ≠ % evento no grupo 2 Tabela 5: Distribuição quanto à ocorrência de um evento Grupo Ocorrência do evento Total sim Não 1 a b a+b=n1 2 c d c+d=n2 Total m1=a+c m2=b+d N Comparação da ocorrência de infarto entre grupos placebo e aspirina, de acordo com Steering Committee of Physicians’ Health Study Group em 1989 Grupo Infarto TotalSim Não n n Aspirina 139 10898 11037 Placebo 239 10795 11034 Total 378 21693 22071 Exemplo Comparação da ocorrência de infarto entre grupos placebo e aspirina, de acordo com Steering Committee of Physicians’ Health Study Group em 1989 Grupo Infarto TotalSim Não n n Aspirina 139 (a) 10898 (b) 11037 (a+b=n1) Placebo 239 (c) 10795 (d) 11034 (c+d=n2) Total 378 (a+c=m1) 21693 (b+d=m2) 22071 (a+b+c+d=N) Exemplo Teste para variáveis categóricas Teste Qui-quadrado (χ2) • Se não há diferença entre as % nos 2 grupos: • Logo: N m nn ca n c n a 1 2121 = + + == N nmd N nm c N nmb N nm a 22211211 ;;; × = × = × = × = a b n1 c d n2 m1 m2 N Teste Qui-quadrado (χ2) • Valores observados (Oi): a, b, c, d • Valores esperados (Ei) – se grupos iguais: • % iguais 2 grupos � grande discrepância entre Oi e Ei Estatística de Teste ���� Qui-quadrado de Pearson Teste para variáveis categóricas N nmd N nm c N nmb N nm a EEEE 22211211 ;;; × = × = × = × = ∑ = − = 4 1 2 2 )( i i ii E EOχ Distribuição Qui-quadrado com 1 grau de liberdade Comparação da ocorrência de infarto entre grupos placebo e aspirina, de acordo com Steering Committee of Physicians’ Health Study Group em 1989 Grupo Infarto TotalSim Não n n Aspirina 139 (a) 10898 (b) 11037 (a+b=n1) Placebo 239 (c) 10795 (d) 11034 (c+d=n2) Total 378 (a+c=m1) 21693 (b+d=m2) 22071 (a+b+c+d=N) Exemplo Grupo Infarto TotalSim Não n n Aspirina 139 (a) 10898 (b) 11037 (a+b=n1) Placebo 239 (c) 10795 (d) 11034 (c+d=n2) Total 378 (a+c=m1) 21693 (b+d=m2) 22071 (a+b+c+d=N) Exemplo • H0 � proporção de infarto no grupo Aspirina = proporção de infarto no grupo Placebo • H1 � proporção de infarto no grupo Aspirina ≠ proporção de infarto no grupo Placebo • Cálculo dos valores esperados: • Estatística Qui-quadrado: • Estatística de Teste (χ2) = 26,8 Exemplo do Teste Qui-quadrado (χ2) a=139 b=10898 n1=11037 C=239 d=10795 n2=11034 m1=378 m2=21693 N=22071 0,189 22071 11037378 = × =Ea 0,1084822071 1103721693 = × =Eb 0,10845 22071 1103421693 = × =Ed0,18922071 11034378 = × =Ec 8,262,02,132,02,13 10845 )1084510795( 189 )189239( 10848 )1084810898( 189 )189139( 22222 =+++= − + − + − + − =χ Questões: • Decidir se o valor do teste (26,8) é ou não “grande” Exemplo do Teste Qui-quadrado (χ2) Questões: • Decidir se o valor do teste (26,8) é ou não “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado Exemplo do Teste Qui-quadrado (χ2) Questões: • Decidir se o valor do teste (26,8) é ou não “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado • Atentar para o nível de significância!!!!! � usual 5% Exemplo do Teste Qui-quadrado (χ2) Questões: • Decidir se o valor do teste (26,8) é ou não “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado • Atentar para o nível de significância!!!!! � usual 5% • Valor tabelado – X2 com 1 gl e 5% de significância = 3,84 Exemplo do Teste Qui-quadrado (χ2) Questões: • Decidir se o valor do teste (26,8) é ounão “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado • Atentar para o nível de significância!!!!! � usual 5% • Valor tabelado – X2 com 1 gl e 5% de significância = 3,84 • Valor teste (26,8) > 3,84 � Exemplo do Teste Qui-quadrado (χ2) Questões: • Decidir se o valor do teste (26,8) é ou não “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado • Atentar para o nível de significância!!!!! � usual 5% • Valor tabelado – X2 com 1 gl e 5% de significância = 3,84 • Valor teste (26,8) > 3,84 � Rejeita a Hipóste nula Proporção de infarto no grupo Aspirina ≠ proporção de infarto no grupo Placebo Exemplo do Teste Qui-quadrado (χ2) Exemplo do Teste Qui-quadrado (χ2): • Outra possibilidade � Calcular o valor-p � Valor-p = probabilidade de significância � Cálculos computacionais a partir da distribuição de probabilidade � Resultado dos testes usado nos artigos � No exemplo: P(x>26,8)<<0,005 � � valor-p<<<0,005 � Como interpretar o valor-p???????? Teste para variáveis categóricas Exemplo do Teste Qui-quadrado (χ2): • Valor-p � Probabilidade de cometer um erro ao rejeitar a hipótese nula � Valor-p grande � probabilidade erro grande � não se deve rejeitar Ho � Valor-p pequeno � probabilidade erro pequena � deve-se rejeitar Ho � Ponto de corte usual = 0,05 � 5% de significância � No exemplo: p=<0,005 � rejeita Ho � grupos são diferentes . Teste para variáveis categóricas Teste Qui-quadrado (χ2) • Exemplo: Comparar o % de homens e mulheres alocados em uma pesquisa nos grupos intervenção e controle Exemplo 2: Teste para variáveis categóricas Fonte: Dados Malone et al, MEDICAL CARE 39(2), 113–122, 2001. Exemplo Teste Qui-quadrado (χ2) • Hipóteses: Ho: % homens grupo intervenção = % homens no grupo controle H1: % homens grupo intervenção ≠ % homens no grupo controle Teste para variáveis categóricas Sexo Grupos Total intervenção Controle Masculino a=502 b=511 n1=1013 Feminino c=21 d=20 n2=41 Total m1=523 m2=521 N=1044 • Cálculo dos valores esperados: • Estatística Qui-quadrado: • Teste χ2 = 0,14 Exemplo do Teste Qui-quadrado (χ2) a=502 b=511 n1=1013 c=21 d=20 n2=41 m1=523 m2=521 N=1044 5,507 1044 1013523 = × =Ea 5,5051044 1013521 = × =Eb 5,201044 41521 = × =Ed5,20 1044 41523 = × =Ec 14,001,001,006,006,0 5,20 )5,2020( 5,20 )5,2021( 5,505 )5,505511( 5,507 )5,507502( 22222 =+++= − + − + − + − =χ Questões: • Decidir se o valor do teste (0,14) é ou não “grande” • Comportamento da distribuição X2 quando as % são iguais • Tabela Qui-quadrado • Atentar para o nível de significância!!!!! � usual 5% • Valor tabelado – X2 com 1 gl e 5% de significância = 3,84 • Valor teste (0,14) < 3,84 � não rejeita a Hipóste nula % de homens no grupo intervenção = % homens grupo controle Exemplo do Teste Qui-quadrado (χ2) Exemplo do Teste Qui-quadrado (χ2): • Outra possibilidade � Calcular o valor-p � Valor-p = probabilidade de significância � Cálculos computacionais a partir da distribuição de probabilidade � Resultado dos testes usado nos artigos � No exemplo: P(x>0,14)>0,75 � valor-p>0,75 � Como interpretar o valor-p???????? Teste para variáveis categóricas Exemplo do Teste Qui-quadrado (χ2): • Valor-p � Probabilidade de cometer um erro ao rejeitar a hipótese nula � Valor-p grande � probabilidade erro grande � não se deve rejeitar Ho � Valor-p pequeno � probabilidade erro pequena � deve-se rejeitar Ho � Ponto de corte usual = 0,05 � 5% de significância � No exemplo: p~0,75 � não rejeita Ho � grupos são iguais. Teste para variáveis categóricas Teste para variáveis categóricas Fonte: Dados Malone et al, MEDICAL CARE 39(2), 113–122, 2001. Teste Exato de Fisher • Teste Qui-quadrado de Pearson não é apropriado quando o valor esperado de alguma casela < 5. • Pode trazer conclusões incorretas. • Alternativa � teste exato de Fisher • Implementado na maioria dos softwares estatísticos Teste para variáveis categóricas Intervalo de confiança Intervalo de Confiança • Representa um intervalo que abrange todos os possíveis valores assumidos por um determinado parâmetro na população � Ex: Média de idade de pacientes atendidos em Centros de Saúde de diversas áreas de abrangência de Belo Horizonte BH 54 anos 66 anos 53 anos Amostra de 100 pacientes do CS. Miramar - Barreiro Amostra de 70 pacientes do CS. Santa Rita - Centro Sul Amostra de 50 pacientes do CS. Amilcar Viana - Oeste Intervalo de Confiança • O IC agrega ao estimador pontual (ex, média) informação sobre sua variabilidade. • Escolhe-se um limite inferior e um limite superior para a estimativa. • Intervalo de confiança para média � Usa-se a distribuição t-Student com n-1 graus de liberdade � Deve-se considerar o nível de significância ou nível de confiança da estimativa Intervalo de Confiança para média • Exemplo: • Amostra de 100 pacientes atendidos em Centros de Saúde de BH – média de idade = 54 anos - desvio padrão = 6 anos ×+×−= −− n s tx n s txIC xnxn αα ;1;1 ; 98,1 100 6 54 95,0,99 = = = = t n s x x ( ) )2,55;8,52(2,154;2,154 100 6 98,154; 100 698,154%95 =+−= ×+×−=IC A idade dessa população pode variar entre 53 e 55 anos Intervalo de Confiança para proporção • Exemplo: • Amostra de 100 pacientes atendidos em Centros de Saúde de BH – proporção de adolescentes (11 a 17 anos) = 16% A proporção de adolescentes dessa população pode variar entre 12% e 20%. − ×+ − ×−= −− n pp tp n pp tpIC nn )ˆ1(ˆ ˆ; )ˆ1(ˆ ˆ ;1;1 αα ( ) )20,0;12,0(04,016,0;04,016,0 100 84,016,0 98,116,0; 100 84,016,098,116,0%95 =+−= × ×+ × ×−=IC 98,1 100 %16ˆ 95,0,99 = = = t n p Intervalo de Confiança Exemplo de aplicação Fonte: Almeida OP, Almeida AS. Confiabilidade da versão brasileira da escala de depressão em geriatria (GDS). Arq Neuropsiquiatr 1999;57(2-B): 421-426
Compartilhar