Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Intervalo de Confiança Aula 7 e 8 – MEP II Continuação da aula de Medidas de Associação (RR, Odds Ratio) Vai dar um grau de certeza, que nunca é 100%, de que aquela associação observada, é que aquilo calculado está dentro de algum certo intervalo de valores sendo 95% desses valores como corretos. 95% IC = de 0,68 até 0,88 (é um intervalo de valores) Tudo que está entre o 0,68 até 0,88 -> todos os valores entre esses 2 são possíveis -> de um até o outro Erro Amostral = erro na composição da amostra Intervalo de Confiança = Conceito de Precisão IC = 95% População -> Amostra RR dessa Amostra = RR de 1,5 (relacionado ao uso de álcool e Near Miss) > 1 = Associação de Risco = 1 = Sem associação < 1 = Associação de Proteção De 100 amostras, se eu fizer 100 amostrar, dessa população, em 95 delas eu teria valores dentro do intervalo de confiança. Exemplo 1: Associação de risco De 100 amostras -> o IC para esse exemplo vai de 1,3 a 3,5 Nessa amostra eu tenho um RR de 1,5 O intervalo de confiança de 1,2 diz que os valores possíveis para 95 dessas amostram teriam valores entre 1,2 e 3,5 Quero entender se a associação que eu estou observando é uma inferência em que se possa associar -> raciocínio inferencial De 100 amostras diferentes, 95 delas teriam os valores dentro do intervalo de confiança. Quer dizer que todos esses valores (entre 1,2 e 3,5 são possíveis) Todos esses valores entre 1,2 e 3,5 estarão ali dentro -> todos os valores que estão entre esse intervalo são o RR possível em 95% dos casos. 5% estarão fora desses valores É um raciocínio inferencial -> é uma estatística (porque você não faz uma pesquisa em 100 grupos diferentes) 2 Todos os valores aqui dentro são possíveis em 95% dos casos (os valores de 1,3 até 3,5) Isso quer dizer que se eu fizesse 100 amostras, dessas 100, 95 delas teria esses valores, o que daria a confiança de 95%. Verifica todos os valores são iguais, diferentes, maiores que 1? Esses valores de 1,3 até 3,5 a gente interpreta que o é uma associação de risco em todas as pesquisas das amostras. Exemplo 2: Não há associação Faixa etária e Near Niss Faixa Etária de 10 a 19 anos RR = 2 Intervalo de Confiança 98% = 0,8 – 3,1 (todos os resultados entre os 2 números são possíveis) Interpreta-se que pode ser: associação de proteção, sem associação e associação de risco -> TODAS AS INTERPRETAÇÕES SÃO POSSÍVEIS VARIANDO CONFORME A PESQUISA QUE EU FAÇO e POR ISSO NÃO HÁ ASSOCIAÇÃO Quando a gente olha o IC e vê que os valores vão de valores menores e maiores = NÃO HÁ ASSOCIAÇÃO, vai ter amostra que vai ser menor que 1, que vai ser 1 ou maior de 1 Não vai ter confiança nessa associação, porque todos são possíveis (as 3 interpretações fossem reais, não há nada que proteja e seja risco ao mesmo tempo) Exemplo 3: Fator de Proteção Pré-natal + 7 consultas e NMN RR = 0,5 -> fator de proteção IC 95% -> entre 0,4 e 0,8 -> ou seja, a IC deu menor que 1 e por isso é um fator de proteção IMPORTANTE SEMPRE LEMBRAR PARA INTERPRETAR!! > 1 = Associação de Risco = 1 = Sem associação < 1 = Associação de Proteção Em resumo, essa associação da a relação do que teria em 95% das amostras – relaciona o RR com o Intervalo de Confiança Quanto mais estreito o intervalo de confiança, mais preciso é a estimativa 3 AULA 8 – HIPÓTESES DE UM TESTE ESTATÍSTICO Queremos saber se o dado que conseguimos com nossa amostra pode ser usado para estimar o parâmetro da população Amostra -> estimar o parâmetro da população Parâmetro -> valor com a população inteira Quando a gente faz uma pesquisa, a gente quer verificar se aquele valor encontrado, a diferença entre as amostrar, quer verificar a confiança nos nossos valores -> Testes de Hipótese A gente quer avaliar a nossa relação entre o parâmetro e a estimativa através de hipóteses Hipótese diz que a propensão de fumar em homens é diferente das mulheres. Como é uma amostra não tenho como afirmar a diferença no ponto de vista estatístico, talvez não faça sentido assim Aplica testes estatísticos para verificar se esse valor dá evidências suficientes para ter uma hipótese nula Fazer por amostra – verificar a confiança disso Fazer por amostra a gente tem que avaliar e usa a estatística para saber a confiança disso – saber a confiabilidade do resultado Sempre define 2 hipóteses: H0 = Hipótese da não diferença, não há diferença, hipótese nula H1 = Hipótese da diferença, há diferença, hipótese de trabalho 4 Quem diz se há diferença ou não, se será H0 ou H1, é o resultado do teste (o valor de P) Quanto menor o meu valor de P é maior a evidência para rejeitar o H0 Sempre resolve usando o H0 como referência Resultado do Teste = Valor de P Sempre analisamos a partir do H0, afirmando que ele é verdadeiro -> se analisa nos testes se o valor de H0 é verdadeiro P = 0,01 (a gente interpreta que a gente rejeita H0 só que ele é verdadeiro) Valor Muito Pequeno = a gente rejeita H0 (há diferença nas coisas) Essa é a probabilidade de a gente ter rejeito o H0 só que o valor de 0,01 é o valor dele ser verdadeiro (1% de chance do H0 ser verdadeiro) Valor tolerável do H0 ser rejeitado, que ele não é verdade, e H0 é a hipótese da não diferença (da igualdade) a probabilidade de rejeitar o H0 e ela ser verdadeira Rejeitei H0 – da não diferença H1 é verdadeiro H0 = É a hipótese de que não há diferença H1 = É a hipótese de que há diferença Nível de Significância – o pesquisador escolhe de modo geral o valor de 5% (Alfa = 0,05) remete a probabilidade de erro (atribuído pelo pesquisador) Dois tipos diferentes de erro: Erro Tipo I (alfa) e II (beta) Isso é rejeitar o H0, mas o H0 ser verdadeiro Rejeitar H0 = se eu rejeito ela não tem diferença 5 H1 = No caso de H0 sem diferença, a resposta é H1 A probabilidade de eu fazer isso e errar = valor de P Nível de Significância (Alfa) = é o valor que o pesquisador escolhe como erro, probabilidade de erro, do erro tipo alfa específico -> rejeitar o H0, mas H0 ser verdadeiro. Geralmente 5% de valor de significância Valor de P = Resultado pelo teste estatístico (ele dá um valor que você compara com o valor do nível de significância) Diferença entre Valor de Significância e o Valor de P P > Alfa – Aceito H0, digo que não há indecência de diferença, que meu teste falhou em rejeitar a hipótese nula, não encontramos a diferença P = ou < Alfa – Rejeito H0, foi encontrada evidência de diferença Se o valor de P for maior que Alfa = Significa que eu aceito H0 (não encontrei diferença) P = ou > a Alfa = eu rejeito o H0 (porque digo que encontrei diferença na comparação) Valor de P pequeno P = 0,01 (eu rejeito H0) porque isso é resultado de probabilidade de que seja verdadeira é algo raro, improvável. Significa que isso é a probabilidade de H0 ser verdadeiro, é uma probabilidade muito pequena de eu ter errado, então rejeito H0 Nossa intenção é que o valor de P seja sempre pequeno – porque a gente quer a hipótese nula com mais certeza P deu 0,02 é menor que 0,05 = diferença entre os 2 = rejeitamos o H0, rejeitamos a hipótese nulae isso significa que essa é a probabilidade do valor de P de rejeitar H0 e H0 ser verdadeira. O H0 é a hipótese nula – menor de que o alfa – rejeito H0 e digo que há diferença H0 – Não há diferença entre o tratamento X e o tratamento Y H1 – Há diferença 6 Rejeito H0 -> O Valor de P é a probabilidade de rejeitar H0 e H0 ser verdadeira Rejeito H0 -> Há diferença Nesse exemplo, P é maior do que alfa. Nesse caso, como é maior, aceitamos