e-Book | Consultoria
Capa
Dedicatória
Agradecimentos
Apresentação
Sobre o autor
PARTE 1: PENSAMENTO CIENTÍFICO
1
Pensamento probabilístico
1.1
Experimento
1.1.1
O que é um experimento?
1.1.2
O que é um experimento aleatório?
1.2
Espaço amostral e eventos discretos
1.2.1
O que é espaço amostral discreto?
1.2.2
O que é evento discreto?
1.2.3
O que é espaço de eventos discretos?
1.3
Espaço amostral e eventos contínuos
1.3.1
O que é espaço amostral contínuo?
1.3.2
O que é evento contínuo?
1.3.3
O que é espaço de eventos contínuo?
1.4
Probabilidade
1.4.1
O que é probabilidade?
1.4.2
Quais são os axiomas da probabilidade?
1.5
Independência e probabilidade
1.5.1
O que é independência em estatística?
1.5.2
O que é probabilidade marginal?
1.5.3
O que é probabilidade conjunta?
1.5.4
O que é probabilidade condicional?
1.6
Leis dos números anômalos
1.6.1
O que é a lei dos números anômalos?
1.7
Leis dos pequenos números
1.7.1
O que é a lei dos pequenos números?
1.7.2
Quais são as versões da lei dos pequenos números?
1.8
Leis dos grandes números
1.8.1
O que é a lei dos grandes números?
1.8.2
Quais são as versões da lei dos grandes números?
1.9
Teorema central do limite
1.9.1
O que é teorema central do limite?
1.9.2
Quais as condições de validade do teorema central do limite?
1.9.3
Qual a relação entre a lei dos grandes números e o teorema central do limite?
1.9.4
Qual a relevância do teorema central do limite para a análise estatística?
1.10
Regressão para a média
1.10.1
O que é regressão para a média?
1.10.2
Qual a causa da regressão para a média?
1.10.3
Por que detectar o fenômeno de regressão para a média?
1.10.4
Como detectar o fenômeno de regressão para a média?
1.10.5
Como o fenômeno de regressão para a média pode ser evitado?
2
Pensamento estatístico
2.1
Unidade de análise
2.1.1
O que é unidade de análise?
2.1.2
Por que identificar a unidade de análise de um estudo?
2.1.3
Que medidas podem ser obtidas da unidade de análise de um estudo?
2.2
População
2.2.1
O que é população?
2.2.2
O que é representatividade e por que ela importa?
2.3
Amostra
2.3.1
O que é amostra?
2.3.2
Por que usar dados de amostras?
2.4
Amostragem
2.4.1
O que é amostragem?
2.4.2
Quais métodos de amostragem são usados para obter uma amostra da população?
2.4.3
O que é erro de amostragem?
2.5
Reamostragem
2.5.1
O que é reamostragem?
2.5.2
Por que utilizar reamostragem?
2.5.3
Quais procedimentos de reamostragem podem ser realizados?
2.6
Subamostragem
2.6.1
O que é subamostragem?
2.7
Superamostragem
2.7.1
O que é superamostragem?
3
Pensamento metodológico
3.1
Metodologia da pesquisa
3.1.1
O que é metodologia da pesquisa?
3.2
Relação Estatística-Metodologia
3.2.1
Qual a relação entre estatística e metodologia da pesquisa?
3.3
Pesquisa quantitativa vs. qualitativa
3.3.1
O que significa a distinção entre pesquisa qualitativa e quantitativa?
3.3.2
Por que essa dicotomia pode ser problemática?
3.3.3
Qual é uma alternativa para pensar o debate?
3.4
Pesquisa de métodos mistos
3.4.1
O que é pesquisa de métodos mistos?
3.4.2
Quais são as principais dimensões do desenho de métodos mistos?
3.4.3
Quais são os delineamentos centrais em pesquisa de métodos mistos?
3.5
Pesquisa exploratória vs. confirmatória
3.5.1
O que são pesquisas exploratórias e confirmatórias?
3.5.2
Por que a dicotomia é limitada?
3.5.3
Quais são as boas práticas de transparência?
3.6
Pesquisa translacional
3.6.1
O que é pesquisa translacional?
3.7
Pré-registro
3.7.1
O que é pré-registro?
3.8
Reprodutibilidade
3.8.1
O que é reprodutibilidade?
3.8.2
Por que reprodutibilidade é importante?
3.8.3
Como contribuir para a reprodutibilidade?
3.9
Robustez
3.9.1
O que é robustez?
3.10
Replicabilidade
3.10.1
O que é replicabilidade?
3.11
Generalização
3.11.1
O que é generalização?
4
Pensamento computacional
4.1
R
4.1.1
O que é R?
4.1.2
Por que usar R?
4.1.3
O que é R Markdown?
4.1.4
Que programas de computador podem ser usados para análise estatística com R?
4.2
RStudio
4.2.1
O que é RStudio?
4.3
Scripts
4.3.1
O que são R scripts?
4.3.2
Quais são as boas práticas na redação de scripts?
4.4
Pacotes
4.4.1
O que são pacotes?
4.5
Aplicativos
4.5.1
O que são Shiny Apps?
4.6
Manuscritos reproduzíveis
4.6.1
O que são manuscritos reproduzíveis?
4.6.2
Por que usar manuscritos reproduzíveis?
4.6.3
Como manuscritos reprodutíveis contribuem para a ciência?
4.7
Compartilhamento
4.7.1
Por que compartilhar scripts?
4.7.2
O que pode ser compartilhado?
4.7.3
Como preparar dados para compartilhamento?
4.7.4
Como preparar scripts para compartilhamento?
4.7.5
O que incluir no arquivo README?
5
Letramento estatístico
5.1
Introdução ao letramento estatístico
5.1.1
O que é letramento estatístico?
5.1.2
Por que o letramento estatístico é importante?
5.1.3
Quais são exemplos de armadilhas comuns na interpretação de estatísticas?
5.2
Elementos centrais do letramento estatístico
5.2.1
Quais são os elementos de conhecimento que sustentam o letramento estatístico?
5.2.2
Quais são os cinco elementos de conhecimento que sustentam o letramento estatístico?
5.2.3
Quais são os dois elementos de disposição que facilitam a ação estatisticamente letrada?
5.2.4
Que tipo de perguntas críticas (
worry questions
) devemos fazer ao interpretar informação estatística?
5.3
Hierarquia de letramento estatístico
5.3.1
Quais são os níveis da hierarquia de letramento estatístico?
5.3.2
Quais são os componentes centrais do letramento estatístico com literacia de dados?
