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?
1.4.3
Quais as consequências dos 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 e Ciência Aberta
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 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: AMEAÇAS À QUALIDADE DA EVIDÊNCIA CIENTÍFICA
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 Ellsberg?
8.1.5
O que é o paradoxo de Freedman?
8.1.6
O que é o paradoxo de Hand?
8.1.7
O que é o paradoxo de Kelley?
8.1.8
O que é o paradoxo de Lindley?
8.1.9
O que é o paradoxo de Lord?
8.1.10
O que é o paradoxo de Meng?
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 James-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 aniversário?
8.1.22
O que é o paradoxo do teste surpresa?
8.1.23
O que é o paradoxo do nó da gravata?
8.1.24
O que é o paradoxo de Monty Hall?
8.1.25
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?
10.2
Transformação de variáveis
10.2.1
Por que é importante classificar as variáveis?
10.2.2
O que é transformação de variáveis?
10.2.3
Por que transformar variáveis?
10.2.4
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
Representação de variáveis categóricas
10.7.1
O que são variáveis indicadoras (dummy variables)?
10.7.2
Por que variáveis indicadoras são importantes?
10.7.3
Quantas variáveis indicadoras são necessárias para um fator?
10.7.4
O que é o nível de referência?
10.7.5
Por que não se usam k variáveis indicadoras para
\(k\)
níveis?
10.7.6
Variáveis indicadoras são uma forma de dicotomização?
10.7.7
Variáveis indicadoras alteram os dados originais?
10.8
Fatores
10.8.1
O que são fatores?
10.8.2
O que são níveis de um fator?
11
Dados e metadados
11.1
Dados
11.1.1
O que são dados?
11.1.2
O que são dados estruturados?
11.1.3
O que são dados não estruturados?
11.2
Big data
11.2.1
O que são grandes dados (
big data
)?
11.2.2
Quais são as fontes de dados?
11.2.3
O que são dados primários e secundários?
11.2.4
O que são dados quantitativos e qualitativos?
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?
11.4
Armazenamento de dados
11.4.1
Como armazenar 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?
16
Ciência cidadã
16.1
Introdução
16.1.1
O que é Ciência Cidadã?
16.1.2
Que tipo de dados ela produz?
16.1.3
Como ela difere de amostragem tradicional?
16.1.4
Quais erros são mais comuns?
16.1.5
Quando esses dados são válidos?
16.1.6
Quando não são?
16.1.7
Como documentar metadados?
16.1.8
Que análises fazem sentido?
16.1.9
Como relatar resultados com honestidade?
PARTE 4: ANÁLISES DESCRITIVAS E EXPLORATÓRIAS
17
Distribuições e parâmetros
17.1
Distribuições de probabilidade
17.1.1
O que são distribuições de probabilidade?
17.1.2
Como representar distribuições de probabilidade?
17.1.3
Quais características definem uma distribuição?
17.1.4
Quais são as distribuições mais comuns?
17.1.5
Quais são as funções de uma distribuição?
17.1.6
O que é a distribuição normal?
17.1.7
Que métodos podem ser utilizados para identificar a normalidade da distribuição?
17.1.8
O que são distribuições não-normais?
17.2
Distribuições multivariadas
17.2.1
O que são distribuições multivariadas?
17.3
Parâmetros
17.3.1
O que são parâmetros?
17.3.2
O que é uma análise paramétrica?
17.3.3
O que é uma análise não paramétrica?
17.3.4
Devemos testar as suposições de normalidade?
17.3.5
Por que as análises paramétricas são preferidas?
17.3.6
Que parâmetros podem ser estimados?
17.4
Erro
17.4.1
Que parâmetros de erro podem ser estimados?
17.5
Tendência central
17.5.1
Que parâmetros de tendência central podem ser estimados?
17.5.2
Como escolher o parâmetro de tendência central?
17.6
Dispersão
17.6.1
Que parâmetros de dispersão podem ser estimados?
17.6.2
Como escolher o parâmetro de dispersão?
17.6.3
O que é a correção de Bessel para variância?
17.6.4
Por que a correção de Bessel para variância é importante?
17.7
Proporção
17.7.1
Que parâmetros de proporção podem ser estimados?
17.8
Extremos
17.8.1
O que são valores extremos?
