Capítulo 8 Falácias estatísticas
8.1 Falácias estatísticas
8.1.1 O que são falácias estatísticas?
Falácias estatísticas são erros de raciocínio e interpretação que podem ocorrer durante a análise e comunicação de dados estatísticos.73
Essas falácias podem surgir tanto por descuido quanto por escolhas inadequadas de análise, levando a conclusões incorretas.73
Como muitas vezes produzem resultados aparentemente plausíveis, as falácias estatísticas podem ser difíceis de identificar e podem influenciar decisões importantes quando passam despercebidas.73
Nem toda falácia estatística surge de má-fé. Muitas delas acontecem por desconhecimento, interpretação inadequada dos dados ou limitações metodológicas do estudo.73
Estatísticas são ferramentas extremamente úteis para compreender o mundo, mas podem ser mal interpretadas ou utilizadas de forma inadequada.73
8.1.2 O que é a falácia do jogador?
A falácia do jogador é a crença de que eventos independentes têm uma influência sobre eventos futuros.88
Por exemplo, se uma moeda é lançada várias vezes e cai cara em todas as vezes, a falácia do jogador sugere que a próxima jogada será coroa, pois a moeda “deve” se equilibrar.88
No entanto, cada lançamento da moeda é independente e não afeta o resultado do próximo lançamento.88
8.1.3 O que é a falácia da mão quente?
A falácia da mão quente é a crença de que um jogador que teve sucesso em um jogo de azar terá mais chances de sucesso no futuro.88
Por exemplo, se uma moeda é lançada várias vezes e cai cara em todas as vezes, a falácia da mão quente sugere que a próxima jogada será cara, pois o jogador está “quente”.88
No entanto, cada lançamento da moeda é independente e não afeta o resultado do próximo lançamento.88
8.1.4 O que é a falácia correlação \(neq\) causalidade?
Uma das falácias estatísticas mais comuns é assumir que duas variáveis estão relacionadas por causa e efeito apenas porque aparecem associadas nos dados.73
Por exemplo, imagine que uma cidade apresente simultaneamente aumento no consumo de sorvetes e aumento nos casos de afogamento. Isso não significa que sorvetes causam afogamentos. Ambos podem ser consequência de uma terceira variável: dias mais quentes.73
A existência de uma correlação não prova causalidade.73
Para estabelecer uma relação de causa e efeito, são necessários estudos adequados e evidências adicionais.73
8.1.5 O que é a falácia dos dados agregados?
Às vezes, resumimos os dados de grupos diferentes em uma única média ou porcentagem. Esse resumo pode esconder diferenças importantes entre os grupos analisados.73
Imagine dois hospitais com a mesma taxa geral de mortalidade para pacientes com câncer. À primeira vista, eles parecem igualmente eficientes. Entretanto, um dos hospitais pode receber principalmente pacientes em estágios muito avançados da doença.73
Nesse caso, obter a mesma taxa de mortalidade pode representar um desempenho muito melhor do que o do outro hospital. Quando analisamos apenas os valores agregados, podemos chegar a conclusões equivocadas.73
8.1.6 O que é a falácia da comparação injusta?
Algumas análises avaliam apenas a mudança observada após uma intervenção sem considerar o ponto de partida dos participantes.73
Suponha que dois pacientes aumentem sua hemoglobina em 3 g/dL após um tratamento. Se um deles começou com 8 g/dL e o outro com 11 g/dL, o mesmo aumento pode ter significados clínicos bastante diferentes.73
Ignorar as condições iniciais pode levar a interpretações equivocadas sobre a eficácia de um tratamento ou programa.73
8.1.7 O que é a falácia do cherry-picking?
Cherry-picking é a prática de selecionar apenas os resultados que favorecem uma determinada conclusão, ignorando os demais resultados disponíveis.73
Por exemplo, um pesquisador pode analisar vários indicadores diferentes e divulgar apenas aquele que mostrou o resultado desejado. Essa prática pode criar uma impressão enganosa sobre os dados e comprometer a confiabilidade das conclusões.73
Por isso, recomenda-se que os indicadores de interesse sejam definidos antes da análise dos dados.73
8.1.8 O que é a falácia da significância estatística?
Um resultado pode ser estatisticamente significativo sem ser relevante na prática.73
Em estudos com milhares de participantes, diferenças muito pequenas podem gerar valores de p extremamente baixos. Por exemplo, uma melhora de apenas 1% pode ser estatisticamente significativa em uma amostra muito grande, mas não representar um benefício real para pacientes ou usuários.73
Por isso, é importante avaliar não apenas se existe diferença estatística, mas também se essa diferença possui importância clínica, econômica ou social.73
Idealmente, um resultado científico deve apresentar significância estatística e relevância prática.73
8.1.9 O que é a falácia dos múltiplos testes?
Quanto mais testes estatísticos são realizados, maior é a probabilidade de encontrar um resultado aparentemente significativo apenas por acaso.73
Imagine lançar uma moeda algumas vezes. Resultados inesperados podem ocorrer por sorte. O mesmo acontece quando dezenas ou centenas de testes estatísticos são executados simultaneamente.73
Se não forem feitas correções apropriadas, alguns resultados podem parecer importantes quando, na realidade, são apenas fruto da variabilidade aleatória dos dados.73
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,