5.4
Habilidades de letramento estatístico baseadas no pensamento crítico
5.4.1
Quais são as habilidades de letramento estatístico?
PARTE 2: VIESES, FALÁCIAS E PRÁTICAS QUESTIONÁVEIS
6
Vieses metodológicos
6.1
Vieses metodológicos
6.1.1
O que são vieses metodológicos?
6.2
Tipos de vieses metodológicos
6.2.1
Quais são os tipos de vieses metodológicos?
6.3
Efeitos relacionados aos vieses metodológicos
6.3.1
Quais são os efeitos relacionados aos vieses metodológicos?
6.3.2
O que é efeito placebo?
6.3.3
O que é efeito nocebo?
6.3.4
O que é efeito Hawthorne?
6.3.5
O que é efeito Rosenthal?
6.4
Diretrizes para redação
6.4.1
Quais são as diretrizes para redação de análises de vieses metodológicos?
7
Falácias estatísticas
7.1
Falácias
7.1.1
O que são falácias estatísticas?
7.1.2
O que é a falácia do jogador?
7.1.3
O que é a falácia da mão quente?
8
Paradoxos estatísticos
8.1
Paradoxos
8.1.1
O que são paradoxos estatísticos?
8.1.2
O que é o paradoxo de Abelson?
8.1.3
O que é o paradoxo de Berkson?
8.1.4
O que é o paradoxo de
Big Data
?
8.1.5
O que é o paradoxo de Ellsberg?
8.1.6
O que é o paradoxo de Freedman?
8.1.7
O que é o paradoxo de Hand?
8.1.8
O que é o paradoxo de Kelley?
8.1.9
O que é o paradoxo de Lindley?
8.1.10
O que é o paradoxo de Lord?
8.1.11
O que é o paradoxo de Proebsting?
8.1.12
O que é o paradoxo de Simpson?
8.1.13
O que é o paradoxo de Stein?
8.1.14
O que é o paradoxo de Okie?
8.1.15
O que é o paradoxo da acurácia?
8.1.16
O que é o paradoxo do falso positivo?
8.1.17
O que é o paradoxo da caixa de Bertrand?
8.1.18
O que é o paradoxo do elevador?
8.1.19
O que é o paradoxo da amizade?
8.1.20
O que é o paradoxo do menino ou menina?
8.1.21
O que é o paradoxo do teste surpresa?
8.1.22
O que é o paradoxo do nó da gravata?
8.1.23
O que é o paradoxo da Bela Adormecida?
9
Práticas questionáveis em pesquisa
9.1
Práticas Questionáveis em Pesquisa
9.1.1
O que são práticas questionáveis em pesquisa?
9.1.2
Por que práticas questionáveis em pesquisa devem ser combatidas?
9.2
Prática não intencional e má conduta
9.2.1
Quais são as categorias de práticas questionáveis em pesquisa?
9.2.2
Quais práticas questionáveis podem ocorrer durante o planejamento do estudo?
9.2.3
Quais práticas questionáveis podem ocorrer durante a coleta de dados?
9.2.4
Quais práticas questionáveis podem ocorrer durante a análise dos dados?
9.2.5
Quais práticas questionáveis podem ocorrer durante a apresentação dos resultados?
9.2.6
Quais práticas questionáveis podem ocorrer durante a publicação e revisão por pares?
9.3
Prevenindo práticas questionáveis em pesquisa
9.3.1
Como prevenir práticas questionáveis?
9.4
Reações éticas e institucionais práticas questionáveis em pesquisa
PARTE 3: DO MUNDO REAL À TABELA
10
Variáveis e fatores
10.1
Variáveis
10.1.1
O que são variáveis?
10.1.2
Como são classificadas as variáveis?
10.1.3
Por que é importante classificar as variáveis?
10.2
Transformação de variáveis
10.2.1
O que é transformação de variáveis?
10.2.2
Por que transformar variáveis?
10.2.3
Quais transformações de variáveis podem ser aplicadas?
10.3
Centralização de variáveis (
centering
)
10.3.1
O que é centralização?
10.3.2
Por que centralizar?
10.4
Padronização de variáveis
10.4.1
O que é padronização?
10.4.2
Por que padronizar?
10.4.3
Quais são os métodos de padronização mais comuns?
10.4.4
Quais são as boas práticas de nomenclatura ao padronizar variáveis?
10.5
Categorização de variáveis contínuas
10.5.1
O que é categorização de uma variável?
10.5.2
Por que não é recomendado categorizar variáveis contínuas?
10.5.3
Quais são as alternativas à categorização de variáveis contínuas?
10.6
Dicotomização de variáveis contínuas
10.6.1
O que são variáveis dicotômicas?
10.6.2
Quais argumentos são usados para defender a categorização ou dicotomização de variáveis contínuas?
10.6.3
Por que não é recomendado dicotomizar variáveis contínuas?
10.6.4
Quais cenários legitimam a dicotomização das variáveis contínuas?
10.6.5
Quais métodos são usados para dicotomizar variáveis contínuas?
10.7
Fatores
10.7.1
O que são fatores?
10.7.2
O que são níveis de um fator?
11
Dados,
big data
e metadados
11.1
Dados
11.1.1
O que são dados?
11.1.2
Quais são as fontes de dados?
11.1.3
O que são dados primários e secundários?
11.1.4
O que são dados quantitativos e qualitativos?
11.2
Big data
11.2.1
O que são
big data
?
11.3
Metadados
11.3.1
O que são metadados?
11.3.2
Quais são as recomendações para os metadados de um banco de dados?
12
Medidas e instrumentos
12.1
Escalas
12.1.1
O que são escalas?
12.2
Medição e Medidas
12.2.1
O que é medição?
12.2.2
O que são medidas diretas?
12.2.3
O que são medidas derivadas?
12.2.4
O que são medidas por teoria?
12.2.5
O que são medidas únicas?
12.2.6
O que são medidas repetidas?
12.2.7
O que são medidas seriadas?
12.2.8
O que são medidas múltiplas?
12.3
Erro de medida
12.3.1
O que são erros de medida?
12.3.2
Quais fontes de variabilidade são comumente investigadas?
12.4
Instrumentos
12.4.1
O que são instrumentos?
12.5
Acurácia e precisão
12.5.1
O que é acurácia?
12.5.2
O que é precisão?
12.6
Viés e variabilidade
12.6.1
Qual é a relação entre viés e variabilidade?
13
Tabulação de dados
13.1
Planilhas eletrônicas
13.1.1
Qual a organização de uma tabela de dados?
13.1.2
Qual a estrutura básica de uma tabela para análise estatística?
13.1.3
O que usar para organizar tabelas para análise computadorizada?
