Café da Semana☕
Desmistificando o valor P e outras recomendações do universo R e da estatística
Esta é a terceira edição do Café com R
Seja bem-vinda(o)!
Aqui é uma pausa para falar de dados.
Toda semana vamos nos encontrar por aqui para conversar sobre ciência de dados, estatística e muito mais de um jeito leve e prático.
Toda semana, uma dose de código, reflexão e boas ideias com R, um café de aprendizagem por vez.
Da semente à xícara
Antes de iniciar, você já passou por isso? Reflita durante a leitura!
A importância do questionamento
O valor p é um dos conceitos mais usados e, ao mesmo tempo, mais mal compreendidos na estatística inferencial. A comunidade estatística vem alertando há anos que interpretações inadequadas desse número têm levado a conclusões distorcidas em múltiplos campos (Wasserstein, Schirm; Lazar, 2019; Amrhein, Greenland; McShane, 2019). Entender o que o valor p mede e o que ele não mede é fundamental para qualquer análise confiável.
Sobre a ASA: American Statistical Association ou Associação Americana de Estatística.
É a maior e mais antiga organização profissional de estatísticos do mundo, fundada em 1839. A ASA reúne pesquisadoras(es), cientistas de dados, estatísticos aplicados, acadêmicos e profissionais de diversas áreas que usam ou desenvolvem métodos estatísticos.
O que o valor p realmente significa
O valor p é a probabilidade de observar um resultado tão extremo quanto o obtido, assumindo que a hipótese nula é verdadeira.
Ele descreve o grau de compatibilidade entre os dados e um modelo teórico específico, conceito reforçado pela própria ASA em seus posicionamentos oficiais (Wasserstein;Lazar, 2016).
Ele não diz:
a probabilidade de a hipótese nula ser verdadeira
a probabilidade de a hipótese alternativa ser verdadeira
a magnitude do efeito
a importância prática de uma diferença
a força causal de um fenômeno
O valor p responde apenas a uma pergunta: quão surpreendentes são os dados sob a hipótese nula?
A distinção é
o valor p calcula P(Dados | H0)
mas muitos interpretam como P(H0 | Dados), o que é incorreto
A distinção entre essas duas probabilidades é fundamental e, ao mesmo tempo, a origem de grande parte das interpretações equivocadas sobre o valor p.
Quando calculamos um valor p, estamos medindo P(Dados | H0), ou seja, a probabilidade de observarmos resultados tão extremos quanto os obtidos assumindo que a hipótese nula é verdadeira.
Isso não tem relação direta com P(H0 | Dados), que seria a probabilidade de a hipótese nula ser verdadeira dado o que observamos.
A confusão entre o valor p e a probabilidade da hipótese nula é chamada de falácia da probabilidade inversa (Greenland et al., 2016).
Os mitos mais comuns e por que eles precisam ser abandonados
| Mito | Realidade |
|---|---|
| O valor p diz a probabilidade de H0 ser verdadeira | O p-valor é condicionado à hipótese nula. Ele não estima a probabilidade da hipótese. |
| p < 0.05 indica efeito grande | Significância estatística não tem relação direta com magnitude. |
| p < 0.05 confirma a hipótese alternativa | Apenas indica baixa compatibilidade entre os dados e H0. Não “prova” H1. |
| p > 0.05 significa ausência de efeito | Um p alto indica falta de evidência para rejeitar H0, não que H0 é verdadeira. |
| O p-valor é igual ao erro tipo I | O erro tipo I é um parâmetro pré-definido. O p-valor é uma estatística pós-experimento. |
| O p-valor sozinho encerra a análise | Inferência confiável exige considerar tamanho de efeito, intervalos de confiança e plausibilidade teórica. |
O impacto do tamanho da amostra
O valor p é altamente sensível ao tamanho da amostra:
amostras grandes tendem a produzir valores p pequenos mesmo quando a diferença é mínima
amostras pequenas podem gerar valores p altos mesmo quando há diferença real
Isso significa que a interpretação do valor p nunca deve ser dissociada do desenho amostral.