17.8.2
Que parâmetros extremos podem ser estimados?
17.9
Distribuição
17.9.1
Que parâmetros de distribuição podem ser estimados?
17.10
Robustez em medidas de localização
17.10.1
O que é ponto de quebra?
17.10.2
Por que a média não é robusta?
17.10.3
Qual a alternativa robusta para localização?
17.10.4
Como estimar escala de forma robusta?
17.11
Parâmetros robustos
17.11.1
O que são parâmetros robustos?
17.11.2
Que parâmetros robustos podem ser estimados?
17.11.3
Por que utilizar parâmetros robustos?
18
Análise inicial de dados
18.1
Análise inicial de dados
18.1.1
O que é análise inicial de dados?
18.1.2
Como conduzir uma análise inicial de dados?
18.1.3
Quais problemas podem ser detectados na análise inicial de dados?
19
Análise exploratória de dados
19.1
Análise exploratória de dados
19.1.1
O que é análise exploratória de dados?
19.1.2
Quais são os objetivos centrais da análise exploratória de dados?
19.1.3
Por que conduzir a análise exploratória de dados?
19.2
Ingredientes da análise exploratória de dados
19.2.1
Quais são os principais elementos que compõem a análise exploratória de dados?
19.2.2
Quais etapas constituem a análise exploratória de dados?
20
Análise descritiva
20.1
Análise descritiva
20.1.1
O que é análise descritiva?
20.1.2
Como apresentar os resultados descritivos?
20.2
Apresentação de resultados numéricos
20.2.1
O que são casas decimais?
20.2.2
O que são dígitos significativos?
20.2.3
Como arredondar dados numéricos?
20.3
Tabelas
20.3.1
Por que usar tabelas?
20.3.2
Que informações incluir nas tabelas?
20.3.3
Quais são os tipos de tabelas?
20.3.4
Quais são os erros mais comuns de preenchimento de tabelas?
20.4
Tabela 1
20.4.1
O que é a ‘Tabela 1’?
20.4.2
Qual a utilidade da ‘Tabela 1’?
20.4.3
O que é a falácia da ‘Tabela 1’?
20.4.4
Como construir a ‘Tabela 1’?
20.5
Tabela 2
20.5.1
Qual a utilidade da ‘Tabela 2’?
20.5.2
O que é a falácia da ‘Tabela 2’?
20.5.3
Como construir a ‘Tabela 2’?
20.6
Visualização efetiva de dados
20.6.1
Por que começar pela mensagem antes do gráfico?
20.6.2
Como escolher a geometria e “mostrar os dados”?
20.7
Gráficos
20.7.1
O que são gráficos?
20.7.2
O que torna um bom gráfico tão poderoso?
20.7.3
Que elementos incluir em gráficos?
20.7.4
Para que servem as barras de erro em gráficos?
20.7.5
Quais são os principais obstáculos para bons gráficos?
20.8
Tipos de gráficos
20.8.1
Quais são os tipos de gráficos para variáveis categóricas?
20.8.2
Quais são os tipos de gráficos para variáveis numéricas?
20.8.3
Quais são os tipos de gráficos para relações entre variáveis?
20.8.4
Quais são os tipos de gráficos para dados longitudinais?
20.8.5
Quais são os tipos de gráficos para séries temporais?
20.8.6
Quais são os tipos de gráficos para dados multivariados?
20.8.7
Quais são as boas práticas na elaboração de gráficos?
20.9
Gráficos dinâmicos
20.9.1
O que são visualizações dinâmicas?
20.9.2
Quando preferir interatividade?
20.9.3
Quando preferir animação?
21
Análise robusta
21.1
Raciocínio inferencial robusto
21.1.1
O que é análise robusta?
21.1.2
Por que usar análise robusta?
21.1.3
Quando usar análise robusta?
21.1.4
Por que métodos robustos são preferíveis?
21.2
Valores discrepantes
21.2.1
O que são valores discrepantes (
outliers
)?
21.2.2
Quais são os tipos de valores discrepantes?
21.2.3
Por que é importante avaliar valores discrepantes?
21.2.4
Como detectar valores discrepantes?
21.2.5
Quais são os métodos para detectar valores discrepantes?
21.2.6
Quais testes são apropriados para detectar valores discrepantes?
