M593 Metodosdepesquisaempsieologia/ Glynis M. BreakweU ...

letaI.1 ; FelipeRangelElizalde;revisiioteeniea:
VitorGeraldiHasse.- 3.ed.- PortoAlegre:Artmed.2010.
504p.; 25em.
ISBN978-85-363-2369-5
1.Psicologia.2. Metodosdepesquisa.I. BreakweU.
GlynisM
CDU159.9:001.891
napubliClll(iio:AnaPaulaM.Magnus- CRB-IO/Prov-009/l0
GLYNIS M. BREAKWELL SEAN HAMMOND
CHRIS FIFE-SCHAW JONATHAN A. SMITH
Tradu,.ao:
FelipeRangelElizalde
Consultoria,supervisaoerevisaoteenicadestaedi,.ao:
VitorGeraldiHasse
DoutoremPsieologiaMedica.ProfessorAdjuntodoDepartamento
dePsieologiadaUniversidadeFederaldeMinasGerais.
2010
19
Princfpios de Estatfstica
Inferencial
Chris Flfe-Schaw
19.1
19.2 Algumas definivoes basicas
19.3 0 que sao analises estatisticas bivariadas?
19.4 Modelos bivariados classicos
19.4.1 Mode/os experimentais
19.4.2 Mode/os quasi-experimentais
19.4.3 De/ineamentos corre/acionais e observacionais
19.5 Teorias e hip6teses
19.5.1 Teorias
19.5.2 Hip6teses
19.6 Erro de Tipo I e erro de Tipo II
19.6.1 Erro de Tipo /
19.6.2 Erro de Tipo /I
19.7 Probabilidade
19.7. 1 Definir;Oes basicas
19.7.2 Testes unicaudais versus testes bicaudais
19.7.3 Poderestatistico
19.8 Testes parametricos versus testes nao parametricos
19.9 Escolhendo um teste estatistico
19.10 Conclusao
19.11 Leituras recomendadas
OBJET/VOS
Este capitulo procura explicar as ideias subjacentes a alguns testes habitual mente
utilizados com referencia ao menor numero de formulas possivei. Ele visa a explicar a
16gica dos testes estatisticos bivariados na esperanc;:a de que 0 exame de um texto
estatistico se tome mais inteligivel para 0 lei tor aprendiz.
Termos-chave
Amostra
Amostragem aleat6ria
Condivoes
Criterio alta
Dados
Delineamento intersujeitos
Delineamento intrassujeitos
de amostra
Erro de amostragem
Erro de
Erro de Tipo I
Erro de Tipo II
Escore brute
Estatrstica
Estatistica de teste
Estatistica descritiva
Estatisticas inferenciais
Grupos independentes
Hip6tese alternativa
Hip6teses
Hip6teses nulas
Inferencia estatistica
Magnitude de efeito
Medidas repetidas
Parametros
Poder estatistico

Probabilidade
Significancia estatistica
Significancia pnitica
Teste bicaudal
Teste unicaudal
Testes estatisticos bivariados
Testes estatisticos multivariados
Testes nao parametricos
Testes parametricos
Tratamentos
Unidade da analise
Variaveis equivocas
Variavel
Variavel dependente
Variavel independente
384 Glynis M. Breakwell, Sean Hammond, ChrisFife-Schaw&JonathanA. Smith
19.1 INTRODUCAO
EmurnIivrosobremetodologiadapesquisanaoepossivelevitarumadiscussao
dastecnicasoudasabordagensestatistieasdaanalisedosdados.asprofessoresde
estatlsticaaoredordomundosabemcomo0 assuntocausamedoeaversaonosco-
rayoesdetantosestudantesdepsicologia.emboragrandepartedasideiassubjacen-
tesaessasamilisessejabastantesimples.Muitaspessoasveemasformulasestatisti-
casesesupoemincapazesdeentende-las.emboraaimensamaioriaenvolvapouco
maisdoquesercapazdesomar,desubtrair.demultiplicaroudedividirnumeros.
Nestecapitulo. tentareiexplicaras ideiasqueestaoimplicadasemalgunsdos
testeshabitualmenteutilizadoscomreferenciaaomenornumerodeformulaspos-
sive!.NaohaespayosuficientenesteIivroparafornecerexplicayoesapropriadasde
todosos testesestatisticos.de modoque0 leitorprecisaraconsultarurn livro de
estatisticaemalgumponto.Contudo.0 objetivoeexplicaralogicadostestesestatis-
ticosusuais.esperandotornaraconsultaaotextoestatisticomaisinteligivelpara0
pesquisador.AleiturapreviadoCapitulo3.sobreniveisdemensurayao.eentusias-
ticamenterecomendada. pois ireipressupor0 conhecimentodealgunsconceitos
basicoscujacompreensaomuitostextosacreditamque0 leitorjapossua.
19.2 ALGUMAS DEFINICOES BAslCAS
p o p u ~ o Apopulaviioeacoleyaodetodososindividuosrelevantesemurnestudoparti-
cular.Maisabstratamente.e0 conjuntodetodasasunidadesdaamilisedefinido
pelaareadeproblemaqueaafeta:porexemplo.todasaspessoasresidentesnoReino
Unido.todasaspessoascomurnadoenyaparticular.todasasmulheres,etc.
Infelizmente.otermo"populayao"etambemusadodeurnmodomaisespecifico
parareferirumapopulayaodeescores.Aamostradepessoasextraidaforneceraao
pesquisadorumaamostradeescoresapartirdapopulayaodeescores.Issopodeser
confuso.poisapopulayiiodeescoresprovavelmentenaoexistenosentidoreal:por
exemplo.0 pesquisadorobtemescoresdetestedesuaamostra.mas.jaque0 resto
dapopulayaonaofez0 teste.seusescoresexistemapenasemurnaespeciedenivel
abstrato."comose".
amostra Umaamostraeurnconjuntodeindividuosselecionadosapartirdeumapopu-
layaoeconcebidosdemodoa representara populayaoqueesta sendoestudada.
Geralmente.naoerazoavelestudartodomundoemumapopulayao-alvo.demodo
que0 pesquisadorterndeextrairumaamostra.VerCapitulo6paraumadiscussao
dosproblemasrelativosaamostragem.
Enquantopsicologos.estamosinteressadosempessoas.eissosignificaque.para
unldade da muitasaplicayoes.aunidadedaan3.lise(ou decaso)e0 respondenteou0 partici-
amilise
panteindividual.Atribuimosaosindividuoscondiyoes.emensuramossuasrespos-
tas.0 leitordeveestarcientedequetestesestatisticosnaorequeremque0 casoseja
umapessoa.0 casopoderiaserumafamiliaou urn ratoouurn galhoouqualquer
coisaquepossarazoavelmenteterdadosassociadosaela.
dados Nossasmensurayoesouobservayoessaodesignadascomodados.Urnconjunto
dedadoseumacolei;aodemediyoes.
eseore bruto Urn escorebruteeumamensurayaooriginalouurnvalorobservado(urn
dado). correspondendoa urnvaloraferido. previamentea qualquerforma dema-
nipulayao.Resumosdeescoresbrutos(medias.variancia. eassimpordiante) sao
estatrstleas
deserltivas referidoscomoestatisticasdescritivas(veradiante).
Melodosde Pesquisaem Psicologia 385
Umavariaveleumacaracteristicaoucondiyaoquemudaouterndiferentesva- varilivel
loresparadiferentes individuos (porexemplo. peso, cordocabelo.escoreem urn
determinadoteste).
Urnvalorquedesereveumapopulai;iioeehamadournparlimetro.Podeseruma parAmetro
mensurayaoparticular(porexemplo.escoremedioemurntestedehabilidademate-
matica)ouserderivadodeurnconjuntodeobservayoesex;traidas da populayiio (por
exemplo.0 escoremedioemmatematicadetodasasmulheresqueremdesempenho
acimadamediaemurn testedeportugues).Existeumaconvenyaonoslivros-texto
segundoaqualpanimetrosdepopulayaosaoindicadospelousadecaracteresgre-
gos(porexemplo,l!.a).
Urnvalorquedescreveumaamostra,poroutrolado.echamadodeumaestatis- estatrstlca
ticaEssevalorpodeserumamensurac;aoparticular(parexemplo.0 escoremedio
obtidoemmatematicapelaspessoasdenossaamostra).oupodeserderivadodeurn
conjuntodeobservai;oes(porexemplo.escoremediodasmulheresemnossaamos-
tra).Geralmente.umaestatisticaea melhor.estimativaque0 pesquisadorterndo
parametrodeumapopulac;iio.poiselepodenaoestaraptoa"testar"todomundoem
suapopulac;ao-alvo.Todosostiposdevaloresnumericosqueresumemosdadosda
amostrasaoestatisticas.Essesvalorespodemsermedias.medianas. percentagens,
correlac;oes.valores-t.raziies-F. etc.
Estatisticasinferenciaissaotecnicasdeutilizac;aodosdadosde umaamostra estatlstleas
Inferenelals
com0 objetivodefazerenunciadossobreapopulac;aodaqual aamostraprovem.
Namaioriadasvezes.0 pesquisadorterninteresseemutilizartecnicasestatisticas
inferenciaisparasaber0 quaejustificadoeleestaemconcluiralgumacoisasabrea
populac;aobaseadonosdadosfornecidosporsuaamostra.
Grandepartedospsicologosfazacoletadedadosapartirdeamostrasdepessoas.
RaramentetemosacessoiI populac;iiototaldaspessoasaqualpossamosestarinteres-
sadosemestudar.Suponhaque0 pesquisadorestejarealizandournexperimentopara
avaliar0 impactodedoismetodosdeensinosobreahabilidadematerruiticadecrianc;ag.
Elepodeinstalarosdoisesquemasdeensinoemescolaslocaisetestarahabilidadedas
crianc;asantesedepoisqueosesquemastenhamsidoaplicados.Naturalmente.alange
prazo.0 pesquisadorpretendeestaraptoarecomendarurnesquemacomosendoge-
ralmentemaisuti!doque0 outro.namedidaemqueeledesejaquesuapesquisatenha
urnimpactosobreaeducac;iiodascrianyasdeurnmodogeral.Entretanto.eleniiopade
testartodasascrianc;asdopaisemurnouemoutrodosmetodos;eleterndeextrairurna
amostradecrianc;asedepoisextrapolarosresultadosapartirdessaamostrapara0 que
elepensaqueteriasidodescobertosetivessetestadotodasascrianc;as.