13.1.4
O que não usar para organizar tabelas para análise computadorizada?
13.1.5
O que é recomendado e o que deve ser evitado na organização das tabelas para análise?
14
Dados perdidos e imputados
14.1
Dados perdidos
14.1.1
O que são dados perdidos?
14.1.2
Qual o problema de um estudo ter dados perdidos?
14.2
Mecanismos geradores de dados perdidos
14.2.1
Quais os mecanismos geradores de dados perdidos?
14.2.2
Como identificar o mecanismo gerador de dados perdidos em um banco de dados?
14.3
Estratégias para lidar com dados perdidos
14.3.1
Que estratégias podem ser utilizadas na coleta de dados quando há expectativa de perda amostral?
14.3.2
Que estratégias podem ser utilizadas na análise quando há dados perdidos?
14.3.3
Que estratégias podem ser utilizadas na redação de estudos em que há dados perdidos?
14.4
Dados imputados
14.4.1
O que são dados imputados?
14.4.2
Quando a imputação de dados é indicada?
14.4.3
Quais são os métodos de imputação de dados?
15
Dados anonimizados e sintéticos
15.1
Dados anonimizados
15.1.1
O que são dados anonimizados?
15.1.2
Com anonimizar os dados de um banco?
15.2
Dados sintéticos
15.2.1
O que são dados sintéticos?
PARTE 4: ANÁLISES DESCRITIVAS E EXPLORATÓRIAS
16
Distribuições e parâmetros
16.1
Distribuições de probabilidade
16.1.1
O que são distribuições de probabilidade?
16.1.2
Como representar distribuições de probabilidade?
16.1.3
Quais características definem uma distribuição?
16.1.4
Quais são as distribuições mais comuns?
16.1.5
Quais são as funções de uma distribuição?
16.1.6
O que é a distribuição normal?
16.1.7
Que métodos podem ser utilizados para identificar a normalidade da distribuição?
16.1.8
O que são distribuições não-normais?
16.2
Distribuições multivariadas
16.2.1
O que são distribuições multivariadas?
16.3
Parâmetros
16.3.1
O que são parâmetros?
16.3.2
O que é uma análise paramétrica?
16.3.3
O que é uma análise não paramétrica?
16.3.4
Devemos testar as suposições de normalidade?
16.3.5
Por que as análises paramétricas são preferidas?
16.3.6
Que parâmetros podem ser estimados?
16.4
Erro
16.4.1
Que parâmetros de erro podem ser estimados?
16.5
Tendência central
16.5.1
Que parâmetros de tendência central podem ser estimados?
16.5.2
Como escolher o parâmetro de tendência central?
16.6
Dispersão
16.6.1
Que parâmetros de dispersão podem ser estimados?
16.6.2
Como escolher o parâmetro de dispersão?
16.6.3
O que é a correção de Bessel para variância?
16.6.4
Por que a correção de Bessel para variância é importante?
16.7
Proporção
16.7.1
Que parâmetros de proporção podem ser estimados?
16.8
Extremos
16.8.1
O que são valores extremos?
16.8.2
Que parâmetros extremos podem ser estimados?
16.9
Distribuição
16.9.1
Que parâmetros de distribuição podem ser estimados?
16.10
Robustez em medidas de localização
16.10.1
O que é ponto de quebra (
breakdown value
)?
16.10.2
Por que a média não é robusta?
16.10.3
Qual a alternativa robusta para localização?
16.10.4
Como estimar escala de forma robusta?
16.11
Parâmetros robustos
16.11.1
O que são parâmetros robustos?
16.11.2
Que parâmetros robustos podem ser estimados?
16.11.3
Por que utilizar parâmetros robustos?
17
Análise inicial de dados
17.1
Análise inicial de dados
17.1.1
O que é análise inicial de dados?
17.1.2
Como conduzir uma análise inicial de dados?
17.1.3
Quais problemas podem ser detectados na análise inicial de dados?
18
Análise exploratória de dados
18.1
Análise exploratória de dados
18.1.1
O que é análise exploratória de dados?
18.1.2
Quais são os objetivos centrais da análise exploratória de dados?
18.1.3
Por que conduzir a análise exploratória de dados?
18.2
Ingredientes da análise exploratória de dados
18.2.1
Quais são os principais elementos que compõem a análise exploratória de dados?
18.2.2
Quais etapas constituem a análise exploratória de dados?
19
Análise descritiva
19.1
Análise descritiva
19.1.1
O que é análise descritiva?
19.1.2
Como apresentar os resultados descritivos?
19.2
Apresentação de resultados numéricos
19.2.1
O que são casas decimais?
19.2.2
O que são dígitos significativos?
19.2.3
Como arredondar dados numéricos?
19.3
Tabelas
19.3.1
Por que usar tabelas?
19.3.2
Que informações incluir nas tabelas?
19.3.3
Quais são os tipos de tabelas?
19.3.4
Quais são os erros mais comuns de preenchimento de tabelas?
19.4
Tabela 1
19.4.1
O que é a ‘Tabela 1’?
19.4.2
Qual a utilidade da ‘Tabela 1’?
19.4.3
O que é a falácia da ‘Tabela 1’?
19.4.4
Como construir a ‘Tabela 1’?
19.5
Tabela 2
19.5.1
Qual a utilidade da ‘Tabela 2’?
19.5.2
O que é a falácia da ‘Tabela 2’?
19.5.3
Como construir a ‘Tabela 2’?
19.6
Visualização efetiva de dados
19.6.1
Por que começar pela mensagem antes do gráfico?
19.6.2
Como escolher a geometria e “mostrar os dados”?
19.7
Gráficos
19.7.1
O que são gráficos?
19.7.2
O que torna um bom gráfico tão poderoso?
19.7.3
Que elementos incluir em gráficos?
19.7.4
Para que servem as barras de erro em gráficos?
19.7.5
Quais são os principais obstáculos para bons gráficos?
19.8
Tipos de gráficos
19.8.1
Quais são os tipos de gráficos para variáveis categóricas?
19.8.2
Quais são os tipos de gráficos para variáveis numéricas?
19.8.3
Quais são os tipos de gráficos para relações entre variáveis?
19.8.4
Quais são os tipos de gráficos para dados longitudinais?
19.8.5
Quais são os tipos de gráficos para séries temporais?
19.8.6
Quais são os tipos de gráficos para dados multivariados?
19.8.7
Quais são as boas práticas na elaboração de gráficos?
19.9
Gráficos dinâmicos
19.9.1
O que são visualizações dinâmicas?
19.9.2
Quando preferir interatividade?
19.9.3
Quando preferir animação?
