Como desenvolver uma análise estatística robusta?

R Statistics_analise-estatistica

Desenvolver análises robustas e potentes é uma preocupação de todo o investigador.

É por isso que a pergunta mais frequente que recebemos seja: “Qual o tamanho que deve ter a minha amostra?”.  A resposta a esta pergunta é influenciada por uma série de fatores, incluindo o objetivo do estudo, o tamanho da população, o risco associado ao estudo de uma amostra “má” e o erro de amostragem permitido.

Para melhor estimar o tamanho da amostra, ou para validar que a amostra definida é suficiente, pode ser desenvolvida uma análise do poder da amostra, assim como um estudo piloto de parte dos dados recolhidos. Através da literatura relevante podem ser identificados parâmetros que ajudem a definir o desenho da pesquisa.

Há três considerações importantes a fazer na análise de poder para determinação do tamanho da amostra, sendo todas elas consideradas ao fazer sua análise de poder:

  • A abordagem geral para determinar o tamanho da amostra pressupõe que uma amostra aleatória simples é o desenho de amostragem. Desenhos mais complexos, por exemplo, amostras aleatórias estratificadas, devem ter em conta as variâncias de sub-populações, estratos ou agrupamentos antes de se poder fazer uma estimativa da variabilidade da população como um todo.
  • O tamanho da amostra deve ser apropriado à análise planeada. Se recorrer à estatística descritiva, por exemplo, então qualquer tamanho de amostra razoável será suficiente. Por outro lado, geralmente é necessária uma amostra de bom tamanho, aproximadamente n = 150 + quando pretendemos desenvolver um modelo de regressão múltipla, ou logística, análise de covariância ou análise log-linear, que pode ser realizada para avaliações de impacto mais rigorosas. Por outro lado, pode ser necessário fazer um ajuste no tamanho da amostra para se proceder a uma análise comparativa de grupos (por exemplo, a avaliação dos participantes do programa versus os não participantes, ou a comparação entre o grupo de teste e o grupo de controlo). Além disso, distribuições distorcidas podem resultar em sérios desvios à normalidade, mesmo para amostras de tamanho moderado, causando a necessidade de ter uma amostra maior.
  • Finalmente, as fórmulas do tamanho da amostra fornecem as respostas que precisam ser obtidas. Muitos investigadores adicionam 25% + para o tamanho da amostra planeada para compensar as pessoas que o pesquisador venha a excluir da amostra, por algum motivo. O número de pesquisas recolhidas ou entrevistas realizadas também pode ser substancialmente maior do que o número necessário, com base na taxa de resposta assumida.

Também podemos realizar análises de poder em estudos psicométricos mais complexos recorrendo à modelação de equações estruturais. Para este tipo de estudo, precisaríamos de conhecer alguns detalhes do estudo, sobre como pretende configurar a análise de equações estruturais (quais variáveis latentes, indicadores, correlações, etc.). Em seguida, conduziríamos a análise de poder com base nos métodos descritos em McCallum, Browne, Sugawara (1996, também citados em Kline (2016) Princípios e Práticas de Modelação de Equações Estruturais, 4ª edição). Este método envolve a realização de uma análise personalizada para o cálculo da potência e do tamanho da amostra necessários para aceitar ou rejeitar a hipótese nula de que o modelo apresenta um bom ajustamento aos dados, com base na métrica RMSEA (Root Mean Square Error of Approximation) – Ler mais.

Se precisar de uma análise do poder da amostra na fase inicial do seu projeto de investigação, é algo que podemos ajudar. Fale connosco por e-mail sobre o seu projeto de investigação. Bom trabalho!