O tamanho do seu p importa?

Downloads

• Banco de dados - https://www.dropbox.com/s/yg5ah2au41zoeun/autoestima.csv
• Descrição do banco - https://www.dropbox.com/s/2lccmbyqyscdn30/descricao-banco-auto-estima.pdf

dados  <- read.csv(file.choose(), header=TRUE, sep=",")
library(epicalc) # Funções utéis para epidemiologia

• O mantra p < 0,05
• Alfa, Beta e Poder
• Amostragem
• Significância estatítica vs clínica
• Exemplo discutido

• Significância estatística não é a mesma coisa que a clínica!
• Um bom estudo deve ter bem definido a diferença clínica que se quer observar

• O valor p do teste significa a probabilidade de rejeitar Ho quando ela é de fato verdadeira.
• É o valor geralmente adotado pelas publicações, embora por si só não queira dizer muita coisa.

• Alfa é a probabilidade de falhar em rejeitar Ho quando ele é de fato verdadeiro
• Beta é a probabiildade de falhar em rejeitar Ho quando ele é de fato falso
• Poder é 1-beta
• Estes paramêtros são importantes em determinar o tamanho de sua amostra e o tamanho da diferença que o teste estatístico pode detectar.

• É o tamanho da variabilidade da variável dependente que pode ser atribuída a variável independente (Cohen, 1992).
• Pode ser convertido em índice, "d de Cohen". Efeito pequeno (d = 0.3), médio (d = 0.5), grande (d = 0.8).
• Recomendação da APA para descrever o tamanho do efeito das análises realizadas.
• São utilizados para determinar tamanhos de amostras com outros indicadores como o alfa e beta.

cohen.d(0.3)  # pequeno

cohen.d(0.5)  # médio

cohen.d(0.8)  # grande

• O pacote permite o cálculo de poder de testes utilizados como:
  • teste t
  • anova
  • qui-quadrado
  • correlação simples
  • modelos lineares

Para realizar amostragem (ou pedir para alguém fazê-la):

• Defina seu problema de pesquisa e suas hipotéses
• Defina as medidas que serão utilizadas e a diferença clínica esperada
• Defina seu beta, alpha e o tamanho de efeito esperado
• Corra a um estatístico ou arrisque a sorte com o pacote "epicalc"

Um pesquisador quer saber se um treinamento de "leitura dinâmica" aumenta a velocidade média de leitura de palavras.

• Tarefa: ler os sertões de Euclides da cunha
• Medida: avaliar o tempo médio de leitura em horas
• Grupo controle vs grupo "leitura dinâmica"

• Alfa = 0.05
• Poder = 0.80
• Diferença entre médias esperada = 30 minutos (1/2 hora)
• Qual o n necessário para esta diferença ser estatisticamente significafiva?

Diversas funções para amostragem

• survey
• médias
• proporções ...

n.for.2means(mu1 = 12, mu2 = 11.5, sd1 = 1, sd = 1, alpha = 0.05, power = 0.8)

## 
## Estimation of sample size for testing Ho: mu1==mu2 
## Assumptions: 
##  
##      alpha = 0.05 
##      power = 0.8 
##      n2/n1 = 1 
##        mu1 = 12 
##        mu2 = 11.5 
##        sd1 = 1 
##        sd2 = 1 
##  
## Estimated required sample size: 
##  
##         n1 = 64 
##         n2 = 64 
##    n1 + n2 = 128 
## 

set.seed(1)  # controlando a randomização
grupoE <- rnorm(n = 64, mean = 12, sd = 1)  # grupo experimental
grupoC <- rnorm(n = 64, mean = 11.5, sd = 1)  # grupo controle
testeTe <- t.test(grupoE, grupoC, var.equal = TRUE)  # teste t

t <- testeTe$statistic[[1]]
df <- testeTe$parameter[[1]]
r <- sqrt(t^2/(t^2 + df))
round(r, 3)

## [1] 0.318

• Wright, D. B. (2003). Making friends with your data: Improving how statistics are conducted and reported. British Journal of Educational Psychology, 73(1), 123.
• Goodwin, C. J. (2010). Research in psychology: methods and design. Hoboken, NJ: Wiley.
• Cohen, J. (1992). A power primer. Psychological bulletin, 112(1), 155.
• Stephane Champely (2012). pwr: Basic functions for power analysis. R package version 1.1.1. http://CRAN.R-project.org/package=pwr