estatística

Este texto recupera o significado preciso do valor de p e examina os dois erros simétricos que dele derivam na pesquisa em saúde: concluir que existe efeito relevante porque o resultado foi estatisticamente significativo, e concluir que não existe efeito porque não foi. Apresenta o intervalo de confiança como chave de leitura de resultados não significativos, discute a diferença mínima clinicamente importante como critério de relevância, e expõe o debate metodológico aberto desde 2016 sobre o uso de limiares de significância, encerrando com recomendações práticas de relato de resultados.

Este texto examina a inclusão de alternativas de não resposta, não sei, não se aplica e prefiro não responder, em escalas Likert utilizadas em pesquisas na área da saúde e em ciências humanas. Discute o fundamento dessa prática nas Resoluções CNS 466/2012 e 510/2016, distingue os quatro significados normalmente confundidos entre si, propõe critérios de apresentação visual no instrumento, indica quando a inclusão dessas alternativas é especialmente recomendável e detalha as consequências metodológicas do tratamento e da codificação dos dados ausentes, incluindo o cuidado necessário ao adaptar escalas psicométricas já validadas.

A interpretação de resultados científicos foi historicamente dominada pelo uso de testes de hipótese e p valores, frequentemente reduzindo conclusões a decisões binárias. Este capítulo apresenta a crítica clássica de Gardner e Altman e propõe uma mudança de paradigma baseada na estatística de estimação. Intervalos de confiança permitem quantificar o tamanho do efeito, avaliar sua precisão e integrar a interpretação clínica de forma mais robusta. São discutidas limitações do p valor, vantagens dos intervalos de confiança, exemplos clínicos e implicações para ensino e leitura crítica. O objetivo é promover uma abordagem mais informativa, transparente e cientificamente coerente.

Este texto compara o Kappa de Cohen e o Gwet AC1 como medidas de concordância entre avaliadores em pesquisa clínica. Expõe o paradoxo do Kappa, que produz valores artificialmente baixos quando há alta prevalência de uma categoria, ainda que a concordância observada seja elevada, e apresenta o AC1 como alternativa que redefine o cálculo da concordância esperada pelo acaso e gera estimativas mais estáveis. Desenvolve um exemplo clínico com cinquenta fotografias de feridas classificadas por dois médicos, calcula as duas estatísticas passo a passo e mostra como os mesmos dados admitem interpretações distintas.

Este texto expõe, em linguagem acessível, a lógica elementar do teste de hipótese. Sustenta que todo resultado observado em um estudo decorre de duas origens possíveis, o motivo, que é a causa real investigada, e o acaso, que corresponde à variação aleatória, e que ambos somados explicam a totalidade do achado. Como o motivo depende de múltiplas variáveis metodológicas e não pode ser quantificado diretamente, recorre-se ao cálculo da probabilidade do acaso por meio de testes estatísticos. Quando essa probabilidade é suficientemente baixa, atribui-se a diferença ao motivo, procedimento que embasa a validação das descobertas.

Este texto defende o uso de simulações visuais no ensino da bioestatística a estudantes de medicina, cuja intuição costuma falhar diante de probabilidade, risco e regressão à média. Descreve três recursos e o que cada um torna visível, o lançamento de moedas, que representa a distribuição binomial e os desfechos binários da prática clínica, o lançamento de dados, que demonstra a lei dos grandes números e a necessidade de amostras robustas, e a máquina de Galton, que explica a curva de Gauss e a noção de normalidade fisiológica. Conclui que essas experiências habilitam a leitura crítica da evidência.