Esseprocessodeextrapolac;aodos resultados baseadosemdadosde amostra
edesignadocomoestatisticainferencial.0 pesquisadortentainferiralgumacoisa
acercadapopulac;aoapartirdesuaamostra.Procedimentosanaliticosquepermi-
ternesselipodeextrapol3ltaosaochamadosdeestatisticasinferenciais.
GrandepartedostestesestatisticosinferenciaispraduzurnnUmero.designado
estatlstlea
comoestatisticadeteste.0 qualterndesercomparadocomalgumvalordecrite-
de teste
rioparadeterminarsuasignificanciaestatistica.Urnteste-tpraduzumaestatis- slgnlflein-
cia estaUs-
ticat. umacorrelac;aotau deKendallproduzumaestatisticat.etc.Estesresumem
algosobrearelapio entresuasvariaveis.Asignificac;aoestatisticaeaprobabilida-
tlea
dedeobservarumaestatisticadetestetaograndequanta0 pesquisadorteriase
naohouvessedefato nenhumarelac;aoentreasvariaveisqueestiiosobconside-
rac;ao. Asignificac;aoestatistica.aprobabilidadeeashipotesessaoconsideradas
maisadianteeemmaioresdetalhes.
386 GlynisM. Breakwell.SeanHammond. ChrisFife-Schaw&JonathanA. Smith
slgnlflc:Ancla AsignificAnciapraticanaodeveserconfundidacomsignificanciaestatistica.
pnltlca
Periodicosdepsicologiaestaocheiosderesultadosestatisticamentesignificativos.
masissonaosignificanecessariamentequeosresultadossejampsicol6gicaouteo-
ricamenteimportantes.Tambemveremosmaisadiantequeepossivelseobterurn
resultado estatisticamentesignificativo associadoa umacorrela"aointervariavel
quee taopequenaque naoternabsolutamentenenhumasignifica"ao.Epossivel
tambemqueocorraurnefeitosubstantivamentesignificativoequeelenaosejaesta-
tisticamentesignificativo.
18trstlcos Ostestesenvolvendoumarela"aoentreduasvariaveissaodesignadoscomotes-
blverlsdos
testesell-
tesestatfsticosbivariados.Quandoarela"aoda-seentretresoumaisvariaveis(ver
testesesta- Capitulo20).estamosfalandodetestesestatfsticosmultivariados.
trsllcosmul-
Usamostestesestatisticosaoexaminarmos.porexemplo.seosescoresdedois
liver/ados
grupossaoestatisticamentemuitodiferentes.0 valordeprobabilidade(valorp) ob-
tidonosinformara0 graudeprobabilidadedevirmosaobservarumadiferen"aen-
treosescoresdosgrupostaograndequanta0 fariamosserealmentenaohouvesse
nenhumadiferen"aentreosgruposdapopula"ao.Issodependeemgrandepartedo
tamanhodaamostra.masnaonosdiznadasobre0 quao diferente saoosescoresdos
doisgrupos.Poderiamosapenasdizerqualdiferen"afoi expressanasunidadesde
nossosescores(porexemplo.pontosemQI. numeroderespostas"corretas). mas
geralmente euti!expressar as diferen"as emtermos deuma metrica estabelecidada
m&gnllude magnitudedeefeito.Umametricadetamanhodeefeitocomuminclui0 d deCo-
deelello
hen.0eta aoquadrado(,,2)eIf. Existemmuitas.porem.todaselasternemcomuma
habilidadededizer0 quaegrandeumadiferen"aourela"aoeeexistemconven"oes
paradizerseurnefeitoe"pequeno."medioou"grande".Vern tornando-secomurn
queosperiodicosrequeiramqueosautoresrelatemostamanhosdoefeito.poisos
testesqueternurnaimportanciaestatisticatradicionalnaonosdizem 0 quaogran-
deurnefeitoserevelouconformeurnestudo(vertambemCapftulo22).
Comodiscutido no Capitulo 10. todasas me.didas de construtospsicologicos
contern errosquesaoatribuiveisaoproprioprocessode mensura"ao.Comexce-
"aodeumapequenaclassedesofisticadasamilisesmultivariadas(Capitulo21). os
procedimentosestatisticosinferenciaismaisfrequentesnaoadmitemessetipode
erro.Mesmoqueurntesteestatisticosejaa1tamenteadequadoparaosdadosque0
pesquisadorpossui.medidasdebaixaqualidadecomquantidadesdesconhecidasde
errode enodemensura"iiopodeminvalidarquaisquerconclusoesqueeledesejeextrair
mensuraqio
deseuteste.0 pesquisadordevesempreprocurardiminuiroserrosdemensura"ao.
Quando0 pesquisadorcalculaurnaestatisticabaseadaemdadosobtidosapartir
deurnaamostra,eprovavelquesuaamostranaosejatotalmenterepresentativada
popula"ao.Defato.ea1tamenteimprovavelquequalqueramostraestatisticasatis-
errode fa"aexatamente0 parametrodapopula"ao.Assim.haa1godesignadocomoenode
amostragem
amostragem.doqualprecisaremosterconhecimentosemprequequeiramosfor-
mularenunciadosgeraisacercadapopula"ao.Namaioriadasvezes.quantamaior
for suaamostraemrela"aoao tamanhodapopula"ao. menorsera0 tamanhodo
errodeamostragem.
omodopeloqual0 pesquisadorextraisuaamostradapopula"aorelevantedeve
amostragem sera amostragemaleat6riaporsimplessele"aoaleatoria.se isso for de a1gum
sleat6rla
modopossive!.Processosdesele"aonaoa1eatoriostendemaintroduzirviesesem
suasestimativasdeparametro.Amaiorpartedastecnicasestatisticasinferenciais
(verSe"ao19.7)pressupoeque0 pesquisadortenhaobtidosuaamostrapormeiode
procedimentosa1eatoriosdeamostragem.
dePesquisaemPsicologia 387
Napratica.ospsicologosgeralmenteusamamostrasnaoa1eatoriasporconve-
niencia(porexemplo.estudantes.assistentesdeumaclinicalocal)oumodelosde
quotaimplicitos(verCapitulo6). Muitoternsidoescritosobrearela"aoentrepro-
cedimentosestatisticosinferenciaiseprocedimentosdeamostragem.eaquelesque
seinteressampelastecnicasdeestimativadoimpactodosdelineamentosamostrais
conhecidascomoefeitosdedelineamento.devemconsultarMosereKalton(1971).
19.3 0 QUE SAO ANAuSES ESTATisTICAS BIVARIADAS?
Norestantedestecapitulo.0 focoserapostasobre0 usadosprocedimentoses-
tatisticosinferenciais.pois.enquantopesquisadoresquetentamexplicar0 compor-
tamentohumaneemgeral. raramenteestamosinteressadosnameradescri"aode
nossaamostra.Gostariamosdefazerafirma"oesteoricasqueseapliquematodasas
pessoasdeumadadapopula"ao.
Estecapituloabordaanalisesqueenvolvem duasvariaveis. Essasanalisespo-
demserseparadasem duascategoriasamplas:ostestesque procuramdiferem;as
entre grupos. definidasporumavariavelemrela"aoaosescoresdeoutravariavel;e
testesquedetectamumaassocia{:iio oucorrela"aoourela"aoentreescoresdeduas
variaveis.0 Capitulo20discutiraanalisesquelidamcommaisdeduasvariaveisao
mesmotempo.asquaissaodesignadascomoanaJisesmultivariadas.
19.4 MODELOS BIVARIADOS cLAsslcos
Boapartedestelivroocupa-secomaexposi"aodemodelosdepesquisacomunse.
com0 riscodarepeti"aodomaterialjaabordado.asseguintesabordagensprototipi-
casgeralrnenterequeremanaJisesbivariadas.Eimportanteentenderarela"aoentre0
modelodepesquisaeostiposdeprocedimentosestatisticosadequadosparaseuuso.
19.4.1 Modelos experimentais
Emexperimentos.umavari<ivel independentee modificadaoua1teradanaex-
pectativadequesejamobservadasmudan"asemumavariaveldependente.Para varlavelde-
pendente
estarsegurodaocorrenciadeurnarela"aodecausaeefeitoentreduasvariaveis.0
pesquisador-experimentadorprocuraexcluirosefeitosdetodasasoutrasvariaveis
atribuindoa1eatoriamentepessoasacondi"oesouatratamentos(valoresdava-
tra18mentos
riavelindependente) e controlando oumantendo constante outras coisas que pode-
riamafetarosresultados.Epossivelqueocorramaisdeumavariavelindependente.
masdisso trataremosnoCapitulo20.
AvariaveIindependenteeurnavariavelcontroladaoumanipuladaporurnex- varlavelln-
dependente
perimentador.Geralmente.eumavariavelemnivel categorial/nominal.enormal-
mente0 pesquisadoresperaqueavariavelindependentecausemudan"asnavaria-
veldependente.Os niveis davariavelindependentegeralmentesaoreferidoscomo
condi"oesoutratamentos:porexemplo.nenhumtratamentocomdrogaversus tra-
tamentocomdosebaixaversus tratamentocomdosealtaoumetodadeensinoA
versus metododeensinoB.
Avariaveldependenteeavarilivelqueeafetadapelasmudan9asqueocorremna
variavelindependente.Elanunca econcebidacomoumavariavelqueterninfluencia
sobreavariavelindependente.0 Capitulo4disc uteosmodelosexperimentaiscom
maisdetalhes.