21.2.7
Como manejar os valores discrepantes?
21.2.8
Como conduzir análises com valores discrepantes?
21.2.9
Como lidar com
outliers
na análise exploratória de dados?
21.3
Valores influentes
21.3.1
O que são valores influentes?
21.3.2
O que é função de influência?
21.3.3
O que é ponto de quebra?
21.3.4
Como detectar valores influentes?
21.4
Métodos robustos de tratamento de
outliers
21.4.1
O que é Winsorização?
21.4.2
Quais são as alternativas à Winsorização?
22
Análise preditiva
22.1
Predição
22.1.1
O que são predições?
22.1.2
Como árvores de decisão são usadas para predição?
22.2
Interpretação e aplicação
22.2.1
Quais são as implicações do uso de árvores de decisão em predição?
22.3
Análise de curva de decisão
22.3.1
O que é a análise de curva de decisão?
22.3.2
O que significam os eixos da curva de decisão?
22.3.3
Como interpretar o benefício líquido?
22.3.4
Por que é importante comparar sempre com “tratar todos” e “tratar nenhum”?
22.3.5
Quais são os limites e usos da análise de curva de decisão?
22.3.6
A análise de curva de decisão pode ser conduzida sem dados individuais de pacientes?
22.3.7
Como funciona o cálculo do benefício líquido?
23
Análise causal
23.1
Causalidade
23.1.1
O que é análise causal?
23.1.2
Quais os dois grandes tipos de causalidade?
23.1.3
Como realizar uma análise causal?
23.2
Abordagens filosóficas e estatísticas da causalidade
23.2.1
O que é realidade causal?
23.2.2
Por que estatísticos historicamente evitaram falar em causalidade?
23.3
Ilusões de causalidade
23.3.1
O que são ilusões de causalidade?
23.3.2
Quais fatores favorecem a ilusão?
23.3.3
Como reduzir ilusões de causalidade?
23.4
Inferência causal em estudos observacionais
23.4.1
Como diferenciar associação de causalidade?
23.4.2
Quais critérios ajudam a sustentar inferência causal?
23.4.3
Qual o papel dos caminhos causais (DAGs)?
23.4.4
Como lidar com confundimento residual?
23.5
Critérios de Hill para inferência causal
23.5.1
Quais são os nove critérios?
23.5.2
Hill propôs um checklist rígido?
23.6
Críticas contemporâneas aos critérios de Hill
23.6.1
Qual critério é indispensável?
23.6.2
A força da associação garante causalidade?
23.6.3
A consistência é indispensável?
23.6.4
O critério da especificidade é válido?
23.6.5
O gradiente biológico (dose–resposta) é confiável?
23.6.6
A plausibilidade e a coerência são objetivas?
23.6.7
Evidência experimental é decisiva?
23.6.8
Analogia é útil?
23.7
Visão atual sobre os critérios de Hill
23.7.1
Como os critérios de Hill foram revisitados?
23.7.2
Quais mudanças na interpretação?
23.8
Linguagem causal em estudos observacionais
23.8.1
Quais são as principais recomendações para relatar causalidade?
23.9
Efeitos diretos e indiretos
23.9.1
Como distinguir efeitos diretos de indiretos?
23.10
O papel do tempo e a causalidade dinâmica
23.10.1
O que é causalidade de Granger?
23.10.2
Por que o tempo é essencial na análise causal?
23.11
Diagrama acíclico direcionado (DAG)
23.11.1
O que são DAGs?
23.11.2
Quais são os padrões causais básicos?
23.11.3
Quais são as regras básicas para análise causal?
23.11.4
Quais são as regras básicas para ajuste?
24
Análise qualitativa
24.1
Análise qualitativa
24.1.1
O que é análise qualitativa?
24.2
Representação de texto
24.2.1
O que é tokenização?
24.2.2
Modelagem com N-gramas
24.2.3
O que são n-gramas?
PARTE 5: ANÁLISES INFERENCIAIS
25
Suposições inferenciais
25.1
Suposições gerais em análises inferenciais
25.1.1
Quais são as suposições ao nível dos dados (condicionais ao modelo)?
25.1.2
Quais são as suposições ao nível do modelo?
25.1.3
Quais são as suposições ao nível do estudo?