20
Análise robusta
20.1
Raciocínio inferencial robusto
20.1.1
O que é análise robusta?
20.1.2
Por que usar análise robusta?
20.1.3
Quando usar análise robusta?
20.1.4
Por que métodos robustos são preferíveis?
20.2
Valores discrepantes
20.2.1
O que são valores discrepantes (
outliers
)?
20.2.2
Quais são os tipos de valores discrepantes?
20.2.3
Por que é importante avaliar valores discrepantes?
20.2.4
Como detectar valores discrepantes?
20.2.5
Quais são os métodos para detectar valores discrepantes?
20.2.6
Quais testes são apropriados para detectar valores discrepantes?
20.2.7
Como manejar os valores discrepantes?
20.2.8
Como conduzir análises com valores discrepantes?
20.2.9
Como lidar com
outliers
na análise exploratória de dados?
20.3
Valores influentes
20.3.1
O que são valores influentes?
20.3.2
O que é função de influência?
20.3.3
O que é ponto de quebra?
20.3.4
Como detectar valores influentes?
20.4
Métodos robustos de tratamento de
outliers
20.4.1
O que é Winsorização?
20.4.2
Quais são as alternativas à Winsorização?
21
Análise preditiva
21.1
Predição
21.1.1
O que são predições?
21.1.2
Como árvores de decisão são usadas para predição?
21.2
Interpretação e aplicação
21.2.1
Quais são as implicações do uso de árvores de decisão em predição?
21.3
Análise de curva de decisão
21.3.1
O que é a análise de curva de decisão?
21.3.2
O que significam os eixos da curva de decisão?
21.3.3
Como interpretar o benefício líquido?
21.3.4
Por que é importante comparar sempre com “tratar todos” e “tratar nenhum”?
21.3.5
Quais são os limites e usos da análise de curva de decisão?
21.3.6
A análise de curva de decisão pode ser conduzida sem dados individuais de pacientes?
21.3.7
Como funciona o cálculo do benefício líquido?
22
Análise causal
22.1
Causalidade
22.1.1
O que é análise causal?
22.1.2
Quais os dois grandes tipos de causalidade?
22.2
Abordagens filosóficas e estatísticas da causalidade
22.2.1
O que é realidade causal?
22.2.2
Por que estatísticos historicamente evitaram falar em causalidade?
22.3
Ilusões de causalidade
22.3.1
O que são ilusões de causalidade?
22.3.2
Quais fatores favorecem a ilusão?
22.3.3
Como reduzir ilusões de causalidade?
22.4
Inferência causal em estudos observacionais
22.4.1
Como diferenciar associação de causalidade?
22.4.2
Quais critérios ajudam a sustentar inferência causal?
22.4.3
Qual o papel dos caminhos causais (DAGs)?
22.4.4
Como lidar com confundimento residual?
22.5
Critérios de Hill para inferência causal
22.5.1
Quais são os nove critérios?
22.5.2
Hill propôs um checklist rígido?
22.6
Críticas contemporâneas aos critérios de Hill
22.6.1
Qual critério é indispensável?
22.6.2
A força da associação garante causalidade?
22.6.3
A consistência é indispensável?
22.6.4
O critério da especificidade é válido?
22.6.5
O gradiente biológico (dose–resposta) é confiável?
22.6.6
A plausibilidade e a coerência são objetivas?
22.6.7
Evidência experimental é decisiva?
22.6.8
Analogia é útil?
22.7
Visão atual sobre os critérios de Hill
22.7.1
Como os critérios de Hill foram revisitados?
22.7.2
Quais mudanças na interpretação?
22.8
Linguagem causal em estudos observacionais
22.8.1
Quais são as principais recomendações para relatar causalidade?
22.9
Efeitos diretos e indiretos
22.9.1
Como distinguir efeitos diretos de indiretos?
22.10
O papel do tempo e a causalidade dinâmica
22.10.1
O que é causalidade de Granger?
22.10.2
Por que o tempo é essencial na análise causal?
22.11
Diagrama acíclico direcionado (DAG)
22.11.1
O que são DAGs?
22.11.2
Quais são os padrões causais básicos?
23
Análise qualitativa
23.1
Análise qualitativa
23.1.1
O que é análise qualitativa?
23.2
Representação de texto
23.2.1
O que é tokenização?
23.2.2
Modelagem com N-gramas
23.2.3
O que são n-gramas?
PARTE 5: ANÁLISES INFERENCIAIS
24
Seleção de testes
24.1
Multiverso de análises estatísticas
24.1.1
Por que escolher o teste é um problema?
24.2
Escolha de testes para análise inferencial
24.2.1
Como selecionar os testes para a análise estatística inferencial?
25
Análise inferencial
25.1
Raciocínio inferencial
25.1.1
O que é análise inferencial?
25.1.2
Quais são os tipos de raciocínio inferencial?
25.1.3
Quais são as questões fundamentais da análise inferencial?
25.2
Hipóteses científicas
25.2.1
O que é hipótese científica?
25.2.2
Quais são as fontes de ideias para gerar hipóteses científicas?
25.3
Hipóteses estatísticas
25.3.1
O que é hipótese nula?
25.3.2
O que é hipótese alternativa?
25.3.3
Qual hipótese está sendo testada?
25.4
Testes de hipóteses
25.4.1
Quais são os tipos de teste de hipóteses?
25.4.2
O que reportar após um teste de hipótese?
25.5
Comparações múltiplas
25.5.1
O que é uma família de hipóteses?
25.5.2
O que são testes
ad hoc
e
post hoc
?
25.5.3
Como ajustar a análise inferencial para hipóteses múltiplas?
25.5.4
O que são testes unicaudais e bicaudais?
25.6
Inferência visual
25.6.1
O que é inferência visual?
25.6.2
Por que usar intervalos de confiança para inferência visual?
25.6.3
Como interpretar intervalos de confiança em uma figura?
25.7
Interpretação de análise inferencial
25.7.1
Como interpretar uma análise inferencial?
25.7.2
O que são resultados positivos” e “negativos” (inconclusivos) em teste de hipótese?
25.7.3
Qual a importância de resultados “negativos”?
25.7.4
Resultados inconclusivos: Ausência de evidência ou evidência de ausência?
25.8
Erros de inferência
25.8.1
O que são erros de inferência estatística?
25.8.2
O que são erros Tipo I e Tipo II?
25.8.3
O que são erros Tipo S e Tipo M?
26
Tamanho do efeito e P-valor
26.1
Tamanho do efeito
26.1.1
O que é o tamanho do efeito?
26.1.2
Quais são os tipos de tamanho do efeito?
26.1.3
Como converter um tamanho de efeito em outro?
26.1.4
Como interpretar um tamanho do efeito?
26.2
Efeitos brutos e padronizados
26.2.1
O que é efeito bruto?
26.2.2
O que é efeito padronizado?
26.3
Efeito principal
26.3.1
O que é efeito principal?
26.4
Efeito de interação
26.4.1
O que é efeito de interação?
26.5
Efeito de mediação
26.5.1
O que é um mediador de efeito?
26.5.2
O que é efeito de mediação?
26.5.3
O que é efeito direto?
26.5.4
O que é efeito indireto?
26.5.5
O que é efeito total?
26.6
Efeito de modificação
26.6.1
O que é um modificador de efeito?
26.6.2
O que é efeito de modificação?
26.7
P-valor
26.7.1
O que é significância estatística?
26.7.2
Como justificar o nível de significância estatística de um teste?
26.7.3
O que é o P-valor?
26.7.4
Como interpretar o P-valor?
26.7.5
O que o P-valor não é?
26.7.6
Qual a origem do ‘P<0,05’?
26.7.7
Quais são os complementos ou alternativas ao P-valor?
26.8
P-valor de 2ª geração
26.8.1
O que é o P-valor de 2ª geração?
26.8.2
Como definir a hipótese nula intervalar e
\(\delta\)
?
26.8.3
Como calcular o SGPV?
26.8.4
Como interpretar o SGPV?
26.8.5
Relação com testes de equivalência (TOST)
26.8.6
Propriedades frequenciais e múltiplas comparações
26.9
Boas práticas
27
Testes estatísticos
27.1
Variáveis categóricas
27.1.1
Testes de Qui-quadrado (
\(\chi^2\)
)
27.1.2
Teste exato de Fisher
27.1.3
Teste de McNemar
27.1.4
Teste
Q
de Cochran
27.1.5
Teste de Cochran–Armitage
27.1.6
Odds ratio (
\(OR\)
) e risco relativo (
\(RR\)
)
27.2
Variáveis contínuas
27.2.1
Teste
t
de Student
27.2.2
Teste
t
de Welch
27.2.3
Teste de Mann-Whitney
27.2.4
Teste de Wilcoxon
27.2.5
Análise de variância
27.2.6
Análise de variância (Welch)
27.2.7
Teste de Kruskal-Wallis
28
Descrição
28.1
Análise de descrição
28.1.1
O que é análise de descrição de dados?
28.2
Estimação
28.2.1
O que é estimativa?
28.2.2
O que é estimativa pontual?
28.2.3
O que é estimativa intervalar?
28.2.4
O que é estimativa de parâmetro?
29
Comparação
29.1
Análise inferencial de comparação
29.1.1
O que é análise de comparação de dados?
29.2
F-teste
29.2.1
O que é o F-teste?
29.2.2
Quando usar o F-teste?
29.2.3
Quais são os pressupostos?
29.2.4
Como interpretar o resultado?
29.2.5
O que reportar em publicações?
30
Associação
30.1
Análise inferencial de associação
30.1.1
O que é análise de associação?
30.2
Associação bivariada
30.2.1
O que são análises de associação bivariada?
30.2.2
Quais testes podem ser usados para análises de associação bivariada?
30.3
Associação multivariada
30.3.1
O que são análises de associação multivariada?
30.3.2
Quais testes podem ser usados para análises de associação multivariada?
31
Correlação
31.1
Análise inferencial de correlação
31.1.1
O que é covariância?
31.1.2
O que é correlação?
31.1.3
Qual é a interpretação das medidas de correlação?
31.1.4
Quais precauções devem ser tomadas na interpretação de medidas de correlação?
31.2
Coeficientes de correlação
31.2.1
Quais coeficientes podem ser usados em análises de correlação?
31.3
Colinearidade
31.3.1
O que é colinearidade?
31.3.2
Como identificar colinearidade na matriz de correlação?
31.4
Correlação entre conjuntos de variáveis
31.4.1
O que é correlação entre conjuntos de variáveis?
31.4.2
Quando usar CCA?
31.4.3
Quais são os principais resultados?
31.4.4
Como interpretar a CCA?
31.4.5
Quais suposições e cuidados?
31.4.6
O que reportar nos resultados?
32
Regressão
32.1
Análise de regressão
32.1.1
O que é regressão?
32.1.2
Quais são os algoritmos de regressão?
32.2
Estruturas de análise de regressão
32.2.1
O que são análises de regressão simples?
32.2.2
O que são análises de regressão multivariável?
32.2.3
O que são análises de regressão multivariada?
32.3
Tipos e famílias de regressão
32.3.1
O que são modelos de regressão linear?
32.3.2
O que são modelos de regressão polinomial?
32.3.3
O que são modelos de regressão não-linear?
32.3.4
O que são modelos de regressão logística?
32.3.5
O que são modelos de regressão multinomial?
32.3.6
O que são modelos de regressão ordinal?
32.3.7
O que são modelos de regressão de Poisson?
32.3.8
O que são modelos de regressão binomial negativa?
32.3.9
O que são modelos de regressão Gama?
32.3.10
O que são modelos de regressão com efeitos mistos?
32.3.11
O que são modelos de regressão com efeitos mistos generalizados?
32.3.12
O que são modelos de regressão ridge?
32.3.13
O que são modelos de regressão LASSO?
32.4
Preparação de variáveis
32.4.1
Como preparar as variáveis categóricas para análise de regressão?
32.4.2
Por que é comum escolher a categoria mais frequente como referência em modelos epidemiológicos?
32.5
Multicolinearidade
32.5.1
O que é multicolinearidade?
32.5.2
Como diagnosticar multicolinearidade de forma quantitativa?
32.5.3
O que fazer em caso de multicolinearidade elevada?
32.6
Redução de dimensionalidade
32.6.1
Correlação bivariada pode ser usada para seleção de variáveis em modelos de regressão multivariável?
32.6.2
Variáveis sem significância estatística devem ser excluídas do modelo final?
32.6.3
Por que métodos de regressão gradual não são recomendados para seleção de variáveis em modelos de regressão multivariável?
32.6.4
O que pode ser feito para reduzir o número de variáveis candidatas em modelos de regressão multivariável?
32.6.5
Quando devemos forçar uma variável no modelo?
32.7
Seleção de variáveis em regressão
32.7.1
O que é seleção de variáveis em regressão?
32.7.2
Quais são os principais critérios de informação usados na seleção de variáveis?
32.7.3
Quais algoritmos podem ser usados para seleção automática?
32.8
Suposições dos modelos de regressão
32.8.1
Quais suposições são feitas para regressão?