Tamanho de efeito e intervalos de confiança
O valor p não informa magnitude, precisão ou importância prática. Por isso, ele sempre deve ser acompanhado por:
- Tamanho de efeito
- Quantifica a magnitude da diferença ou da associação. É a medida que realmente comunica quanto um fenômeno é relevante.
- Intervalos de confiança
- Mostram a faixa de valores plausíveis para o efeito. Um intervalo estreito indica maior precisão. Um intervalo amplo indica incerteza elevada.
- Poder estatístico
- Ajuda a entender a capacidade do estudo de detectar diferenças reais. Baixo poder aumenta o risco de resultados inconclusivos.
Por que a dicotomia significativo / não significativo é inadequada
A própria ASA (Wasserstein;Lazar, 2016) e vários autores influentes (Amrhein, Greenland;McShane, 2019) recomendam abandonar a interpretação rígida baseada em p < 0.05. Entre os motivos:
decisões baseadas em um único número ignoram magnitude, precisão e contexto
valores muito próximos do limiar podem ser praticamente indistinguíveis
incentiva a falsa impressão de preto-e-branco em um processo que é, por natureza, contínuo
A orientação combinada para uma melhor avaliação:
valor p exato
tamanho de efeito
intervalo de confiança
teoria e plausibilidade
poder e desenho amostral
Considerações finais
O valor p continua sendo essencial dentro da estatística inferencial, mas seu papel precisa ser entendido com maturidade.
Ele não decide experimentos, não define relevância e não substitui o julgamento técnico embasado.
A interpretação recomendada nos últimos anos exige combinar múltiplas peças de informação, olhar para a magnitude dos efeitos, considerar a precisão das estimativas e avaliar a plausibilidade teórica do fenômeno estudado.
Abandonar o uso ritualístico de p < 0.05 é um passo importante para fortalecer a qualidade das análises e aproximar nossas conclusões daquilo que realmente importa, compreender os dados com profundidade e tomar decisões sustentadas por evidência, não por um número isolado.
Referências com links
| N° | Referência | Link | Descrição |
|---|---|---|---|
| 1 | Wasserstein, Schirm ;Lazar (2019). Moving to a World Beyond “p < 0.05”. The American Statistician. | https://doi.org/10.1080/00031305.2019.1583913 | Artigo mais influente da última década sobre p-valor. Marco da ASA pedindo o abandono do uso dicotômico de significância. |
| 2 | Amrhein, Greenland ;McShane (2019). Scientists rise up against statistical significance. Nature. | https://doi.org/10.1038/d41586-019-00857-9 | Publicação de fortíssimo impacto. Nature explicitamente crítica à significância arbitrária. Mudou práticas editoriais. |
| 3 | Greenland et al. (2016). Statistical tests, P values, confidence intervals, and power: guide to misinterpretations. The American Statistician. | https://doi.org/10.1080/00031305.2016.1154108 | |
| 4 | Wasserstein ;Lazar (2016). The ASA’s Statement on p-Values. The American Statistician. | https://doi.org/10.1080/00031305.2016.1154108 | Primeira declaração formal da ASA. Documento histórico que redefiniu o debate global. |
| 5 | Cumming (2014). The New Statistics: estimation, open science, beyond. Psychological Science. | https://doi.org/10.1177/0956797613504966 | Introduz a perspectiva da “Nova Estatística”: foco em tamanho de efeito, IC e meta-analítica. Influenciou áreas experimentais. |
| 6 | Nakagawa ;Cuthill (2007). Effect size, confidence interval and power in biological research. Biological Reviews. | https://doi.org/10.1111/j.1469-185X.2007.00027.x | Texto clássico sobre tamanho de efeito e poder. Muito citado em biológicas, psicometria e estatística aplicada. |
| 7 | Hurlbert ;Lombardi (2009). Final collapse… rise of the neoFisherian. Annales Zoologici Fennici. | https://doi.org/10.5735/086.046.0501 | Crítica filosófica profunda de Neyman–Pearson. Influente em discussões epistemológicas. |
| 8 | Perezgonzalez (2015). Fisher, Neyman-Pearson or NHST? Tutorial. Frontiers in Psychology. | https://www.frontiersin.org/articles/10.3389/fpsyg.2015.00223/full | Excelente tutorial comparando abordagens históricas. Didático, ótimo para formação conceitual sólida. |
Dose da semana
Nesta Dose da Semana, selecionei pacotes essenciais para quem trabalha com testes de hipóteses, inferência estatística e modelagem moderna em R. São pacotes que facilitam desde análises clássicas até ajustes mais complexos, permitindo extrair valores p, estimar tamanhos de efeito, avaliar pressupostos e interpretar modelos com mais segurança. É aquela curadoria prática e objetiva para você fortalecer seu fluxo de análise sem complicação.