388 Glynis M. Breakwell. Sean Hammond, Chris Fife-Schaw &Jonathan A. Smith
Em sua forma mais blisica. urn experimento ira agregar aleatoriamente pessoas
segundo uma de duas condic;:oes da varilivel independente. digamos. as pessoas que
aprenderam estatistica pelo metodo X e uma condic;:ao de controle das pessoas que
nao foram expostas a nenhum ensino de estatistica. Deixamos urn periodo de tempo
decorrer de modo que 0 metodo Xpudesse ter algum impacto e depois submetemos
ambos os grupos a Urn teste estatistico; essa e a nossa variavel dependente. Ela e
grupos Inde-
designada como urn modelo de grupos independentes ou delineamento inter-
pendentes
sujeitos. pois nenhum dos participantes aparece nos dois grupos. enos estamos
dellnea-
mento Intar-
interessados nas diferenc;:as entre os grupos.
su/altos
Esse modelo e aceitavel, mas pode haver problemas se. por acaso. ao reunir alea-
toriamente as pessoas nos dois grupos. alocarmos no grupo do metodo Xpessoas que
ja tenham maior competemcia estatistica. Isso tornaria mais provavel que obtivesse-
mos escores mais altos no grupo do metodo X A fim de resolver esse problema. pode-
riamos simplesmente medir. em primeiro lugar. a competencia estatistica de todos.
expondo-os ao metodo Xe. somente entao. retestando sua habilidade. A isso chama-
medldas
mos medidas repetidas ou delinearnento intrassujeitos. Este Ultimo modelo nao
repetldas
resolve 0 problema referente ao fato de que a habilidade estatistica pode melhorar ao
dallnea-
mento In- longo do tempo sem a ajuda do metodo X (embora os dados obtidos a partir de urn
trassujeltos
grupo-contrale possa ajudar). mas resolve 0 problema da diferenc;:a existente entre os
participantes aleatoriamente alocados antes de 0 experimento ocorrer.
Eimportante que 0 pesquisador saiba se ele tern urn modelo independente (en-
tre-grupos) ou urn modelo de medidas repetidas (intrassujeitos) para selecionar urn
teste estatistico apropriado. Ele tambem deve estar ciente de que hoje e considerado
mais apropriado chamar os sujeitos do experimento de "participantes". embora a
terrninologia da descric;:ao dos modelos ainda tenha que mudar: ainda nao dizemos
"modelos intraparticipantes".
19.4.2 Modelos quasi-experimentais
Esses modelos sao similares aos verdadeiros experimentos. exceto que os niveis
da varilivel independente nao estao sob 0 controle do experimentador. Por exem-
plo. caso ele queira averiguar se as campanhas antitabagismo nas escolas tiveram
urn efeito sobre 0 comportamento dos fumantes. ele pode escolher nao alocar
crianc;:as aleatoriamente em escolas que. ou adotam. ou nao adotam a intervenc;:ao
antitabagismo.
Quasi-experimentos geralmente sao 0 melhor que 0 pesquisador pode esperar
encontrar. pois ele nem sempre dispoe de uma habilidade real para controlar a varia-
vel independente. Ha sempre a possibilidade de que alguns efeitos que se apresen-
varlavels
tern sejam devidos a variliveis equivocas imprevistas. Por exemplo. taxas relativas
equrvocas
ao tabagismo ja podem ser diferentes nas escolas que 0 pesquisador estudou; sua
campanha pode nao ter nenhum efeito, mas as escolas indicarao uma diferenc;:a nas
taxas de tabagismo apos a intervenc;:ao. Sua escola "controle" pode escolher fazer sua
propria campanha antitabagismo. 0 que seria outro tipo de variavel equivoca (ver
Capitulo 5 para algo mais sobre quasi-experimentac;:ao).
As relac;:oes entre supostas variaveis independentes e dependentes em grande
parte dos levantamentos por questionario sao testadas apenas dentro dessa estru-
tura quasi-experimental. Se 0 pesquisador conduz urn levantamento e quer ver qual
efeito vanos fatores blisicos (classe social. grau de educac;:iio. etc.) tern sobre os esco-
res dos testes. novamente ele niio pode alocar pessoas aleatoriamente em diferentes
Melodos de PesQuisa em Psicologia 389
niveis de classe social ou de experiencia educacional. Isso e importante. porque al-
gumas anaIises de levantamento sao redigidas para serem lidas como se elas fossem
experimentos verdadeiros.
19.4.3 Delineamentos correlacionais eobservacionais
Esses delineamentos procuram ver se existe alguma relac;:ao sistematica entre
duas variaveis. 0 objetivo e apenas mostrar que os niveis de uma variavel estao asso-
ciados aos niveis de outra. Nao existem quaisquer variaveis independentes e depen-
dentes desse tipo. pois nenhuma relac;:ao causal pade. em geral. ser inferida a partir
de anaIises correlacionais. mesmo que 0 pesquisador tenha uma boa intuic;:ao de que
exista uma.
Por exemplo. se 0 pesquisador constata que 0 tamanho dos motores dos automo-
veis pareceu aumentar com a agressividade de seus proprietarios, tal como mensura-
do em urn teste de personalidade. ele pode extrair pelos menos as seguintes tres con-
clusoes: i) isso ocorreria porque as pessoas agressivas comprarn carros velozes para
expressar a si proprias; ii) ocorreria tambem que a posse de urn carro veloz torna a
pessoa gradualmente mais agressiva; ou iii) algo mais que nao tenha sido mensurado
causa tanto a compra de carras velozes quanta 0 desenvolvimento de personalidades
agressivas. Nao se pode resolver isso com urn estudo correlacional ou observacional.
mas e possivel pelo menos mostrar que ha uma relac;:ao e que e/a nao e igual a zero.
Uma notivel excec;:iio a iSso e quando 0 ordenamento temporal dos eventos esta
sendo considerado. Por exemplo. a quantidade de cigarros fumados quando a pes-
soa tinha 20 anos de idade pode estar altamente correlacionada com os niveis de
alcatrao encontrados nos pulmoes aos 50 anos. Parece improvavel que os niveis de
alcatmo verificados aos 50 anos tenham causado os niveis relativos ao consumo de
cigarro em uma idade anterior. 0 filosofo John Stuart MiU lembra-nos que. estrita-
mente falando. para que alguma coisa cause um efeito. ela deve preceder temporal-
mente 0 efeito. de modo que. se 0 ordenamento temporal e inequivoco. pode-se ficar
bastante certo de que 0 Ultimo evento nao causou 0 evento anterior. No entanto. nao
se pode ficar inteiramente segura de que 0 efeito posterior foi causado pelo evento
anterior. pois ha a possibilidade de que uma terceira variavel, nao mensurada. esteja
influenciando as duas variaveis que ainda nao pode ser eliminada.
Note que todas essas tres abordagens gerais concernem arelac;:ao entre duas
variaveis. Esses modelos podem ser multivariados. incorporando variaveis adicio-
nais. mas. para os nossos propositos presentes. trataremos desses casos prototipi-
cos. Os modelos experimentais e. em uma medida menor. os modelos quasi-expe-
rimentais. tendem a requerer anaIises que examinam diferenc;:as entre gropos ou
condic;:oes (definidos pela variavel independente) em escores de algum resultado
(a variavel dependente). As abordagens correlacionais ou observacionais requerem
anaJ.ises que detectem associac;:oes entre variaveis em que nenhuma variavel e ne-
cessariamente a variavel dependente ou independente (elas podem ser. mas nao e
necessario que sejam).
19.5 TEORIAS EHIPOTESES
Esta sec;:iio examina minuciosamente alguns aspectos da testagem de hipo-
teses classica. Essa perspectiva sobre a conduc;:ao da boa pesquisa e apenas uma
entre uma quantidade de concepc;:oes, mas e. ainda. a concepc;:iio dorninante na
a90 GlynisM.Breakwell.SeanHammond, ChrisFite-Schaw&JonathanA. Smith
psicologia.Elasedeve.emgrandeparte.ateorizac;aodeKarlPopper(1959)eepor
vezeschamadademodelohipotetico-dedutivo.Elaetambemumaformadeposi-
tivismoepressupoequeexisteumarealidadeea1gumaformadeverdadeexterior
Ill. foraesperandoqueaencontremos.0 Capitulo1discuteessaeoutrasperspec-
tivase.se0leitorficar emduvidasobre0 quee ditoaqui.consulte novamente
aquelecapitulo.
19.5.1 leorias
Teoriasconsistemdeenunciadosacercadosmecanismossubjacentesdocom-
portamento:0comoe0porqwrdocomportamento.Parasatisfazeroscriteriosde
variedadeinferencialpropostosporPopper.eessencialqueessessejamenunciados
detalmodoqueleveemconta0seupotencialparasemostraremfalsos.As teorias
quenaopossamnunca.emprincipio.serdemonstradasfalsas naofazem parteda
hlp6teaea boaciencia.Elassetornamatosdefe. As teoriasdevemgerarhip6tesesespecificas
quepossamsertestadas.Seessaship6tesesseprovamfalsas.entao.ateoriapodeser
questionada.modificadaourejeitada.
19.5.2 Hip6teses
Hip6tesessaopredic;oesacercadosresultadosdeexperimentosoudeestudos.
Geralmenteseexpressaformal menteumapredic;aoteoricamenteproduzidaouuma
conjeturainstruidasobrecomoumavariavelindependenteafetaniumavariavelde-
pendente.Convencionalmente.Iidamoscomdois tiposde hip6tesesquandofaze-
mosquaisquertestesestatisticosinferenciais.Saoasseguintes.
hlp6lese Ahipotesenolaea querealmentetestamosepareceIigeiramenteestranhaa
nula
primeiravista.Ahip6tesenulaemurnexperimentoe0enunciadosegundo0qual
avariavelindependentenaoternabsolutarnentenenhum efeito sobreavariavelde-
pendentena populat;ii.o. Emurnestudocorrelacional.ahip6tesenulanormalmente
seriaqueduasvariaveisnaoestaoassociadasoucorrelacionadasumacomaoutra
na popular;iio. Noteque0 que acontecenaamostra nao eaquiloemqueestamos
realmenteinteressados.Ahip6tesenula e geralmentedesignada comoH
q
hlp6leae Ahipotesealtern.ativageralmenteeahip6teseparaaqualsedirigenossopres-
allemat1v8
sentimento:oudequeavariavelindependentedefato afetaavariavel dependente
napopulat;ii.o. oudequeduasvariaveisestaorelacionadasumaaoutranapopulat;iio.
