Definição
Pesquisadores no campo da psicologia contam com testes de significância estatística para informá-los sobre a força das diferenças estatísticas observadas entre as variáveis. Os psicólogos pesquisadores entendem que as diferenças estatísticas às vezes podem ser simplesmente resultado do acaso. Testes de significância estatística foram desenvolvidos como uma forma de fornecer aos pesquisadores a capacidade de compreender se as intervenções experimentais estavam resultando em diferenças reais ou se as diferenças observadas provavelmente teriam ocorrido de qualquer maneira.
Exemplo
Para ilustrar melhor os testes de significância estatística, vejamos um exemplo. Digamos que você planejou um experimento simples no qual está interessado em avaliar a eficácia de uma nova intervenção terapêutica apresentada a pessoas que sofrem de depressão. Neste exemplo, você fornece ao grupo experimental acesso ao novo tratamento. Você decide usar um índice de depressão de autorrelato como sua medida da gravidade dos sintomas pós-tratamento. Você compara os resultados com os resultados de um grupo de pessoas que também sofre de depressão, mas não recebeu tratamento.
Sua hipótese de pesquisa é que o grupo experimental relatará sintomas menos graves após a intervenção do que o grupo de controle. Com base neste cenário, a hipótese nula (ou hipótese de nenhuma relação ) seria, portanto, que o grupo experimental não relatará sintomas menos graves após a intervenção do que o grupo de controle.
Testando hipóteses
Depois de executar o experimento, existem quatro resultados possíveis que podem ocorrer. A hipótese nula pode ser rejeitada quando é realmente verdadeira (erro tipo I) e pode ser rejeitada quando é realmente falsa (decisão correta). A hipótese nula não é rejeitada quando é verdadeira (decisão correta) e não é rejeitada quando é realmente falsa (erro tipo II). Dois desses resultados são precisos e dois resultam em erros. Os pesquisadores estão mais preocupados em cometer um erro do tipo I. No caso do exemplo mencionado acima, isso significaria que o pesquisador concluiria que a intervenção teve impacto, quando na verdade não teve.
Alfa
Antes de avaliar os resultados do experimento, o pesquisador teria selecionado um nível de confiança para avaliar os resultados. O nível de confiança mais comum usado é de 95%, o que indica que temos 95% de confiança de que as diferenças estatísticas entre os grupos experimental e controle não são simplesmente devido ao acaso, mas devido à intervenção. Ao usar um intervalo de confiança de 95%, também estamos dizendo que há 5% de chance de ocorrer um erro do tipo I. Alfa é o termo usado para descrever a probabilidade de cometer um erro do tipo I. Ao escolher um nível de confiança de 95%, estamos dizendo que selecionamos um nível alfa de 0,05.
Embora historicamente 95% seja o nível de confiança mais comum usado, os níveis de confiança podem ser definidos em praticamente qualquer número. Por exemplo, defini-lo em 90% resulta em um alfa de 0,10, 99% resulta em um alfa de 0,01, 97% resulta em um alfa de 0,03, etc. Independentemente do número selecionado, as mesmas regras se aplicam na descrição quão confiante um pesquisador deseja ter de que quaisquer diferenças estatísticas não são devidas ao acaso. Você pode se perguntar por que não está definido como 100%. De um modo geral, todos os testes estatísticos correm o risco de gerar um falso positivo (ou erro tipo I), portanto, um nível de confiança de 100% não é necessariamente possível.
P-Value
Determinar em que nível definir alfa é apenas parte da equação. Os pesquisadores devem ter algo para comparar o alfa. Cada estatística de teste experimental tem o que é chamado de valor p correspondente . A letra p se refere à palavra probabilidade. O cálculo que é usado para derivar o valor p é diferente dependendo do teste estatístico (ou seja, correlação, ANOVA, etc.) usado para analisar os resultados experimentais. O valor p representa a probabilidade de o resultado estatístico ter ocorrido por acaso. Portanto, um valor de p de 0,07 indicaria que há 7% de chance de que o resultado estatístico tenha ocorrido por acaso e 93% de chance de não.
Juntando tudo
Determinar a significância estatística é tão simples quanto comparar alfa com o valor p. Usando nosso exemplo acima, digamos que definimos alfa em 0,05 e o valor p resultante com base em nossa análise estatística é 0,032. O valor de p é menor que alfa, então rejeitamos a hipótese nula e dizemos que os resultados são estatisticamente significativos e não devido ao acaso, mas devido à nova intervenção. Pelo contrário, se definirmos nosso alfa em 0,05, mas o valor p resultante for maior do que 0,05, digamos 0,07, então não rejeitaremos a hipótese nula com base no fato de que quaisquer diferenças estatísticas ocorridas podem simplesmente ser devidas ao acaso. Nesta situação, diríamos que as diferenças não são estatisticamente significativas.
Resumo da lição
Significância estatística é o termo usado por psicólogos pesquisadores para indicar se a diferença entre os grupos pode ou não ser atribuída ao acaso ou se a diferença é provavelmente o resultado de influências experimentais. Antes de conduzir a pesquisa, um nível alfa é selecionado. O nível alfa representa a probabilidade de cometer um erro tipo I. Um alfa de 0,05 é o nível mais comum selecionado, o que representa uma chance de 5% de cometer um erro tipo I. Dependendo da análise estatística selecionada, um valor p também será calculado. Se o valor p resultante for menor do que o alfa selecionado, o pesquisador pode concluir que os resultados são estatisticamente significativos e provavelmente não devido ao acaso.
Resultados de Aprendizagem
Após a conclusão desta lição, você estará pronto para:
- Defina a significância estatística
- Determine os possíveis resultados do teste de hipótese
- Identifique o que é um nível alfa
- Lembre-se do que é um valor p correspondente
- Explique como os níveis alfa e os valores p se relacionam com a determinação da significância estatística