32.8.2
Como avaliar as suposições de uma regressão?
33
Redes
33.1
Análise de redes
33.1.1
O que é análise de rede?
PARTE 6: MODELAGEM
34
Modelos
34.1
Modelos
34.1.1
O que são modelos?
34.1.2
O que é modelagem?
34.1.3
Por que a escolha do modelo é complexa?
34.1.4
O que diferencia modelos clássicos e modernos em predição?
34.2
Modelos estocásticos
34.2.1
O que são modelos estocásticos?
34.2.2
O que são cadeias de Markov?
34.3
Preditores e desfechos
34.3.1
O que são desfechos de um modelo?
34.3.2
O que são preditores de um modelo?
34.3.3
Como selecionar preditores para um modelo?
34.4
Suposições dos modelos
34.4.1
Quais suposições são feitas para modelagem?
34.4.2
Como avaliar as suposições de um modelo?
34.5
Desempenho e estabilidade de modelos
34.5.1
Como avaliar o desempenho dos modelos?
34.5.2
Qual modelo alcança estabilidade mais rapidamente?
34.6
Avaliação de modelos
34.6.1
Como avaliar a qualidade de ajuste de um modelo?
34.7
Validação de modelos
34.7.1
Como validar modelos estatísticos?
34.8
Calibração de modelos
34.8.1
Como calibrar modelos estatísticos?
34.9
Comparação de modelos
34.9.1
Como comparar modelos de aprendizagem de máquina?
35
Modelagem temporal
35.1
Modelos temporais
35.1.1
O que são modelos temporais?
36
Modelagem espacial
36.1
Modelos espaciais
36.1.1
O que são modelos espaciais?
37
Modelagem de sobrevida
37.1
Sobrevida
37.1.1
O que é sobrevida?
37.2
Análise de sobrevida
37.2.1
O que é análise de sobrevida?
PARTE 7: ANÁLISES AVANÇADAS
38
Redes neurais
38.1
Neurônios artificiais
38.1.1
O que são neurônios artificiais?
38.2
Rede neural artificial
38.2.1
O que é uma rede neural?
38.2.2
Quais são as funções de ativação mais comuns?
38.3
Espaço de decisão
38.3.1
O que é espaço de decisão?
38.3.2
Como ele é visualizado?
39
Aprendizado de máquina
39.1
Aprendizado de máquina
39.1.1
O que é aprendizado de máquina?
39.2
Tipos de aprendizado
39.2.1
O que é aprendizado supervisionado?
39.2.2
O que é aprendizado não supervisionado?
39.2.3
O que é aprendizado semi-supervisionado?
39.2.4
O que é aprendizado por reforço?
39.2.5
O que é aprendizado profundo?
39.2.6
Quais são os limites do progresso em classificadores supervisionados?
39.2.7
Quais problemas práticos limitam a generalização de classificadores?
39.2.8
Por que estudos comparativos entre classificadores podem ser enganosos?
39.3
Principais algoritmos
39.3.1
Quais são os principais algoritmos de aprendizado de máquina?
39.4
Regressão logística
39.4.1
O que são é regressão logística?
39.5
Máquina de vetores de suporte
39.5.1
O que são máquinas de vetores de suporte?
39.6
K-nearest neighbours
39.6.1
O que é
K-nearest neighbours
?
39.7
K-means Clustering
39.7.1
O que é
K-means clustering
?
39.8
Árvores de decisão
39.8.1
O que são árvores de decisão?
39.8.2
Quais são os principais usos de árvores de decisão?
39.8.3
Quais são os componentes básicos de uma árvore de decisão?
39.8.4
Como funcionam splitting, stopping e pruning?
39.8.5
Quais são as vantagens e limitações de árvores de decisão?
39.8.6
Espaço de decisão em árvores de decisão vs. regressão logística
39.9
Análise de componentes principais
39.9.1
O que é análise de componentes principais?
39.10
Random forests
39.10.1
O que são
random forests
?
39.11
Ensemble
39.11.1
O que são
ensemble
?
39.12
Desbalanceamento de classes
39.12.1
O que é desbalanceamento de classes (
class imbalance
)?
39.12.2
Por que o desbalanceamento é um problema?
39.12.3
Quais são as abordagens mais comuns para lidar com desbalanceamento de classes?
39.12.4
Qual é o impacto do desbalanceamento de classes na calibração de modelos?
40
Inteligência artificial
40.1
Inteligência artificial
40.1.1
O que é inteligência artificial (IA)?
40.1.2
Como ela se relaciona com estatística, ciência de dados e aprendizado de máquina?
40.2
IA generativa e grandes modelos de linguagem
40.2.1
O que são grandes modelos de linguagem (
large language models
, LLM)?
40.2.2
Como funcionam modelos como GPT, BERT e similares?
PARTE 8: PLANEJAMENTO DE ESTUDOS
41
Poder estatístico
41.1
Poder do teste
41.1.1
O que é poder do teste?
41.1.2
O que é análise de poder do teste?
41.1.3
Quando realizar a análise de poder do teste?
41.1.4
Por que a análise de poder do teste
post hoc
é inadequada?
41.1.5
O que pode ser realizado ao invés da análise de poder?
42
Tamanho da amostra
42.1
Tamanho da amostra
42.1.1
O que é tamanho da amostra?
42.1.2
Por que determinar o tamanho da amostra é importante?
42.1.3
Quais fatores devem ser considerados para determinar o tamanho da amostra?
42.1.4
Quais aspectos éticos estão envolvidos no tamanho da amostra?
42.2
Saturação em pesquisas qualitativas
42.2.1
O que é saturação de dados em pesquisas qualitativas?
42.2.2
Quais tipos de saturação existem?
42.2.3
Quantas entrevistas ou grupos focais são necessários para alcançar saturação?
42.2.4
Quais debates existem sobre o conceito de saturação?
42.2.5
Quais recomendações práticas para tamanho de amostras de estudos qualitativos?
42.3
“Fome de dados”
42.3.1
O que significa “fome de dados”?
42.3.2
Por que a “fome de dados” é relevante?
42.4
Eventos por variável (EPV) em modelos preditivos
42.4.1
Quantos eventos por variável (EPV) são necessários?
42.4.2
O que acontece se não houver eventos suficientes?
42.5
Cálculo do tamanho da amostra
42.5.1
Como calcular o tamanho da amostra?
42.5.2
Como especificar o tamanho do efeito esperado?
42.6
Perdas de amostra
42.6.1
O que é perda de amostra?
42.6.2
Por que a perda de amostra é um problema?
42.6.3
Como evitar perda de amostra?