Espero que vocês gostem!
| Nº | Pacote | Para que serve | Link |
|---|---|---|---|
| 1 | stats (base R) | Testes clássicos, t-test, ANOVA, chi-square, correlações e regressão linear. | https://stat.ethz.ch/R-manual/R-devel/library/stats/html/00Index.html |
| 2 | car | ANOVA avançada, testes tipo II/III, contrastes e diagnósticos. | https://cran.r-project.org/package=car |
| 3 | lmtest | Testes para modelos lineares, heterocedasticidade, autocorrelação e especificação. | https://cran.r-project.org/package=lmtest |
| 4 | multcomp | Comparações múltiplas, contrastes, Tukey, Dunnett, etc. | https://cran.r-project.org/package=multcomp |
| 5 | emmeans | Médias marginais estimadas, contrastes e comparações múltiplas modernas. | https://cran.r-project.org/package=emmeans |
| 6 | parameters | Extrai estatísticas, valores p, intervalos de confiança, tamanhos de efeito e medidas de modelo. | https://cran.r-project.org/package=parameters |
| 7 | performance | Diagnóstico de modelos, qualidade de ajuste, checagem de pressupostos e métricas globais. | https://cran.r-project.org/package=performance |
| 8 | lme4 | Modelagem estatística moderna, modelos lineares mistos por máxima verossimilhança/REML. | https://cran.r-project.org/package=lme4 |
Para Acompanhar o Café
Separei três livros que traduzem exatamente o tipo de estatística que eu acredito e que sempre trago aqui na Café com R, acessível. São materiais que ajudam a enxergar a inferência por outros ângulos, indo além do p-valor e mostrando como pensar em evidência, variabilidade, modelos e tomada de decisão com mais segurança. Cada um deles conversa diretamente com o assunto desta edição e complementa o que discutimos sobre significância, tamanho de efeito e leitura crítica de resultados. Deixo aqui como sugestão para você explorar no seu ritmo, com aquela curiosidade que sempre move a nossa comunidade.
Lembrem-se temos a lista de artigos já citados para complementar.
1. Statistical Inference via Data Science: A ModernDive into R and the Tidyverse
2. Modern Statistics with R: From wrangling and exploring data to inference and predictive modelling
3. An Introduction to Statistical Learning
Considerações finais
E assim fechamos mais uma xícara bem servida do Café com R. Meu objetivo com esta edição foi justamente trazer mais clareza para um tema que costuma gerar insegurança e interpretações apressadas. Se o texto de hoje ajudou você a enxergar o valor p com mais calma, intenção e profundidade, missão cumprida. Continue explorando, questionando e fortalecendo seu repertório estatístico é esse movimento contínuo que transforma nossa prática. Obrigada por estar aqui mais uma vez, por caminhar comigo e por fazer parte dessa comunidade que cresce aprendendo junto. Nos vemos na próxima edição.
☕ Assine o Café com R
Que cada gole desperte uma nova ideia.
Que cada script abra uma nova conversa.
Que o Café com R, se torne um ponto de encontro nosso!