25.2
Suposições implícitas e explícitas nos testes
25.2.1
Quais suposições implícitas são feitas nos testes estatísticos?
25.2.2
Quais suposições explícitas são feitas nos testes estatísticos?
25.3
Suposições causais que conectam dados observados a efeitos causais
25.3.1
Quais são as suposições causais que conectam dados observados a efeitos causais?
25.3.2
Qual a relação dessas suposições com as demais suposições inferenciais?
25.4
Diagnóstico e verificação
25.4.1
O que fazer quando suposições gerais falham?
25.4.2
O que fazer quando as suposições causais falham?
25.4.3
Como avaliar as suposições de uma regressão?
26
Seleção de testes
26.1
Multiverso de análises estatísticas
26.1.1
Por que escolher o teste é um problema?
26.2
Escolha de testes para análise inferencial
26.2.1
Como selecionar os testes para a análise estatística inferencial?
27
Análise inferencial
27.1
Raciocínio inferencial
27.1.1
O que é análise inferencial?
27.1.2
Quais são os tipos de raciocínio inferencial?
27.1.3
Quais são as questões fundamentais da análise inferencial?
27.2
Hipóteses científicas
27.2.1
O que é hipótese científica?
27.2.2
Quais são as fontes de ideias para gerar hipóteses científicas?
27.3
Hipóteses estatísticas
27.3.1
O que é hipótese nula?
27.3.2
O que é hipótese alternativa?
27.3.3
Qual hipótese está sendo testada?
27.4
Testes de hipóteses
27.4.1
Quais são os tipos de teste de hipóteses?
27.4.2
O que reportar após um teste de hipótese?
27.5
Intervalos de confiança e raciocínio de longo prazo
27.5.1
O que é um intervalo de confiança?
27.5.2
Intervalos de confiança e a lógica frequentista
27.5.3
O que um intervalo de confiança não representa
27.5.4
Relação entre intervalos de confiança e testes de hipóteses
27.5.5
Por que intervalos de confiança são centrais na inferência científica
27.6
Comparações múltiplas
27.6.1
O que é uma família de hipóteses?
27.6.2
O que são testes
ad hoc
e
post hoc
?
27.6.3
Como ajustar a análise inferencial para hipóteses múltiplas?
27.6.4
O que são testes unicaudais e bicaudais?
27.7
Inferência visual
27.7.1
O que é inferência visual?
27.7.2
Por que usar intervalos de confiança para inferência visual?
27.7.3
Como interpretar intervalos de confiança em uma figura?
27.8
Interpretação de análise inferencial
27.8.1
Como interpretar uma análise inferencial?
27.8.2
O que são resultados positivos” e “negativos” (inconclusivos) em teste de hipótese?
27.8.3
Qual a importância de resultados “negativos”?
27.8.4
Resultados inconclusivos: Ausência de evidência ou evidência de ausência?
27.9
Erros de inferência I, II, S e M
27.9.1
O que são erros de inferência estatística?
27.9.2
O que são erros Tipo I e Tipo II?
27.9.3
O que são erros Tipo S e Tipo M?
28
Tamanho do efeito e P-valor
28.1
Tamanho do efeito
28.1.1
O que é o tamanho do efeito?
28.2
Tipos de tamanho do efeito
28.2.1
Como interpretar um tamanho do efeito?
28.2.2
O que é a diferença de média bruta?
28.2.3
Correlações podem ser consideradas tamanhos de efeito?
28.2.4
O que é o
\(q\)
de Cohen?
28.2.5
O que o
\(g\)
no teste do sinal?
28.2.6
O que é o
\(h\)
de Cohen?
28.2.7
O que representa o tamanho de efeito
\(w\)
?
28.2.8
O que é o tamanho de efeito
\(f\)
em ANOVA?
28.2.9
O que é o tamanho de efeito
\(f^2\)
em regressão?
28.2.10
O que é a estatística
\(\Lambda\)
de Wilks na MANOVA?
28.2.11
Como escolher o tamanho de efeito adequado?
28.3
Conversão entre tamanhos do efeito
28.3.1
Como converter um tamanho de efeito em outro?
28.4
Efeitos bruto e padronizado
28.4.1
O que é efeito bruto?
28.4.2
O que é efeito padronizado?
28.5
P-valor
28.5.1
O que é significância estatística?