Contudo.essaeapenasumahip6teseemmeioaumaseriedeexplicac;oesa1terna-
tivaspossiveissobre0 querealmenteafetaavariaveldependente.enaopodemos
tratarnossahip6tesea1ternativapreferidacomoabsolutamenteverdadeira.Isso
ocorre.emparte.porquenormalmentenosbaseamosemdadosobtidosapartirda
amostra,enaoapartirdapopulac;aototal.
Porexemplo.suponhaquevocepretendeprovarahip6tesesegundoaqualto-
dasaspessoastemduasmaosevoceobteveurnaamostradeumapessoa.Seessa
pessoativerduasmaos.issonaoprovaraquetodasaspessoasternduasmaos.Al-
gumas pessoasquevocenaoamostroupodemtermaisou.maisprovavelmente.
menosdoqueduasmaos.Seapessoaamostradativerumaounenhuma.noentanto,
entaovoceteriaquelanc;arforasuahip6tese;elaestariadefinitivamenteerrada.
EmaisfacUmostrarqueurnahip6teseefalsadoquemostrarqueelaeverdadei-
ra.Defato. existeurnargumentofilos6fico segundo0quals6podemosprovarque
a1gonaoeverdadeiro:naopodemosnuncamostrarquea1goesempreabsolutamen-
teverdadeiro.Ahip6tesea1ternativaedesignada comoHI'
MetodosdePesquisaemPsicologia a91
19.6 ERRO DEllPO IE ERRO DEllPO\I
19.6.1 EnodelipoI
oerrodeTipoleoerroqueocorrequando0pesquisadorrejeitaumahip6tese
enode
Tlpol
nula.quandoeleconcluiqueavariavelindependenteafetouavariaveldependente.
oque.defato. naoaconteceu.Issopodeocorrerquando.porexemplo.poracaso.0
pesquisadora10capessoasquejatinhamobtidoaltosescoresemumacondic;aoexpe-
rimentalebaixosescoresemoutra.Quandoelemensuraavarill.veldependente.adife-
renc;aentreascondic;oessedeveaofatodequeaspessoaseramdiferentesantesdeele
comec;ar.eniio porqueavariavelindependentetenhatidoqualquerefeito.Emtermos
deamilisescorrelacionais.0ErrodeTipoIocorrequando0pesquisadordiz queas
duasvariaveisestavamrelacionadasumacomaoutra,quando.defato. naoestavam.
ResultadospublicadosqueconternerrosdeTipoIpodeminduziraspessoasa
produziremmaispesquisaacercadeurnt6picodedificiltratamentoouatomarem
decisoesqueimplicamriscoparaavidacombasenasconclusoesimprecisasdeseu
trabalho.
19.6.2 Erro delipo1\
UrnerrodeTipoIIocorrequando0pesquisadorfalhaaorejeitarumahip6te-
enode
Tlpoll
se nulafalsa. Ele concluiquea variavel independentenao tem nenhumainfluen-
ciasobreavariavel dependente.quando.defato, elatern. Issoacontece.asvezes.
porqueamagnitudedoefeitodo tratamentoemuitopequenaedificildeobservar
emsuaamostra.Issotambempodeocorrerquandoeleobtem0opostodoexemplo
dadoparaoserrosdeTipoI.Aqui. poracaso.0pesquisadoralocaaspessoasque
jll. obtiveramaltosescoresnavarill.veldependentenacondic;aodetratamentoque
verdadeiramenteobtemescoresmaisbaixosevice-versa.0 efeitodoexperimentoe
nivelarosdoisgruposdemodoquenaoexistanenhumadiferenc;aentreosgrupos
detratamentosegundoosescoreseaceitarentaoahip6tesenulasegundoaqual
naoexistenenhumadiferenc;a"entreosgrupos.Realmente,avarill.velindependen-
teteveurngrandeefeito.massuaamostraobscureceuessefato. Umasoluc;aopara
esseexemploeadotardelineamentosde medidasrepetidasparaque0pesquisador
conhec;aosescoresdaspessoasantesedepoisdoexperimento.
Comosmodeloscorrelacionais.0errodeTipoIIocorrequando0pesquisador
concluiquenaohll. nenhurnarelac;aoentresuasduasvarill.veis.quando.defato. ha.
Se elepublicaressesresultadosfalsos negativos" dea1gum modo.entaoelepode
desencorajaraspessoasainvestigarumefeitopotencialmenteimportante.
oobjetivoesempreminimizaraprobabilidadedequeessesdois tiposdeerro
ocorram.
19.1 PROBABllIDADE
19.1.1 f i n i ~ f i s basicas
probablll-
Aprobabilidadep eumamedidadachance dequealgumacoisaacontec;a.
QuandoumaquantidadederesultadosA. B. C.D, etc.. podeocorrer.aprobabilidade
dade
dequalquerresultadoparticulareumaproporc;aobaseadanoseguinte:
Probabilidadedo resulladoA = peA) = Numerode possfveisresultadosA
Numerototalderesultados
392 Glynis M. Breakwell, Sean Hammond, Chris Fife-Schaw &Jonathan A. Smith
As probabilidades variam sempre entreae1. Asoma das probabilidades de todos
oseventospossiveis(A, B, C.D. etc.)devesempresomaracimade1.Algunsexemplos
deprobabilidadessimplessaoasseguintes:
p = 1sealgosempreacontece:porexemplo.aprobabilidadedetirarurn coringa
deurnbaralhode52coringas
p =asealgonuncaacontece:porexemplo.aprobabilidadedetirarurncoringade
urnbaralhodecartasquenaoconternnenhumcoringa
p =0.5eaprobabilidadedequeumamoedalanl;adacaiadeurnladeoudeoutro:
outromododedizerissoe"1em2chances"
p = 0.25eaprobabilidadedetirarumacartacomnaipedeourodeurnbaralhode
52cartas:outromododedizerissoe"Iem4chances
Aaplical;aomaiscomumdan0ltaodeprobabilidadeempsicologiada-sequando
setratadedeterminar0quaeprovavelequeaestatisticadotestebaseado na amos-
tra sejataograndequantasuaocorrenciacasual.supondoqueahip6tesenulaseja.
defato.verdadeira.Porexemplo.senaohouverealmentenenhumadiferenl;aentre
aspessoasque receberam urntratamentomedicoeaquelasquenao0receberam.
entao.determinarseessaequivalenciaestatisticaepossivel.ou.antes.determinar0
quaoprovavelequea melhoraobservadanogrupode tratamentosejataogrande
quantasuaocorrenciameramentecasual.
Suponhaquetenhamosurnnovotratamentoemtesteequenossahip6tesenula
sejaque0 escore medioobtidoemnossotestecognitivo (avariaveI dependente)
naoseradiferentedaquelaconstatadaentreaspessoasquenaoforam tratadas.Em
outraspalavras, nossahip6tesenulaequea mediadapopulal;aoparaaspessoas
tratadasea mesmaqueaquelaparaaspessoasnaotratadas.AFigura19.1 euma
distribuil;aodafrequenciadetodasasdiferenl;aspossiveisentreasmediasdogrupo
detratamentoe dogrupo-controlequeseriamobtidasse0pesquisadorextraisse
repetidamentenovasamostrasecalculasseasmediasparacadanovaamostra.Isso

edesignadocomouma deamostra.apesquisadornaoterndecriar
deamoslra
elepr6prioessadistribuil;ao:issoemostradoaquiapenasparaexplicara16gicada
testagemdeumahip6tese.
extremas(probabilidade=alfa)seH. everdadeira.
Possiveis.poremimprovaveis. diferenl;asdegrupo.
Figura19.1 UmadislribuiyaodeamostragemdedfferenQaSentremBdiasdegruposobasuposiyao
dequeahipotesenulaeverdadeira.
Metodos de Pesquisa em Psicologia 393
As areassombreadas.conhecidascomoregioescnticas.conternresultados"ex- regloescr!-
tlcas
tremos"oumuitoimprovaveis.Elassao.noentanto.diferenl;asposslveisnasmedias.
mesmosenossahip6tesenulafor verdadeira.Aquantidadedediferenl;asmedias
quecaemnasregiiiescrfticasdaaopesquisadoraprobabilidadedeobservaruma
diferenl;aextremacomoessanocasodeaH
o
serverdadeira.
Porconvenl;ao.casoaprobabilidadedeobservarmediastaodiferentesdasque
seraopreditaspelahip6tesenula(supondoqueaH
o
sejaverdadeira)sejamenorque
p = 0.05(alternativamente. I em20. ou5%).entao0pesquisadorrejeitaahip6tese
nula.Se aprobabilidade naoe menorque0.05, entao0pesquisadornao rejeitaa
hip6tesenula.Essevalor p = 0.05.chamadocriterioalf&,eaprobabilidademaxima crlterlo alfa
decometerurnerrodeTipoI.
No exemploanteriormentemencionado.examinamosadiferenl;aentreas me-
diasdegrupodetratamentoegrupodecontrolequeforam observadasemnossa
amostra.berncomoaquiloqueteriasidepreditoseaH
o
fosseverdadeira.Amesma
16gicaseaplicaaosmodelosreferentesas associal;iiesentrevariaveis.Quando0pes-
quisadorestainteressadoemcorrelal;iies.suahip6tesenulageralmentee(embora
nemsempre)quenaoexistenenhuma(zero)correlal;aoentrevariaveis.Comocom
as medias.0pesquisadorprocuraver0 quaoprovaveleque.pormeiodaamostra-
gem.ele teriaobservadoumacorrelal;ao queavultaentreas duasvariaveisseH
o
real mentefosseverdadeira.Alemdisso.0pesquisadorpodecriarumadistribuil;ao
amostraldascorrelal;iieseprocurarverseacorrelal;aoporeleobservadaestaden-
trodaregiaocrfticaemqueelerejeitariaahip6tesenula
Na maiorpartedastecnicasinferenciaisestatfsticas.seaplicadasa mediasou
acorrelal;iiesouaoutraestatisticadeteste.casoutilizarndistribuil;iiesdeamostra
paradeterminarse0valorobservadoincidenaregiaocriticaAsvezes.essasdistri-
buil;iiesdeamostragemfazemreferenciaaosparametrosda epressup6em
que0 pesquisadortenhaextraidoamostrasaleat6riasdapopulal;iio;as vezes.asdis-
tribuil;iiesdeamostragemsaoconstruidasapartirdoconjuntoderesultadospossi-
veisdado0experimentoou0 estudoparticularqueeleestafazendo(verSel;ao19.8).
avalordeprobabilidade0.05naoeurnvalormligico.Eapenasumaconven.;iio
ehavezesemque0pesquisadornaoestaracertoemrejeitarahip6tesenulanesse
nivel. Quandoseestaconduzindoumapesquisaparticulannentecontroversa.tal
comotentarestabeleceraexistenciadaclarividencia(0que.severdadeiro.minaria
algumasdasleisfisicassolidamenteestabelecidas).eusualadotarurncriterioalfa
maisestrito.Issotern0 efeitodetomartodasasanalisesmaisconservadoras.
apesquisadorelivreparaestabelecer0criterioaIfaemqualquervalorqueele
queira.masdevedeclara-lo.berncomodeveestarpreparadoparaconvencerosou-
trosqueeleestajustificadoaofaze-Io. Esseeurnexemplodecomoalgunsdospro-
cessosrelativistasesocialmenteconvencionaisdiscutidosnoCapitulo1searrastam
emumapartedoprocessodepesquisaque.defora,podeparecerconcreto,altamen-
terigorosoe incontestavel.Muitosargumentariam(porexemplo.Kirk. 1996)que0
focoindevidosobrevaloresp ternobstruidoaciencia.aoinvesdepromove-la.