42.7
Ajustes no tamanho da amostra
42.7.1
Por que ajustar o tamanho da amostra?
42.7.2
Como ajustar para perda amostral?
42.8
Justificativa do tamanho da amostra
42.8.1
Como justificar o tamanho da amostra de um estudo?
42.8.2
Como justificar o tamanho da amostra em estudos qualitativos?
43
Plano de análise
43.1
Plano de análise estatística
43.1.1
O que é plano de análise estatística?
43.2
Diretrizes para redação
43.2.1
Quais são as diretrizes para redação de planos de análise estatística?
PARTE 9: DELINEAMENTOS E SÍNTESE DE EVIDÊNCIAS
44
Delineamento de estudos
44.1
Critérios de delineamento
44.1.1
Quais critérios são utilizados para classificar os delineamentos de estudos?
44.2
Alocação
44.2.1
O que é alocação?
44.3
Cegamento
44.3.1
O que é cegamento?
44.4
Pareamento
44.4.1
O que é pareamento?
44.5
Aleatorização
44.5.1
O que é aleatorização?
44.6
Taxonomia de estudos
44.6.1
Como podem ser classificados os estudos científicos?
45
Simulação computacional
45.1
Simulações computacionais
45.1.1
O que são simulações computacionais?
45.1.2
Por que usar simulações?
45.1.3
Quais são as boas práticas em simulações computacionais?
45.2
Características
45.2.1
Quais são as características de estudos de simulação computacional?
45.3
Método de Monte Carlo
45.3.1
O que é o método de Monte Carlo?
45.4
Diretrizes para redação
45.4.1
Quais são as diretrizes para redação de estudos de simulação computacional?
46
Estudos observacionais
46.1
Características
46.1.1
Quais são as características de estudos observacionais?
46.2
Diretrizes para redação
46.2.1
Quais são as diretrizes para redação de estudos observacionais?
47
Propriedades psicométricas
47.1
Características
47.1.1
O que são propriedades psicométricas?
47.2
Análise fatorial exploratória
47.2.1
O que é análise fatorial exploratória?
47.3
Análise fatorial confirmatória
47.3.1
O que é análise fatorial confirmatória?
47.4
Validade de conteúdo
47.4.1
O que é validade interna?
47.4.2
O que é validade externa?
47.4.3
Que fatores afetam a validade?
47.4.4
Como avaliar a validade de um estudo?
47.5
Validade de face
47.5.1
O que é validade de face?
47.6
Validade do construto
47.6.1
O que é construto?
47.7
Validade fatorial
47.7.1
O que é validade fatorial?
47.8
Validade convergente
47.8.1
O que é validade convergente?
47.9
Validade discriminante
47.9.1
O que é validade discriminante?
47.10
Validade de critério
47.10.1
O que é validade de critério?
47.11
Validade concorrente
47.11.1
O que é concorrente?
47.11.2
O que é validade concorrente?
47.11.3
O que é validade preditiva?
47.12
Responsividade
47.12.1
O que é responsividade?
47.13
Concordância
47.13.1
O que é concordância?
47.13.2
Quais métodos são adequados para análise de concordância de variáveis dicotômicas?
47.13.3
Quais métodos não são adequados para análise de concordância de variáveis dicotômicas?
47.13.4
Quais métodos são adequados para análise de concordância de variáveis categóricas?
47.13.5
Quais métodos são adequados para análise de concordância de variáveis categóricas e contínuas?
47.13.6
Quais métodos são adequados para análise de concordância de variáveis ordinais?
47.13.7
Quais métodos são adequados para análise de concordância de variáveis contínuas?
47.13.8
Quais métodos não são adequados para análise de concordância de variáveis contínuas?
47.13.9
Quais métodos são adequados para modelagem de concordância?
47.14
Confiabilidade
47.14.1
O que é confiabilidade?
47.14.2
Quais métodos são adequados para análise de confiabilidade?
47.15
Diretrizes para redação
47.15.1
Quais são as diretrizes para redação de estudos de propriedades psicométricas?
48
Desempenho diagnóstico
48.1
Características
48.1.1
Quais são as características de estudos de desempenho diagnóstico?
48.2
Tabelas 2x2
48.2.1
O que é uma tabela de confusão 2x2?
48.2.2
Como analisar o desempenho diagnóstico em tabelas 2x2?
48.2.3
Quais probabilidades caracterizam o desempenho diagnóstico de um teste em tabelas 2x2?
48.3
Tabelas 2x3
48.3.1
O que é uma tabela de confusão 2x3?
48.3.2
Como as regiões POS, BND e NEG são definidas?
48.3.3
Qual é o formato de uma tabela 2×3?
48.3.4
Quais são as medidas básicas na 2×3?
48.3.5
Como escolher os limiares
\(\alpha\)
e
\(\beta\)
?
48.3.6
Quando preferir 3-vias em vez de 2×2?
48.4
Curvas ROC
48.4.1
O que representa a curva ROC?
48.4.2
Quais são os tipos de curva ROC?
48.4.3
Como definir o melhor ponto de corte?
48.4.4
O que é a área sob a curva (AUROC)?
48.4.5
Como calcular a AUC?
48.4.6
Como interpretar a área sob a curva (ROC)?
48.4.7
Por que uma AUC menor que 0.5 está errada?
48.4.8
Como analisar o desempenho diagnóstico em desfechos com distribuição trimodal na população?
48.5
Gráficos
crosshair
48.5.1
O que um gráfico
crosshair
?
48.6
Interpretação da validade de um teste
48.6.1
Que itens devem ser verificados na interpretação de um estudo de validade?
48.7
Diretrizes para redação
48.7.1
Quais são as diretrizes para redação de estudos diagnósticos?
49
Ensaios quase-experimentais
49.1
Características
49.1.1
Quais são as características de ensaios quase-experimentais?
49.2
Diretrizes para redação
49.2.1
Quais são as diretrizes para redação de ensaios quase-experimentais?
50
Ensaios experimentais
50.1
Ensaio clínico aleatorizado
50.1.1
Quais são as características de ensaios clínicos aleatorizados?
50.1.2
Quais são as estratégias metodológicas para reduzir vieses?
50.2
Modelos de análise de comparação
50.2.1
Que modelos podem ser utilizados para comparações?
50.3
Comparação na linha de base
50.3.1
O que são dados na linha de base?
50.3.2
O que é comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
50.3.3
Para quê comparar grupos na linha de base em ensaios clínicos aleatorizados?
50.3.4
Quais são as razões para diferenças entre grupos de tratamento nas (co)variáveis na linha de base?
50.3.5
Quais cenários permitem a comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
50.3.6
Por que não se deve comparar grupos na linha de base em ensaios clínicos aleatorizados?