H0. A conclusão é de que o tratamento X não é diferente do Y quanto ao tempo. P > Que alfa ---→ P = 0,05 e Alfa = 0,06 Não há diferença significativa entre X e Y – e no ponto de vista estatístico não há diferença entre eles Tipos de Erro Erro Tipo I (Alfa) – rejeitei o H0, mas na verdade ela é verdadeira, digo que há diferença, mas não há diferença. Quando rejeito H0, mas H0 é verdadeira H0 Verdadeira = Não há diferença H0 Falsa = Há diferença Erro Tipo II (Beta) – quando a hipótese nula é aceita, aceitamos H0, mas ela devia ser rejeitada. Aceitamos H0, mas na verdade há diferença. Relaciona-se com um falso negativo e falso positivo Tipo I -> falso positivo, mesma coisa que dizer a um homem que ele está grávido Tipo II -> dizer para uma mulher que ela não está gravida, mas está. O valor de P – reconhecido através do teste estatístico, de hipótese, que da o valor de P O nível de significância, o pesquisador escolhe, normalmente é 0,05 Quando encontramos um valor de P menor que 0,05 = rejeitamos a hipótese nula 7 P < ou = a alfa – a gente rejeita H0 P > Alfa – a gente aceita H0 O valor de P não mede se você está certo e nem a importância, mede a nossa probabilidade de errar, probabilidade de erro. Exemplo: escolaridade e diarreia em bebês Alfa escolhido = 0,05 Hipótese Nula (H0) = Ter escolaridade alta ou baixa não afeta a diarreia em bebês, não tem diferença (não há diferença entre a mãe ter escolaridade alta ou baixa) H1 Há Diferença = Há diferença na diarreia em bebês em relação à escolaridade alta, comparada com a baixa. (há diferença entre ter escolaridade baixa ou não) Relacionar se...... Valor de P = 0,01 Comparamos o valor de P com o alfa (0,05) Valor de P menor do que o Alfa = rejeita H0 Se eu rejeito H0 estou dizendo que há diferença. E a probabilidade de eu ter dito que há diferença quando na verdade não há é de 0,01 (isso é a probabilidade de ter errado, ou seja, rejeitar H0 quando H0 é verdadeiro é o valor de 0,01, e essa é a probabilidade de erro) Escolaridade Alta Escolaridade Baixa Diarreia Sim Diarreia não Saber se a diferença é estatisticamente significativa? Saber se pode se confiar nos valores que eu encontrei, na estatística? Nível de significância e compara o valor de P com o Alfa – porque precisamos saber se esse valor e essa interpretação no ponto de vista estatístico são confiáveis Saber definir H0 e H1 Exemplo: Near Miss Neonatal e mães tabagistas e não tabagistas H0 = não há diferença entre nearmiss neonatal entre mães tabagistas e não tabagistas H1 = Há diferença entre o near miss e mães tabagistas e não Alfa = nível de significância e é escolhido pelo pesquisador O nível de significância é o erro que eu aceito = erro tipo 1, ou erro tipo alfa = rejeitar H0 e ela ser verdadeira Valor de P = vindo do teste estatístico, teste de Hipótese Comparar o valor de P com o alfa 8 P > Alfa = Aceita H0, ou seja, não há diferença P < Alta = Rejeito H0, porque há diferença O valor de P está mostrando a probabilidade do erro tipo I, probabilidade de eu rejeitar H0 e H0 ser verdadeiro. Sempre quero um valor de P muito pequeno Valor de P = 0,02 é menor que o alfa de 0,05 = rejeito H0 A probabilidade de eu ter rejeitado H0 e ele ter sido verdadeiro é 2% Erro tipo Beta – aceitei H0, mas H0 é falso Não há diferença entre ser tabagista para Near Miss, mas há diferença. Aceitei H0 (que não tem diferença), mas na verdade há erro Saber definir H0 e H1, entender o que significa o nível de significância e que ele é definido pelo pesquisador, saber o que é o valor de P e a diferença entre sua comparação com o alfa e saber reconhecer o Erro Tipo I e Erro Tipo II Erro Tipo I – mesma coisa que um falto positivo Erro Tipo II – mesma coisa comum falso negativo
Compartilhar