19.7.2 Testes unicaudais versus testes bicaudais
Ao realizaratestagemdeurnahip6tese.0pesquisadordevedecidirsevaifazer
urntesteunicaudalouurntestebicaudaldahip6tesenula.Emurntesteunicaudal. tesleunl
caudal
ele rejeitaa hip6teseseadiferenlta(entre.digamos. a mediaobservadaea media
previstasobasuposil;aodequeH
o
everdadeira)forrelativamentepequena.masse
estiveremumadirer;iio previamente especificada.
394 GlynisM.Breakwell,Sean Hammond, ChrisFife-SChaw&JonathanA. Smith
leBlebIcau- Urn teste bicaudal requer uma diferenera urn pouco maior. porem e independen-
dal
te da direerao da diferenera.
Essa distinerao e mais bem-ilustrada por urn exemplo. Suponhamos que 0 pes-
quisador dispoe de uma droga maravilhosa. a qual. pretensamente. tern influencia
sobre 0 desempenho cognitivo. Se ele dispoe de uma teoria forte sobre a aerao dessa
droga maravilhosa. segundo a qual ela ira aumentar os escores a serem obtidos no
teste cognitivo; alem disso. se nao for observada nenhuma diferenera entre 0 grupo
de tratamento e 0 grupo-controle au nao for constatado que 0 gruto que recebeu tra-
tamento com a droga obteve escores menores. entiio 0 pesquisador tera evidencia
negativa para sua teoria. Nesse caso. sua hip6tese nula seria que os escores obtidos
no tratamento com a droga seriam os mesmos. ou menores. do que os escores dos
controles. Esse seria urn teste unicaudal.
Em grande parte da pesquisa psicol6gica. nossas teorias siio geralmente menos
especificas e teriam interesse pelas difereneras em ambas as direeroes. Grandes que-
das de escore seriam tao interessantes quanta grandes ganhos. Nao desejamos ig-
norar uma grande queda nos escores ao fazer urn teste unicaudal. Dessa vez. nossa
hip6tese nula seria que as medias do grupo de tratamento e do grupo de controle
seriam as mesmas. A Figura 19.2 i1ustra esse ponto. Nessa figura. podemos ver que as
areas sombreadas nas caudas de ambas as distribuieroes ocupam 5% das areas totais
sob as curvas e. portanto. 5% de todas as medias da amostragem. Nesse exemplo
hipotetico. 0 valor cntico unicaudal e 26. de modo que qualquer media observada
no grupo que recebeu a droga que seja maior que 26 nos leva a rejeitar a He' Para 0
teste bicaudal. qualquer valor maior que 27 au menor que 13. nos leva a rejeitar a He'
Note-se que. ao fazer urn teste bicaudal. 0 pesquisador tern de obter uma diferenera
maior entre as medias dos dois grupos para rejeitar a He' Isso torna 0 teste bicaudal
inerentemente mais conservador (menos propenso ao erro de Tipo I).e essa e. pelo
menos em parte. a raziio pela qual os artigos de jornal de psicologia contern mais
valores de probabilidade bicaudais.
A mesma l6gica se aplica aos testes de hip6teses de associaerao. Se 0 pesquisa-
dor tern urna hip6tese forte segundo a qual duas variaveis estarao positivamente
correlacionadas. entiio ele pode especificar urn teste unicaudal. Na maior parte das
aplicaeroes psicol6gicas. ele estara interessado em relaeroes fortes. sem considerar
se elas sao positivas ou negativas e. desse modo. testes bicaudais podem ser mais
adequados. 0 pesquisador deve usar urn teste unicaudal menos conservador apenas
quando tiver urna hip6tese muito forte que especifica a direerao do efeito esperado.
Nao deslize entre uma probabilidade bicaudal e uma probabilidade unicaudal ape-
nas para obter urn resultado significativo; a decisao sobre 0 que procurar observar
deve ser feita antes da realizaerao do teste.
19.7.3 Poder estatistico
oponto de toda a testagem de hip6tese e obter uma conclusiio correta sobre as
hip6teses.]a examinamos os erros de Tipo I e de Tipo II e a probabilidade de cometer
poderesl8- urn erro de Tipo I.0 poder estatistico esta associado com os testes que 0 pesqui-
tlstlco
sador usa e e a probabilidade de que 0 teste rejeite corretamente urna hip6tese nula
falsa Esse e 0 poder que 0 teste tern de detectar urn efeito quando realmente existe
urn efeito para detectar.
Grande parte dos livros-texto refere-se aprobabilidade de cometer urn erro de
Tipo II (a probabilidade de aceitar uma hip6tese nula falsa). como (a letra grega
de Pesquisaem Psicologia 395
Testeunlcaudal
Y
5%dasdlferen.;:asextremasemapenasumadire.;:iio
Testebicaudal
20 26
20 27

5%dasdiferen.;:asextremasemambasasdire.;:oes
(2.5% emcadacauda)
Figura19.2 Dislribuiesdeamostragemdas entremediasdegrupo:regi6escriticaspara
testesdehip6teseunicaudaisebicaudais.
beta). Visto que a soma das probabilidades de todos os eventos possiveis deve che-
gar a 1. a probabilidade de rejeitar uma hip6tese nula falsa, 0 poder de seu teste e:
Poder=p (rejeltarumaHj =1 - P (aceitarumaHj =1 - P
Embora essa f6rmula seja muito simples. decidir sobre urn valor unico para
niio e facit. Embora as pessoas geralmente falem desse ou daquele teste como mais
poderoso do que outro. 0 poder depende de uma serie de fatores que variam confor-
me cada aplicaeriio. Nao ha uma figura unica que sempre se aplique em cada tipo de
teste particular.
Urn fator e a magnitude de efeito do tratamento (ver Seerao 19.2). Posto de maneira
simples. se a variavel independente tern urn efeito sobre a variavel dependente (isto e.
se a He e falsa). mas 0 tamanho desse efeito. a magnitude de efeito e pequena, sera mais
dificil de detectar esse efeito. Desse modo. 0 pesquisador precisara de urn teste mais po-
deroso para detectar 0 efeito (com urn dado tamanho de amostra) do que seria 0 caso se
o efeito do tratamento fosse grande. Se 0 efeito do tratarnento e grande. nao seni dificil
detecta-lo. Urn segundo fator e 0 nivel em que 0 pesquisador estabelece 0 criterio alfa.
Estabelecer urn nivel mais baixo tomara menos provavel que ele rejeite uma hip6tese
396 Glynis M. Breakwell, Sean Hammond, Chris Fife-Schaw &Jonathan A. Smith
nula. mas. entao. sera tambem mais dificil rejeitar uma hip6tese falsa, sendo igual em
todos os demais itens.
Urn terceiro fator e 0 tamanho da amostra. Conforme 0 tamanho da amostra torna-
-se maior e aproxima-se do tamanho da populac;:ao. 0 pesquisador aumenta 0 poder
estatistico de seu teste. Se realmente ha urn efeito do tratamento (a H e falsa) na popu-
o
lac;:ao. 0 pesquisador tendera a encontra-Io mais em uma amostra maior do que em uma
menor. Note-se. contudo. que 0 poder refere-se it habilidade de rejeitar uma H falsa. e
o
nao it magnitude de efeito do tratamento. 0 pesquisador pode sempre adicionar mais
participantes a seu estudo para aumentar 0 poder estatistico, mas isso nao ira a1terar a
magnitude absoluta do efeito do tratamento ou sua significancia pratica.
Por exemplo. 0 pesquisador pode ter inventado urn dispendioso programa de in-
tervenc;:ao para melhorar os escores a serem obtidos em testes de QI. Vamos supor que
esse programa funcione. embora 0 pesquisador ainda nao 0 saiba. mas melhora 0 QI
em somente urn ponto (escores de QI geralmente tern uma media de 100 e urn desvio-
-padrao em torno de 15).0 pesquisador pode implementar urn experimento controlado
com 10 participantes do seu programa e 10 participantes-controle. Pode descobrir que 0
grupo de tratamento com 0 programa obtem urn escore de Q11 ponto mais alto do que
o grupo-controle. Nesse caso, ele executa 0 teste apropriado. falha em rejeitar a hip6tese
nula e comete 0 erro de Tipo II.
Desapontado, mas nao intimidado. 0 pesquisador compreende que mio teve poder
estatistico suficiente. de modo que ele refaz 0 estudo com amostras de mil participantes
nas condic;:iies de tratamento e de controle. Novamente. ele constata que 0 grupo em
tratamento mediante seu programa obtem urn escore de QI urn ponto mais alto do que
o grupo-controle. E1e agora tern urn alto poder estatistico. e seu teste leva a que ele cor-
retamente rejeite a hip6tese nula 0 programa de interveno tern urn efeito estatistica-
mente significativo sobre os escores de QI. No entanto. em terrnos praticos, esse efeito e
muitopequeno parajustificar 0 custo de urn programa. e pode-se muito bern questionar
a importancia de aurnentar 0 escore QI em apenas urn ponto. Epreciso ter cuidado para
nao confundir a significancia estatistica com a significancia pratica. referente ao "mun-
do real" (veja Quadro 19.1 para uma breve discussao sobre os meritos ou os demeritos
da testagem em terrnos de sua significancia).