50.3.7
Quais estratégias podem ser adotadas para substituir a comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
50.4
Comparação intragrupos
50.4.1
Por que não se deve comparar intragrupos (pré - pós) em ensaios clínicos aleatorizados?
50.5
Comparação entre grupos
50.5.1
O que é comparação entre grupos em ensaios clínicos aleatorizados?
50.5.2
O que pode ser comparado entre grupos?
50.5.3
Qual é a comparação entre grupos mais adequada em ensaios clínicos aleatorizados?
50.6
Comparação de subgrupos
50.6.1
O que é comparação de subgrupos em ensaios clínicos aleatorizados?
50.6.2
Como realizar a comparação de subgrupos em ensaios clínicos aleatorizados?
50.6.3
Como interpretar a comparação de subgrupos em ensaios clínicos aleatorizados?
50.7
Efeito de interação
50.7.1
Por que analisar o efeito de interação?
50.7.2
Quando usar o termo de interação?
50.8
Ajuste de covariáveis
50.8.1
Quais variáveis devem ser utilizadas no ajuste de covariáveis?
50.8.2
Quais os benefícios do ajuste de covariáveis?
50.8.3
Quais os riscos do ajuste de covariáveis?
50.9
Imputação de dados perdidos
50.9.1
Como lidar com os dados perdidos em desfechos?
50.9.2
Como lidar com os dados perdidos em covariáveis?
50.10
Diretrizes para redação
50.10.1
Quais são as diretrizes para redação de ensaios experimentais?
51
N de 1
51.1
Ensaio N-de-1
51.1.1
O que são ensaios N-de-1?
51.1.2
Quando usar ensaios N-de-1?
51.1.3
Qual a relevância dos ensaios N-de-1?
51.2
Aspectos metodológicos
51.2.1
Como é feita a randomização?
51.2.2
Como são feitas as análises?
51.2.3
Quais perguntas de inferência podem ser respondidas?
51.3
Limitações e cuidados
51.3.1
Quais são os principais desafios dos ensaios N-de-1?
52
Revisão sistemática
52.1
Tipologia de revisões
52.1.1
O que é a tipologia de revisões?
52.2
Revisão sistemática de literatura
52.2.1
O que é revisão sistemática?
52.3
Tipos de revisão sistemática
52.3.1
Quais são os principais tipos de revisão sistemática?
52.3.2
Quais delineamentos de revisão parecem mas não são revisões sistemáticas?
52.4
Diretrizes para redação
52.4.1
Quais são as diretrizes para revisão sistemática?
53
Meta-análise
53.1
Características
53.1.1
O que é meta-análise?
53.2
Modelos de meta-análise
53.2.1
Quais são os principais modelos de meta-análise?
53.3
Conversão de Medidas em Meta-análises
53.3.1
O que fazer quando os estudos apresentam resultados com diferentes parâmetros?
53.4
Interpretação de efeitos em meta-análise
53.4.1
Como avaliar a variação do tamanho do efeito?
53.4.2
Como avaliar a heterogeneidade entre os estudos?
53.5
Interpretação do
forest plot
53.5.1
O que é um
forest plot
?
53.5.2
Quais são as seis colunas básicas que um
forest plot
geralmente apresenta?
53.5.3
Como diferenciar um desfecho binário de um contínuo em um
forest plot
?
53.5.4
O que representa o ponto central da caixa e o tamanho desta no gráfico?
53.5.5
Qual é o significado da linha vertical do “nenhum efeito”?
53.5.6
Como interpretar o diamante na parte inferior do
forest plot
?
53.5.7
Como a heterogeneidade pode ser avaliada no
forest plot
?
53.5.8
Quais são as interpretações usuais para os valores de
\(I^{2}\)
?
53.6
Viés de publicação em meta-análises
53.6.1
O que é viés de publicação?
53.6.2
Quais métodos podem ser usados para identificar viés de publicação?
53.6.3
O que é um gráfico de funil (
funnel plot
)?
53.6.4
A assimetria do
funnel plot
indica sempre viés de publicação?
53.6.5
O que é
trim and fill
?
53.6.6
O que é o teste de Egger?
53.6.7
O que é o teste de Peters?
53.6.8
Quais são as recomendações para testar a assimetria?
53.6.9
Como interpretar os resultados de testes de viés de publicação?
53.7
Diretrizes para redação
53.7.1
Quais são as diretrizes para redação de meta-análises?
54
Revisão guarda-chuva
54.1
Revisão guarda-chuva
54.1.1
O que é revisão guarda-chuva?
54.2
Diretrizes para redação
54.2.1
Quais são as diretrizes para revisão sistemática?
55
Pesquisa qualitativa
55.1
Pesquisa qualitativa
55.1.1
O que é pesquisa qualitativa?
55.2
Diretrizes para redação
55.2.1
Quais são as diretrizes para redação de estudos de propriedades psicométricas?
PARTE 10: COMUNICAÇÃO E RELATO CIENTÍFICO
56
Redação de resultados
56.1
Resultados da análise estatística
56.1.1
Como redigir os resultados da análise estatística?
56.2
Diretrizes e Listas
56.2.1
Quais diretrizes estão disponíveis para redação estatística?
56.2.2
Quais listas de verificação estão disponíveis para redação estatística?
57
Diretrizes e Listas
57.1
Diretrizes
57.1.1
Quais são as diretrizes para relatórios estatísticos em pesquisas?
57.2
Listas de verificação
57.2.1
Quais são as listas de verificação para relatórios estatísticos em pesquisas?
58
Fontes externas
58.1
Fontes de informação externas
58.1.1
American Heart Association
58.1.2
American Physiological Society
58.1.3
American Statistical Association
58.1.4
British Medicine Journal
58.1.5
Enhancing the QUality And Transparency Of health Research Network
58.1.6
Journal of the Amercan Medical Association
58.1.7
Nature Publishing Group
58.1.8
Oxford Reference
58.1.9
Royal Statistical Society
58.1.10
Statistics in Medicine
58.1.11
BMC Trials
58.1.12
The Journal of Applied Statistics in the Pharmaceutical Industry
REFERÊNCIAS
Referências
Publicado com Bookdown
Ciência com R
Capítulo 35
Modelagem temporal
35.1
Modelos temporais
35.1.1
O que são modelos temporais?
.
REF?
O pacote
UComp
324
fornece a função
UCsetup
para preparar modelos temporais gerais univariados.
Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,
Referências
324.
Diego J. Pedregal. UComp: Automatic Univariate Time Series Modelling of many Kinds. 2025. doi:
10.32614/CRAN.package.UComp