Prévia do material em texto
1 @nutristudies.loren → A partir da população é retirada uma amostra → Inferência estatística – extrapola os dados da amostra para a população → Principais ferramentas da inferência estatística: • Intervalo de confiança – usado quando o objetivo do estudo é voltado para estimação do parâmetro • Testes de hipóteses – usado quando o objetivo do estudo envolve hipótese sobre o parâmetro de interesse – comparações → IC – Intervalo de valores no qual se presume que esteja contido o parâmetro de interesse - Pode ou não estar contido - 95% de confiança de que ele está contido HIPÓTESES ESTATÍTICA → Hipótese - suposição que pode ou não ser verosímil, que seja possível de ser verificado, a partir - Chance ou possibilidade de algo acontecer → Na estatística – são usadas para decidir se uma afirmação sobre parâmetros de uma população é ou não apoiado pela evidência obtida de dados amostrais → Suposição quanto ao valor de um parâmetro populacional → Teste de hipótese – regra de decisão para aceitar ou rejeitar uma hipótese estatística com base nos elementos amostrais → Existem 2 hipóteses: • H0 = hipótese nula ou de nulidade - Ausência de diferença entre os parâmetros - 1° Hipótese a ser formulada • HA = hipótese alternativa - Contraria a hipótese nula - Existe diferença entre os parâmetros - É a hipótese que o pesquisador, na maioria das vezes, gostaria de afirmar → A hipótese nula e a alternativa são contrárias: - Se H0 for aceita, HA é rejeitada ou - Se H0 for rejeitada, HA é aceita Exemplos: → As hipóteses são testadas para saber qual será usada → Quando falamos em hipóteses – refere-se a perguntas sobre a relação entre variáveis, por exemplo: - A variável “doença” está associada à variável “fator de risco”? → Estudos descritivos – não necessitam de hipóteses, basta descrever as características da amostra em estudo → Hipóteses – fundamentais para estudos de associação ou experimentação → Com base nos resultados de uma amostra aleatória, tomamos a decisão de rejeitar ou não a h. nula - O teste de hipóteses, a princípio, considera a H. nula como verdadeira → Toda inferência estatística está sujeita a erro, que pode ser calculado 2 @nutristudies.loren → Erro do tipo I – vacina não tem efeito, mas se afirma que tem → Erro do tipo II – vacina tem efeito, mas se afirma que não tem → Pesquisadores consideram o erro grave de rejeitar a hipótese de nulidade quando ela é verdadeira - Isso pode significar mudar padrões e comportamentos sem necessidade → Para ter mais segurança na decisão, o pesquisador aplica um teste de hipótese - Não elimina a probabilidade de erro, mas fornece o valor da probabilidade (p-valor) → Quanto menor o valor de P – mais forte é a evidência contra H0, ou seja, mais forte a evidência que há diferença entre os dados → A probabilidade de cometer um erro do tipo um é alfa – nível de significância que você definiu para seu teste de hipóteses → Os pesquisadores se sentem mais seguros para rejeitar a h. nula e assim assumindo que, existe a diferença procurada, quando o valor de P é pequeno → Por convenção, se p < 0,05 = H0 deve ser rejeitada - Resultados são estatisticamente significantes → Erro tipo II – quando a h. nula é falsa e você não a rejeita → A probabilidade de cometer um erro tipo II é beta, que depende do poder do teste → Pode diminuir o ressico de cometer um erro tipo II, assegurando que o seu teste tenha potência suficiente - Garantindo que o tamanho amostral seja grande o suficiente para detectar uma diferença, quando ela realmente existir NÍVEL DE SIGNIFICÂNCIA E PODER DO TESTE → Significância do teste – probabilidade de cometer um erro tipo I (alfa) → O n. de significância não é um valor que calculamos a partir de amostra, mas é definido na etapa de planejamento do estudo TESTE DE HIPÓTESE E SIGNIFICÃNCIA ESTATÍSTICA → Competição entre a h. nula e a h. da pesquisa (alternativa) → Serve de auxílio para comprovar uma hipótese de forma intuitiva, determinando uma probabilidade (valor p) → Passos para realizar um teste de hipóteses: 1. Definir a hipótese - H. nula ou alternativa 2. Calcular a estatística do teste - Valor calculado a partir da amostra, que será usado na tomada de decisão - Comparar o valor tabelado com a estatística do teste 3. Região crítica da curva de Gauss - É a região onde H0 é rejeitada - Área da região crítica = nível de significância - Estabelece a probabilidade de rejeitar H0 quando é verdadeira 4. Regra de decisão - Se o valor da estatística do teste cair na região crítica, rejeita-se H0 - Ao rejeitar H0, existe uma forte evidência de sua falsidade - Quando aceita H0, dizemos que não houve evidência amostral significativa no sentido de permitir a rejeição de H0 3 @nutristudies.loren → O que separa o valor de aceitação ou de rejeição é o valor tabelado – valor crítico Exemplo: → 1,26 e 2,17 – ainda não pode ser afirmar que houve diferença, deve-se fazer um teste estatístico → A escolha do teste irá depender: ✓ Tipo de variável – quantitativa ou qualitativa ✓ Se as variáveis a serem comparadas são dependentes ou independentes ✓ Distribuição é paramétrica (normal) ou não paramétrica (não-normal) – v. quantitativa ✓ N° de categorias da v. qualitativa ✓ Objetivo e delineamento do estudo → Comparação de proporções: → Comparação de médias ou medianas → Relação entre duas variáveis quantitativas → Exemplos de testes estatísticos, de acordo com o objetivo do estudo e a distribuição das variáveis na curva de Gauss 4 @nutristudies.loren → Serve para mostrar se tem uma associação ou dependência entre variáveis qualitativas → H0 = A e B são independentes – não há associação entre elas → HA = A e B são dependentes – há algum tipo de associação Exemplo: um estudo encontrou uma associação entre consumo excessivo de refrigerantes e diabetes Observou-se maior frequência de diabetes entre indivíduos com consumo excessivo de refrigerantes → Não serve para determinar causalidade → Pode ser usado para variáveis nominais, ordinais ou discreta → As amostras devem ser independentes → Compara-se as frequências observadas com a frequência esperadas, supondo que a h. nula é verdadeira → Karl Pearson propôs a formula para medir as possíveis discrepâncias entre proporções observadas e esperadas Exemplo: CARON-RUFFINO&RUFFINO-NETTO estudaram a associação entre alcoolismo e tuberculose pulmonar (Rev.SaúdePúbl.,13:183-94,1979) através de um estudo caso-controle. → Dados da tabela – frequência observada → Frequência esperada – a chance de caso é a mesma chance de controle → 21,308 = valor Qui-quadrado → Passos: 1. Calcular o valor de x2 = 21,308 2. Obter o valor de p, consultando a probabilidade correspondente ao valor 21,308 na distribuição do Qui-quadrado - Calcular o n° de graus de liberdade pela fórmula: G. L = (n° de linhas - 1) x (n° de colunas - 1) - Neste caso, há 2 linhas e 2 colunas - (2-1)x(2-1)= 1 grau de liberdade 3. Na tabela do Qui-quadrado, o valor crítico para 1 grau de liberdade a nível de significância de 0,05 é 3,84 4. Interpretação: 5 @nutristudies.loren - Se o valor calculado da estatística for menor do que o valor crítico da tabela, não rejeitamos h) - Se for igual ou maior do que o valor crítico, rejeitamos H0 → Valor do teste Qui-quadrado é maior do que o valor crítico – 20,308 > 3,84 -Rejeita-se a hipótese nula = alcoolismo está associado com a tuberculose pulmonar → O valor de p do teste, no caso, é menor que 0,05 – significância estatística → Pode, inclusive, afirmar que o valor de p é menor do que 0,001 - Valor crítico para este nível de significância é 10,83 - Também é menor que x2 20,308 → P maior que 0,05 – não tem associação/diferença e aceita H0 → Se P menor que 0,05 – tem associação/diferença e aceita HÁ → NS – Não significativo/não tem associação