Epossivel usar tabelas de poder estatistico para estimar 0 tamanho da amostra ne-
cessano para realizar urn teste com urn deterrninado poder. contanto que 0 pesquisador
possa fazer a1guma estimativa razoavel do tamanho provavel do efeito do tratamento
(magnitude de efeito). Ao projetar urn estudo. e a1tamente desejavel 0 uso de tabelas de
poder estatistico para avaliar previamente quantos participantes serao necessanos. em
vez de realizar 0 estudo e s6 en tao descobrir que havia pouca chance de detectar 0 efeito
em virtude da falta de poder estatistico suficiente decorrente do nUmero insuficiente de
pessoas abordadas. Ea1tamente provavel que comites eticos e instituic;:iies de fomento
it pesquisa requeiram do pesquisador 0 estabelecimento de urn poder de anaIise antes
de aceitar conduzir urn estudo. pois estudos que nao dispiiem de poder estatistico su-
ficiente sao vistos em alguns contextos como essencialmente antieticos (ver Quadro
19.2). Resultados que nao sao signilicantes serao intrinsecamente ambiguos. pois 0 pes-
quisador nao sabera dizer se 0 fracasso na obtenc;:ao de urn resultado significativo e uma
consequencia de a hip6tese nula ser verdadeira ou de ela ser falsa e ele ter tido poder
estatistico insuficiente para detectar 0 efeito que pretendia avaliar.
Programas de computador estao hoje disponiveis para calcular 0 poder estatistico
de urn teste (por exemplo, G* POWER. nQuery. PASS) e. como alguns sao gratuitos. ha
pouca desculpa para nao usa-los.
~ o o s de Pesquisa em Psicologia 397
De tempos em tempos os pesqulsadores ~ sMias duvidas sobre sa a testagem
estatJstica da hlp6tese nula que apresentel aqul e0 modo correto de proceder (por
exemplo, Harlow. Mulalk e Seiger. 1997). Uma das principais crftlcas eque a hip6tese
nula, ern geral, nao enero clentlflcamente interessante nem possui muita probabilidade
de ser verdadelra em bases a priori. Como exemplo. ao comparar dois grupos em ra-
lac;:ao a alguma medida, a hip6tese nula eque a diferenc;:a entre as medias dos escores
dos grupos eexatamente zero abalxo da ultima casa decimal- ou seja, nao M, abso-
lutamente nenhuma dlferenc;:a entre eles. Como geralmente amostramos pessoas e
seus escores, emulto improvAvel que as medias de grupo sejam exatamente as mes-
mas. Em outras palavras, a probabilldade de a hip6tese nula ser verdadeira e. de fato,
muito baixa. embora usemos isso como base para lazer todas as nosses inferencias
estatlsticas. Incluindo a questao de saber se devemos rejeitar ou nao a probabilidade
de a hip6tese nula ser falsa. Realmente nao obtemos nenhuma informac;:ao acerca da
probabilldade de a hip6tese nula ser verdadeira a partir do pr6prio procedimento de
testagem tradicional.
Uma abordagem alternativa tem side enfatizar 0 relato dos intervalos de confianca
(ICs), de modo que possemos nllo apenas tomar decisoes sobre a probabilidade de
qualquer valor estimado ter esse valor na populac;:ao real, mas tambem mensurar a
precisao com a qual a estimativa estA sendo feita (ver Capitulo 6). Tomando 0 examplo
dos dois grupos mencionado anteriormente. poderfamos relatar 0 intervalo de confian-
c;:a de 95% para as diferenc;:as entre as medias. Se 0 intervalo de confianc;:a inclui zero,
nilo epossivel predizer a direc;:ao da dilerenca entre as medias de grupo com nenhum
grau de certeza. Se ale nao contllm zero, entiio estamos 95% cartos de que sabemos
a direc;:ao da diferenca.
Podemos tambllm relatar a magnitude do efeito. 0 que nos dA uma ideia do tama-
nho do eleito relevante, na medida em que ale pode ser negligenciado ao localizarmos
valores p em testes de hlp6tese. De lato. os valores p escondem informac;:ao tanto
sobre 0 tamanho do eteito quanta sobre 0 IC. e a ideia eque uma inlormac;:ao mais Uti!
seja transmitida pelo relato de uma combinac;:ao da magnitude do eleito e ICs. em vez
de pelo relato do valor p associado ao teste da hip6tese nula.
As razoes pelas quais nosses prAticas estatrsticas retem um loco sobre a testagem
tradicional da hip6tese nula sao objeto de continuos debates. Embora alguns argu-
mentos sejam fil0s6ticos e sofisticados. epIOvAvel que os argumentos praticos preva-
lec;:am. Estes incluem a atirmac;:ao segundo a qual uma grande quantidade de pessoas
parece estar adotando uma determinada pratica: a saber. a crenc;:a difundida de que
ediflcil publicar ern peri6dicos de grande prestfgio se 0 pesquisador nao relata testes
de hip6teses convencionais e de que muitos programas de computador estatlsticos
populares nao calculam imediatamente os intervalos de confianca e os tamanhos de
elelto para 0 pesquisador. Amedida que 0 tempo corre. esse Ultima razao desaparece.
e muitos peri6dicos. parlicUfarmente aque!es publicados pela American Psychologi-
cal Association [Associacao Americana de Psicologia]. estao encorajando 0 relato de
magnitudes de eleito. de ICs. bam como de testes de hip6tese convencionais.
19.8 TESTES PARAMETRICOS VERSUS TESTES HAo
PARAMETRICOS
A Ultima distinc;:ao fundamental que 0 pesquisador precisa ter em mente an-
tes de selecionar urn teste estatistico envolve a questao de saber se ele pode usar
testes estatisticos pararnetricos ou precisa usar testes nao pararnetricos. Urn born
numero de conhecidos testes estatisticos tais como 0 teste-!. a correlac;:ao produ-
398 Glynis M. Breakwell, Sean Hammond. Chris Fife-Schaw &Jonathan A. Smith
A anaJise do poder estatlstico a priori ob/etiva assegurar ao pesquisador a condu-
cao de um "teste honesto" de suas hip6teses. Trata-se do plane/amento necessario
para se evitar que ocorra um resultado ambrguo em um estudo. Estudos que tllm po-
der estatlstico insuficiente e que produzem resultados nao signiticantivos sao intrinse-
camente ambfguos - 0 pesquisador nao sabe se a hip6tese nula e de fato verdadeira
ou se seu pro/eto nao teve poder 0 bastante para detectar contiavelmente um efelto do
tamanho que corresponde ao que realmente ocorre. 0 pesquisador deve tentar evitar
que isso ocorra. pois realizar estudos que tenham pouca chance a priori de detectar
efeitos significativos e essencialmente antietico - eles provavelmente desperdil;:am os
participantes e 0 tempo do pesquisador.
o pesquisador deve ser capaz de estimar 0 tamanho do menor efeito que dese/a
detectar. Pesquisadores mais exigentes podem muito bem indagar por que alguem
esta fazendo um estudo se nao tem nenhuma ideia de qual e 0 tamanho do efeito que
pretende estar apto a detectar. Se ele nao puder dizer antecipadamente em que con-
siste a mais (ntima diferenr;a praticamente significativa. entao. pode-se perguntar por
que, atinal de contas. ele esta realizando esse estudo.
Um exemplo pode ajudar. Suponhamos que 0 pesquisador quisesse medir os
niveis relativos de depressao entre partidarios republicanos e democratas como re-
sultado da reeleicao de George Bush - ele tem um pressentimento de que os demo-
cratas este/am um pouco deprimidos em virtude do resultado da ereil;:ao. Ere quer
extrair amostras de republicanos e de democratas e administrar 0 conhecido Beck
Depression InventOl)' (BOO [Inventario Beck de Sintomas de Depressaol. e pretende
fazer uma analise do poder estatlstico para determinar quantas pessoas devem ser
reunidas em cada amostra. Quanto de diferenl;:a em escores referentes a e p r e ~ o
ele ira considerar a tim de constituir uma diferenl;:a psicologicamente relevante que
merer;a ser conhecida (0 que e tambem conhecido como 0 tamanho de efeito critico)?
Se tiver uma imensa amostra de 10 mil pessoas, ele tera poder estatistico mais do
que suficiente para detectar uma diferenr;a real de meio ponto conforme 0 BDI. Con-
tudo. embera essa diferenr;a possa ser real, e provavel que ela se/a essenciarmente
insignificante.
Determinar 0 tamanho do efeito critico, em geral. pode parecer diffcil. e ha uma
tentacao em estabelecer um tamanho de efeito "grande", pois isso geralmente sig-
nifica que 0 pesquisador nao tem de coletar dados de muitas pessoas, como seria 0
caso se ale eslivesse planejando detectar um efeito menor. 0 esforl;:o que erequerido
para co/etar dados para compor uma amostra com certo tamanho nao deve orientar
a decisao sobre 0 tamanho do efeito critleo. 0 pesquisador deve usar os manuais de
teste, a literatura existente e seu conhecimento psicol6gico para aferir qual tamanho
da diferenr;a saria pralicamente significativo. No caso do exemplo do BDI, os manuais
para 0 BDI fomecem normas para vanos grupos. incluindo c1inicamente deprimidos.
bem como amostras de nao deprimidos. Os escores medios desses grupos (e seus
desvios-padrao) podem ser usados para aferir quais tipos de diferenl;:as em escores
de depressilo sao psicologicamente signiticativos.
to-momento de Pearson e a analise da variancia (ANOVA) fazem pressuposic;:iies
sobre a distribuic;:ao dos escores nas populac;:iies. As mais comuns dessas pressupo-
sic;:iies sao de que os escores sao normalmente distribuidos (tern a c1assica curva
"em-forma-de-sino") na populac;:ao ou que a distribuic;:ao das medias da amostra
(hipotetica) e normalmente distribuida. Eles tarnbem pressupiiem que 0 pesquisa-
dor extraiu urna arnostra aleat6ria dessa populac;:ao de escores. Alguns testes para-
metricos pressupiiem que as variancias dos escores da populac;:ao sao as mesmas
Melodos de PesQuisa em Psicologia 399
no grupo de tratamento e no grupo de controle. Testes que envolvem essas pressu-
posic;:iies sao chamados testes parametricos: eles baseiam-se em pressuposiryiies testes para-
metrlcos
acerca da distribuic;:ao dos escores na popularyao (isto e. da informaryao sobre os
pariimetros da popularyao).
