Testes estatísticos

Publicado por 30 de Outubro de 2024 em Estudantes para Melhores Evidências

Contexto 

A identificação do teste estatísticos mais adequado para analisar dados e testar hipóteses em pesquisas na área da saúde segue como um desafio entre estudantes e, até mesmo, pesquisadores. 

O objetivo deste post é apresentar um resumo com os testes frequentemente utilizados em pesquisa na área da saúde, e como fazer a escolha considerando as variáveis e a relação entre elas [1,2]. 

 

 

CATEGÓRICA (variável explicativa) x CATEGÓRICA (variável resposta)  

Exemplo: comparação da frequência de cura em grupos de participantes que receberam diferentes intervenções. 

• Chi-quadrado 

• Exato de Fischer: quando valores esperados para os eventos são inferiores a 5. 

• Mc Nemar: quando uma mesma variável é medida em dois momentos diferentes. 

 

CATEGÓRICA (variável explicativa) x NUMÉRICA (variável resposta)  

Exemplo: comparação da média de dor (escala numérica de 0 a 10) em grupos de participantes que receberam diferentes intervenções. 

 

• T Student: para comparar médias entre dois grupos independentes, seguindo como pressupostos: (i) grupos com mesma variância (testes de Levene e Bartlett) (ii) médias independentes com distribuição normal  

• Teste T pareado: para comparar médias entre dois grupos dependentes (exemplo: antes e depois de uma intervenção), seguindo como pressuposto (i) médias com distribuição normal dependentes  

• Teste Z: para testar a igualdade entre uma média conhecida (população) população) e uma média calculada pelo pesquisador (amostra), seguindo como pressuposto: (i) médias independentes com distribuição normal. 

• ANOVA (análise de variância): para comparar médias de dois ou mais grupos independentes e verificar se há diferença entre eles, seguindo os pressupostos: (i) médias com distribuição normal independentes e (ii) grupos com mesma variância (se a variância não for igual, é preciso fazer correção). ANOVA não é capaz de identificar onde a diferença (para isso é preciso fazer comparações múltiplas) 

• ANOVA com medidas repetidas: compara médias de dois ou mais grupos dependentes. Mostra apenas se há diferença entre eles, mas não mostra onde está esta diferença para localizar a diferença: fazer comparações múltiplas. Pressupostos: médias com distribuição normal dependentes grupos com mesma variância (este é o pressupostos mais importante. Se não for igual, fazer correção) 

 

 

NUMÉRICA (variável explicativa) x NUMÉRICA (variável resposta) (CORRELAÇÃO) 

Exemplo: avaliar a correlação entre a densidade mineral óssea e consumo médio de cálcio na dieta (em gramas). 

 

• Coeficiente linear de Pearson (r): para estabelecer uma correlação e quantifica o grau de associação linear entre duas variáveis. Características:  

• variação de -1 ≤ r ≤ 1, sendo:  

• negativo = correlação negativa (inversa) 

• 0 = sem correlação  

• positivo = correlação positiva 

Observações:  

• o valor de p para a correlação deve ser utilizado apenas para verificar se r ≠ 0 ou r = 0 (não serve para avaliar a significância) 

• se duas variáveis são correlacionadas, não significa que seus valores são próximos. 

 

• Regressão linear simples: para avaliar o comportamento (influência) de uma variável numérica (explicativa) em função de outra variável numérica (resposta), estabelecendo uma equação de uma reta (linear).  

.  

NUMÉRICA OU CATEGÓRICA (variável explicativa) x NUMÉRICA (variável resposta) 

Exemplo:  para avaliar a influência de um medicamento na intensidade da dor (0-100), ajustando a análise pela idade e presença de comorbidades. 

 

• Regressão linear múltipla: para avaliar o comportamento (influência) de várias variáveis numéricas ou categóricas (explicativas) em relação a uma única variável numérica (resposta). Poder ser univariada (fixa as demais variáveis) ou multivariada.  

 

NUMÉRICA OU CATEGÓRICA (variável explicativa) x CATEGÓRICA DICOTÔMICA (variável resposta)  

Exemplo: para avaliar influência de um medicamento na cura de uma doença, ajustando a análise pela idade. 

 

• Regressão logística simples: para avaliar o comportamento (influência) de várias variáveis numéricas ou categóricas (explicativas) em relação a uma única variável categórica dicotômica ou binária (resposta). Pode ser univariada (fixa as demais variáveis) ou multivariada. 

 

 

CONCORDÂNCIA COM VARIÁVEL NUMÉRICA 

Exemplo: concordância entre pesquisadores no escore (de 0-100) de uma ferramenta aplicada para avaliar a qualidade de vida de 100 pacientes. 

• Coeficiente intraclasse (ICC): para avaliar a confiabilidade ou consistência entre múltiplas mensurações realizadas por diferentes observadores ou instrumentos com variáveis numéricas.  

 

 

CONCORDÂNCIA EM VARIÁVEL CATEGÓRICA 

Exemplo: avaliação da concordância do julgamento de dois pesquisadores quanto à presença ou não de risco de viés em ensaios clínicos. 

• Kappa: é uma medida de concordância inte-robservador e mede o grau de concordância além do que seria esperado tão somente pelo acaso. É utilizado quando dois ou mais avaliadores estão sendo comparados.Interpretação do Kappa [3] 

• < 0 = sem concordância 

• 0 a 0,19 = concordância baixa 

• 0,20 a 0,39 = concordância razoável 

• 0,40 a 0,59 = concordância moderada 

• 0,60 a 0,79 = concordância substancial 

• 0,80 a 1,00 = concordância quase perfeita 

 

Fluxograma para a escolha do teste estatístico 

Existem vários websites para apoiar a escolha do teste estatístico. O Canal Pesquisa disponibiliza um tutorial para identificação de testes estatísticos que pode ser acessado em: https://www.canalpesquise.com.br/tutorial [4]. 

 

Autores: Matheus Galvão Valadares Bertolini Mussalem, Lucas Gabriel Souza Silva, Matheus Guerrero, Matheus Viana Ferreira, Vinicius Allemand Cruz Lopes, Vinicius Santos Baptista. Alunos de gradauação da Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). 

 

Supervisora: Rachel Riera. Professora adjunta, Disciplina de Medicina Baseada em Evidências, Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp)  

  

Citar como: Mussalem MGVB, Silva LGS,  Guerrero M, Ferreira MV, Lopes VAC, Baptista VS. Testes estatísticos. Estudantes para Melhores Evidências. Cochrane. Disponível em: [ adicionar link da página da web]. Acessado em [adicionar dia, mês e ano de acesso].   

 

Referências 

1. Triola MF. Introdução à Estatística 2024. Ed GEN. 14a. Ed, Rio de Janeiro – RJ. 
2. Epidemiologia Clínica: Elementos Essenciais. 2021. Ed 
3. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics.1977;33:159-74. 
4. Canal Pesquise [Internet]. Disponível em: https://www.canalpesquise.com.br/tutorial. Acessado em 21 de outubro de 2024. 

Tags: