Tradução: Lilian Ribeiro

Grande parte das pesquisas científicas são baseadas em testes de hipóteses, com a ideia essencial de ajustar um modelo estatístico aos nossos dados e então avaliá-lo com um teste estatístico. Se a probabilidade de obter resultados ao acaso for menor que 0,05, geralmente aceitamos a hipótese experimental como verdadeira: isto é, há um efeito na população. Normalmente relatamos “há um efeito significativo de …”. No entanto, não podemos simplesmente nos cegar para o termo “significativo”, pois mesmo encontrando um resultado de baixa significância, isso não necessariamente expressa que o efeito foi importante. Pequenos efeitos às vezes produzem resultados significativos, especialmente ao usar grandes amostras.

Um resultado não significativo não deve ser interpretado como “… não há diferenças entre as médias …” ou “… não há relação entre as variáveis ​​…”, porque por menor que seja a diferença, existe, e isso pode ser importante para alguns estudos, apesar de não ser estatisticamente significativo.

Uma medida que ajuda a quantificar e entender os resultados de um teste de hipótese é o tamanho do efeito, isso complementa a significância. O tamanho do efeito é a magnitude do resultado, o que nos permite fornecer uma estimativa do escopo de nossas descobertas. Em estatística, o tamanho do efeito se refere a uma maneira de quantificar o tamanho da diferença entre dois grupos. É relativamente fácil de calcular e entender e também pode ser aplicado a qualquer resultado medido nas ciências sociais. Isso é especialmente valioso ao quantificar a eficácia de uma intervenção, em relação a alguma comparação.

Qual é o tamanho do efeito? Nesse sentido, é importante contextualizar o tamanho do efeito de acordo com alguma referência, por exemplo, resultados científicos anteriores. Além disso, eles não devem ser arbitrários, mas devem vir da escala de medida com a qual estamos trabalhando. Existem 3 estratégias que podem auxiliar na correta interpretação do tamanho do efeito, chamadas de três Cs:

  • • o contexto
  • • a contribuição
  • • critério de Cohen

Dependendo do contexto, um pequeno efeito pode ser significativo, por exemplo: se desencadeia grandes consequências ou respostas, se pequenos efeitos podem se acumular e produzir grandes efeitos, entre outros. O outro elemento é avaliar sua contribuição para o conhecimento, ou seja, se o efeito observado difere do que outros pesquisadores encontraram e, em caso afirmativo, enquanto; Para isso, é necessário comparar a bibliografia existente com nossos resultados e fornecer explicações alternativas para nossos achados. Por fim, deve-se levar em consideração o critério de Cohen, que estabelece 3 pontos de corte para interpretar o tamanho do efeito de acordo com os valores da estatística, especificamente para o “d” de Cohen. Porém, esses cortes dependem da estatística utilizada, por isso é necessário consultar as especificidades de cada medidor de tamanho de efeito para fazer sua interpretação, que na maioria deles é utilizado: efeito pequeno, efeito médio, efeito grande, como podemos ver na seguinte tabela:

A este respeito, o manual de estilo APA v7 (American Psychological Association Manual de Publicação 7ª Edição) propõe a conformidade com os padrões JARS (Quantitative Design Reporting Standards, JARS, https://apastyle.apa.org/jars/), onde é especificado que sempre que possível, “o tamanho do efeito estimado e os intervalos de confiança de cada teste de inferência realizado” devem ser relatados. Na verdade, os pesquisadores da APA identificaram que não relatar o tamanho do efeito é um dos 7 erros mais comuns em artigos científicos.

É por isso que as principais revistas acadêmicas não admitem artigos de pesquisa quantitativa que não relatem o tamanho do efeito. Este se tornou um dos dados invariáveis ​​ao relatar investigações que implicam em testes de comparação entre grupos e associações. Por isso, a Comunicar exige esta medida em seus artigos com esta abordagem, por exemplo, em um dos últimos números em que foi reportado:

Em que mostra um uso correto do tamanho do efeito e um relatório adequado.

Existem várias famílias (ou tipos) de medidas de tamanho do efeito, relacionadas aos tipos de testes realizados, e cada uma dessas medidas tem uma interpretação diferente dependendo de seus valores. Entre os principais estão:

Correlações: tamanho do efeito baseado na variação explicada (por exemplo, r de Pearson, coeficiente de determinação R2, V de Cramer e eta-quadrado η2).

Diferenças: tamanho do efeito com base nas diferenças entre os grupos (por exemplo, Cohen’s d, Glass ’Δ, Hedges’ g, Odds ratio e risco relativo).

Finalmente, existem 3 razões importantes para relatar o tamanho do efeito:

• O p-valor p pode informar a direção de um efeito, mas apenas estimar o tamanho do efeito dirá qual é o tamanho dele.

• Sem uma estimativa do tamanho do efeito, nenhuma interpretação significativa pode ocorrer.

• Permite a comparação quantitativa de resultados de estudos realizados em diferentes situações.

Entradas recientes