Se. como e frequentemente 0 caso. os dados do pesquisador nao satisfazem
essas pressuposiryiies. entao ele deveria usar as a1ternativas nao parametricas aos niopsram.
testes parametricos. Essas alternativas nao fazem as mesmas pressuposiryiies acer-
trlcas
ca das distribuic;:iies de escores na populac;:ao e violar tais pressuposic;:iies nao e um
problema. 'As vezes, 0 pesquisador vera esses testes serem chamados de "testes Ii-
vres de pressuposic;:iies quando adistribuic;:ao". Esses tipos de teste sao tambem es-
pecialmente apropriados para se usar com medidas categ6ricas e ordinais em que
a media nao e uma medida apropriada da tendencia central. Para verdadeiramente
estabelecer a normalidade de uma distribuic;:ao. 0 pesquisador precisa estar apto a
estimar sua media e variiincia e. portanto. e dificil estabelecer essa pressuposiryao
em relac;:ao aos dados categoriais e ordinais. Isso nao e 0 mesmo que dizer que nao
existe nenhum procedimento parametrico adequado para essas medidas. mas que
elas requerem pressuposic;:iies adicionais especiais a serem satisfeitas. as quais nao
serao consideradas aqui.
A testagem de hip6tese com testes nao parametricos procede criando distri-
buic;:iies de amostragem que se aplicam especificamente ao estudo em questao. Em
essencia. a maior parte do trabalho consiste em calcular todos os valores possiveis
da estatistica de teste relevante para os dados. 0 delinearnento e a hip6tese nula
do estudo. Em seguida, procurarn ver se 0 valor observado da estatistica de teste e
relativamente extremo e que. portanto, e improvavel que tenha ocorrido por acaso
se a hip6tese nula for verdadeira. Embora os procedimentos nao sejam identicos
aqueles usados nos testes parametricos. espero que 0 leitor perceba que a l6gica
basica da testagem de hip6tese permanece a mesma que foi descrita anteriormente
nesse capitulo. Enunciados sobre diferenc;:as na popularyao podem ser feitos apenas
se 0 pesquisador usou procedimentos de amostragem aleat6rios.
Se forem adequados para os dados do estudo. os testes parametricos devem ser
escolhidos em preferencia a seus equivalentes nao pararnetricos. pois tendem a ser
mais poderosos e. portanto, mais aptos a detectar efeitos do tratamento no caso de
eles realmente existirem. Veja-se 0 Capitulo 3 para urna d.iscussao das violac;:iies das
pressuposic;:iies relativas a niveis de mensurac;:ao dos testes parametricos.
19.9 ESCOLHENDO UM TESTE ESTATisTICO
A maioria dos livros-texto de estatistica fomece diagramas em more (como nas
Figuras 19.4 e 19.5) que ajudarn a decidir qual teste estatistico deve ser usado. 0 pes-
quisador precisa saber 0 seguinte antes de poder usar esses diagramas.
Em primeiro lugar. ele deve decidir se esta procurando relac;:oes (por exemplo.
correlaryiies, associac;:iies) ou diferenr;:as (por exemplo. entre grupos).
Em segundo lugar. se ele esm interessado em diferenc;:as. entao e precise identifi-
car qual variavel e a medida dependente (resultado) equal e a variavel independente.
Em terceiro lugar. se ele esta interessado em testes de associac;:ao e as med.idas
de escala de razao ou de intervalo apresentam distribuic;:ao normal. sera preciso pro-
duzir um diagrama de dispersao (urn grafico) dos escores de urna variavel contra os
escores da outra A Figura 19.3 mostra alguns diagramas de dispersao hipoteticos.
400 GlynisM. Breakwell, Sean Hammond, ChrisFile-Schaw&JonalhanA. Smith
VariavelY I a
VariavelX
Variavel Y I b
.
.
. .
. .
VariavelX
.
VariavelY .. .
. .
c
..
VariavelX
Figura19.3 Diagramasdedispersaomostrandorelacoeslinearesemonotonicasentreduasvariaveis.
.
.
de PesQuisaemPsicologia 401
opesquisador deve detenninar se a rela.;:ao entre as duas variliveis se mostra linear
ou monotonica. As Figuras 19.3(a) e 19.3(b) mostram lineares ou "de linha
reta" entre as variliveis X e Y. A Figura 19.3(a) mostra uma rela.;:ao linear positiva: os
aumentos de X parecem estar associados com os aumentos de Y. A Figura 19.3(b)
mostra uma rela.;:ao linear negativa: os aumentos de X estiio associados com dimi-
nui.;:oes de Y.
Uma rela.;:ao e considerada linear se 0 pesquisador puder tra.;:ar razoavelmente
uma linha reta entre os pontos. Linhas retas foram adicionadas aFigura 19.3(a) e
19.3(b). Se uma relao perfeita entre X e Yocorre. entao todos os pontos estiio sobre
uma linha reta. Como as rela.;:oes nao sao perfeitas. 0 pesquisador observani uma
distribui.;:ao eliptica das observa.;:oes em tome das linhas retas "mais bern formadas".
Espero que 0 leitor perceba que nao seria possivel Cazer isso com a Figura 19.3(c).
pois as mudan.;:as nos altos escores da varhivel X nao parecem estar associadas com
as grandes mudan.;:as da variavel Y. Na parte mais baixa daescala. as mudan.;:as em
X estao associadas com mUdan.;:as maiores em Y. Essa e uma rela.;:ao monotonica.
Rela.;:oes monotonicas sao aquelas em que os aumentos em uma variavel estao sem-
pre associados com os aumentos (ou. se e uma rela.;:ao negativa. com as diminui-
.;:oes) em outra variavel. mas a taxa de mudan.;:a nao e constante ou linear. A Figura
19.3(c) mostra uma rela.;:ao monotonica positiva
Se 0 diagrama de dispersao se apresenta em fonna de U ou em forma de n ou tern
varios picos. 0 pesquisador nao teni uma rela.;:ao simples entre as duas variaveis. Ele
tera de consultar urn texto de estatistica e exarninar a possibilidade de fazer uma
transforma.;:ao matematica de urna ou de ambas as variaveis em questao.
Em quarto lugar. qual e 0 nivel de mensura.;:ao de cada variavel? Quando se rea-
liza urn teste em busca de urna associao. a escolha do teste dependeni dos niveis
de mensura.;:ao de ambas as variaveis. Quando se realiza urn teste em busca de cli-
feren.;:as entre gropos ou condi.;:oes. 0 nivel da mensura.;:iio da variavel dependente e
crucial para a sele.;:ao do teste.
Em quinto lugar. se 0 pesquisador tern medidas de nivel de intervalo ou de escala
de razao e pensa estar apto a fazer urn teste parametrico. ele deve se perguntar sobre
a probabilidade de as variaveis serem nonnalmente distribuidas na e se
ele foi capaz de coletar aleatoriamente amostras de uma populao.
Como vimos anteriormente. muitos estudos psicol6gicos baseiam-se em amostras
de conveniencia. de modo que, em tais casos. 0 pesquisador mo satisfez a
da amostragem aleat6ria Na prntica, 0 usc de testes parametrlcos tais como 0 teste-t e
aceitavel contanto que os participantes sejam aleaJoriamente atribuidos as do
tratarnento (ver Minium. King e Bear. 1993). Ajustificao disso e tecnicamente comple-
xa. mas. em resumo. consiste no fato de que. na maioria dos casos. a conclusiio extraida
do teste-t e a mesma que teria side obtida se 0 modelo estatistico mais apropriado ti-
vesse sido usado. Contudo. os resultados da amostra de corweniencia em questiio nao
sao suficientes para fazer generaliza.;:Oes sobre a popula.;:ao: 0 pesquisador precisani de
evidencia adicional para sustentar suas conclusoes.
Na pratica. e improvavel que 0 pesquisador tenha acesso ainfonna.;:ao sobre a
distribui.;:ao dos escores na popula.;:ao. de modo que ele estara apto somente a exa-
rninar as distribui.;:oes dos escores nos dados de sua amostra. Ha muita coisa escrita
sobre 0 quae efetivos sao os testes parametricos quando ocorrem viola.;:oes da pres-
suposi.;:ao de nonnalidade (ver Blalock, 1988). Embora existarn vozes discordantes.
ha hoje algurn consenso de que desvios rninimos da normalidade nao rninariio inde-
vidamente 0 valor de muitos testes parametricos comuns.
402 GlynisM.Breakwell, Sean Hammond, ChrisFile-Schaw&JonathanA. Smith
Se 0 pesquisador tern acesso a pacotes de programas estatfsticos computado-
rizados. ele pode examinar as estatfsticas de diagn6stico que dao a medida na qual
os dados de sua amostra desviam do que seria esperado se eles fossem distribuidos
normalmente. A diston;;ao (skewness) e uma figura que indica 0 grau em que a distri-
dos escores esta distorcida para a esquerda ou para a direita. A curtose indica
o grau em que a e mais alta ou mais baixa do que 0 esperado. Ambos
os valores devem ser iguais a 0 e tern conhecidos erros-padrao (ver Capitulo 6). de
modo que os limites de podem ser calculados. Apenas como regra pniti-
ca. e curtose figuram dentro de uma de +1para -1, com
para grandes amostras que sao provavelmente bastante proximas da normalidade
para perrnitir 0 uso de testes parametricos. 0 pesquisador devera notar que alguns
Iivros-texto relatam a normal como tendo uma curtose de 3. e nao de
O. Embora isso esteja correto. a maior parte dos pacotes estatisticos se refere atual-
mente a a1go designado como "curtose de excesso" (embora ainda seja designado
apenas como curtose nos textos impressos) que e simplesmente a curtose da amos-
tra menos 3. Isso tern 0 efeito de tomar desejaveis valores de e de curtose
(de excesso) iguais a O.
Assim. se a amostra parece norrnalmente distribuida. entao provavelmente ese-
guro supor que foi satisfeita a de normalidade. Se 0 pesquisador tern.
contudo. mUltiplos modos ("picos") em seus dados de amostra, ou as
parecem rigorosamente nao normais. ele deve usar 0 teste nao parametrico
equivalente. Quando estiver em duvida. deve fazer ambos os tipos de teste e base-
ar-se no teste nao parametrico se os dois testes nao levam amesma conclusao.
Finalmente. ao testar de grupo. 0 pesquisador deve procurar saber
se as amostras independentes (separadas) fomecem escores ou se elas sao obtidas
de urn modo talque: i) cada participante (caso) e equiparado a outro participante
supostamente diferente em a1gum aspecto; ou ii) cada participante fomece mais do
que urn escore referente a urna medida. Isso simplesmente remonta ao projeto de
pesquisa. Se 0 pesquisador tern dois ou mais grupos ou separados e se
cada participante (caso) fomece urn Unico escore. ele tern 0 que egeralmente desig-
nado como "gropos independentes". Se os participantes fomecem dois ou mais es-
cores referentes a urna medida. digamos antes e depois de urna trata-se
de urn delineamento de medidas repetidas. Nesse exemplo. os escores obtidos pelos
participantes antes e depois da sao combinados para os propositos do
teste. Estudos que envolvem amostras combinadas sao possiveis. embora sejam re-
lativamente menos comuns.
Infelizmente. os textos estatisticos ainda precisam obter urn consenso sobre a
terrninologia a ser usada para lidar com essa dicotomia. Isso ocorre parcialmente
porque os autores querem fomecer mores de decisao que sejam apropriadas para
todas as possiveis de testes. e. portanto. eles precisam usar termos abs-
tratos. Aqui. visto que este capitulo discutiu apenas os dois tipos mais comuns de
testes bivariados (testes de e testes de podemos ter
de adotar uma terrninologia mais simples.
A Figura 19.4 deve ser usada quando 0 pesquisador desejar encontrar
entre gropos ou entre A Figura 19.5 deve ser usada quando
ele esta exarninando a entre duas variaveis.
Suponhamos que ha dois gropos de pessoas. aquelas que tern GCSE em mate-
matica e aquelas que nao tern. e 0 pesquisador quis ver se seus escores em urn teste
de estatistica foram diferentes. Temos aqui urn delineamento de pesquisa quasi-ex-
dePesquisaemPsicologia 403
Testes
nao param6tricos
Testes alternativos
param6trlcos passlvels
Testedamediana
outestex,2 ou
seosdados
Grupos pocfemser
Independentes
classificados
oudeteste-t Iou
compoucas
equiparac;Des.
Mann-Whitney
Teste-U
Testedo sinal
Medidas 00, seos da-
repetidas _
Teste-tcom
dospodemser
escores
ou
ouamostras classificados
equiparados
equiparadas compoucas
Quantos eqUiparaC;Des.
gruposou TestedeWilcoxon
condic;oesl
tratamento?
Analisede
varifmcia Teste-H
Grupos _I degrupos I ou deKruskal-
independentes independentes
Wallis
/ deumlator
Testex,2
Analisede deFriedman.
Medidas
variancia Seavaria-vel
repetidasou_
demedidas dependentee ou
amostras
repetidas categorial.
equiparadas
deumlator teste-Q
deCochran
Figura 19.4 /worededecisaosimplificada paratestes de entregruposou condil;oesl
tratamento.
perimental. Vamos supor que os escores estao emuma escala racional (quantidade
de itens corretos) e que. nos dados da amostra. os escores parecem estar normal-
mente distribuidos em ambos os grupos (isto e. suas parecem como
aquela da Figura 19.1). Isso requer urn teste de de modo que 0 pesquisa-
dor pode examinar a Figura 19.4.
A primeira questao que surge para 0 pesquisador ea de saber quantos grupos
ou ele tern. Se ele tern dois grupos. entiio ele passa para a
proxima questiio da more. sobre qual tipo de projeto ele tern. Aqui. seus dois grupos
sao independentes urn do Dutro (ele nao pode tanto ter quanto nilo ter GCSE em ma-
tematica). de modo que ele continua e passa aproxima questiio novamente. Isso 0
leva aos grupos independentes do teste-t, que e urn teste parametrico. Como ele tern
dados de nivel de intervalo distribuidos normalrnente. ele pode usar 0 teste-to Se niio
404 Glynis M. Breakwell. Sean Hammond. Chris Fife-Schaw &Jonathan A. Smith
Chave:"testesparamlltricos
"" testesnaoparamlltricos
dePearson /"
Linear
./
Qual relac;:ao
II revelada
nodiagrama
dedispersao?
Nao
monotonica
-.
ANOVA"
Ambasas
Sim
variaveissao
escalasde
razaoou
intervalo
normalmente
distribuldas?
Nao
t
'-..,.,,1 Ambasas
variaveissao
Nenhuma
ordinaisou
misturam
I
ordinal e
Quantas I
desuas
variaveissao
dicotomicas?
I razao/intervalo?I
Duas
Somente
Aoutravariavel
uma '" estaemuma
escalade
razao/
intervalo?
Monotonica
I
Correlac;:ao"
produto-
-momento
~
/1Taul deKendall
Sim (t)""
Nao
"'- TesteX'de
.........
independencia
I
(associac;:ao)
Phi (<1 para
tabelas'2><2
Nao
Correlac;:ao"
depontobisserial
I(seoscasossao
S

1m .
"'- aproxlmadamente
.......... 50/50. isso
indicavariavel
dicotOmica)
Figura19.5 Iwore dedecisaosimplificadaparatestesdeassocia.;iioou derela.;iioentreduasva-
riaveis.
estiveraptoasatisfazeressaspressuposil;:oesparametricas,elepodeusarurnteste-U
deMann-Whitney,contantoquenaohajaurnexcessodepessoascom0 mesmoes-
corenoteste.
Agorasuponhamosque0 pesquisadormediuas atitudesemrelac;:ao a musica
heavy-metal morbidaemurnaescaladesetepontos,de"fortementeafavor"a"odeio",
eelepediuaspessoasqueIhedissessemquantasvezeselastinhamestadoemuma
igrejanoUltimomesoElequersaberse0 fatodeiraigrejaestaassociadoaaversaoa
musicaheavy-metal. UsandoaFigura19.5,0 pesquisadorperguntouprimeiramente
quantasvarhiveissaodicotomicas(hasomenteduascategorias).
~ l o o s de Pesquisa em Psicologia 405
Nenhumadesuasmedidasedicotomica.demodoqueelepassaparaaqueslAo
queperguntaseasduasvariaveisestaonasescalasde razaooudeintervalo.Sua
medidadafrequenciaa igreja- mas,estritamentefalando, suamedidadaatitude
- e umamedidaordinal,0 que0 faz passarparaa ramificac;:ao "nao" maisabaixo.
Aproximaquestaoperguntaseasduasvariaveissaoordinaisouse0 pesquisador
ternumamisturadeordinaleintervalo/razao.Aqui,arespostae'sim",0 que0 leva
acaixaquecontern0 tau deKendall, urncoeficientedecorrelac;:aonaoparametrico.
Ambasasarvoresdedecisaoforam muitosimplificadasemnomedaclarezae
haumaseriedetestesquetambempoderiamtersidoincluidos.No entanto,para
ostestesbivariadosmoos basicos.tantodediferenc;:asquantodeassociac;:oes,essas
arvoresdedecisaolevarao0 pesquisadoraumaanaliseapropriada
19.10 CONCLUsAo
oobjetivodestecapitulofoi descrevera logicasubjacentea testagemde hipo-
tesecomtestesestatisticosbivariadossimpleseforneceralgumaslinhasdeorien-
tac;:ao sobrecomoselecionarostestesapropriados.Noespac;:odeurncapitulonaoe
possiveldescrevertestesindividuais,masesperoque0 leitortenhaadquiridouma
compreensao melhordoqueelespodemfazeremtermosdepesquisa. De modo
a manterasquestoessimples,abordeiduasdasclassesmaisconhecidasdetestes
bivariados:osquetestamhipotesessobrediferenc;:asentreamostraseosquetestam
associac;:oes intervariaveis.Existemoutrostiposdetestesbivariados,taiscomoos
testesdetendenciasouostestesdediferenc;:asemdispersao,porexemplo.Existem
aplicac;:oes menDscomunsdentrodapsicologia.masa maiorpartedostextos-pa-
draoabordaessesassuntos.Esempreimportantelembrarqueostestesestatfsticos
saourninstrurnentodepesquisa,enaourntimemsimesmo.Naosetratadeurnins-
trumentoincontestavele,comofoi explicadonoCapitulo1,eledeveserentendido
peloqueeleeseapesquisapsicologicaquiserprogredirprodutivamente.
19.11 LEITURAS RECOMENDAOAS
otextodeMiniume colaboradores(1993)emuitobornemsuaexposic;:iio das
razoesqueestaoportrasdevanosprocedimentosestatfsticos,sendoclaroeacessi-
vel. 0 textodeKirk(1996)ofereceurnauti!discussiiodecomoostestesestatfsticos
devemserusadosesobrecomo,seabusados,elespodemsetomarurnobstaculoaos
avanc;:osdapsicologia.0 textodeKraemereThiemann(1987),sobrecomocaIcuiar
opoderestatisticoe,pormeiodele.estirnaraquantidadedeparticipantesquesera
necessanaparaurnestudo,eurntextofacildeler.Doslivrosdisponlveissobreesse
assunto,esseedelonge0 moosfacildeusar.
oG*POWEReurnprogramadecaIcuiodepoderestatisticodisponlveldeforma
gratuitanainternetnoseguinteenderec;:o: http://www.psycho.uni-duesseldorf.de/
aap/projects/gpower(Porfavor,citeosautoresdoG*POWERcasovoce0 utilize).