28.5.2
Como justificar o nível de significância estatística de um teste?
28.5.3
O que é o P-valor?
28.5.4
Como interpretar o P-valor?
28.5.5
O que o P-valor não é?
28.5.6
Qual a origem do ‘P<0,05’?
28.5.7
Quais são os complementos ou alternativas ao P-valor?
28.6
P-valor de 2ª geração
28.6.1
O que é o P-valor de 2ª geração?
28.6.2
Como definir a hipótese nula intervalar e
\(\delta\)
?
28.6.3
Como calcular o SGPV?
28.6.4
Como interpretar o SGPV?
28.6.5
Relação com testes de equivalência (TOST)
28.6.6
Propriedades frequenciais e múltiplas comparações
28.7
Distribuição de confiança
28.7.1
O que é distribuição de confiança?
28.8
Boas práticas
29
Testes estatísticos
29.1
Variáveis categóricas
29.1.1
Testes de Qui-quadrado (
\(\chi^2\)
)
29.1.2
Teste exato de Fisher
29.1.3
Teste de McNemar
29.1.4
Teste
Q
de Cochran
29.1.5
Teste de Cochran–Armitage
29.1.6
Odds ratio (
\(OR\)
) e risco relativo (
\(RR\)
)
29.2
Variáveis contínuas
29.2.1
Teste
t
de Student
29.2.2
Teste
t
de Welch
29.2.3
Teste de Mann-Whitney
29.2.4
Teste de Wilcoxon
29.2.5
Análise de variância
29.2.6
Análise de variância (Welch)
29.2.7
Teste de Kruskal-Wallis
30
Descrição
30.1
Análise de descrição
30.1.1
O que é análise de descrição de dados?
30.2
Estimação
30.2.1
O que é estimativa?
30.2.2
O que é estimativa pontual?
30.2.3
O que é estimativa de intervalar?
30.2.4
O que é estimativa de parâmetro?
31
Comparação
31.1
Análise inferencial de comparação
31.1.1
O que é análise de comparação de dados?
31.2
F-teste
31.2.1
O que é o F-teste?
31.2.2
Quando usar o F-teste?
31.2.3
Quais são os pressupostos?
31.2.4
Como interpretar o resultado?
31.2.5
O que reportar em publicações?
32
Associação
32.1
Análise inferencial de associação
32.1.1
O que é análise de associação?
32.2
Associação bivariada
32.2.1
O que são análises de associação bivariada?
32.2.2
Quais testes podem ser usados para análises de associação bivariada?
32.3
Associação multivariada
32.3.1
O que são análises de associação multivariada?
32.3.2
Quais testes podem ser usados para análises de associação multivariada?
33
Correlação
33.1
Análise inferencial de correlação
33.1.1
O que é covariância?
33.1.2
O que é correlação?
33.1.3
Qual é a interpretação das medidas de correlação?
33.1.4
Quais precauções devem ser tomadas na interpretação de medidas de correlação?
33.2
Coeficientes de correlação
33.2.1
Quais coeficientes podem ser usados em análises de correlação?
33.3
Colinearidade
33.3.1
O que é colinearidade?
33.3.2
Como identificar colinearidade na matriz de correlação?
33.4
Correlação entre conjuntos de variáveis
33.4.1
O que é correlação entre conjuntos de variáveis?
33.4.2
Quando usar CCA?
33.4.3
Quais são os principais resultados?
33.4.4
Como interpretar a CCA?
33.4.5
Quais suposições e cuidados?
33.4.6
O que reportar nos resultados?
34
Regressão
34.1
Análise de regressão
34.1.1
O que é regressão?
34.1.2
Quais são os algoritmos de regressão?
34.2
Estruturas de análise de regressão
34.2.1
O que são análises de regressão simples?
34.2.2
O que são análises de regressão multivariável?
34.2.3
O que são análises de regressão multivariada?
34.3
Tipos e famílias de regressão
34.3.1
O que são modelos de regressão linear?
34.3.2
O que são modelos de regressão polinomial?
34.3.3
O que são modelos de regressão não-linear?
34.3.4
O que são modelos de regressão logística?
34.3.5
O que são modelos de regressão multinomial?
34.3.6
O que são modelos de regressão ordinal?
34.3.7
O que são modelos de regressão de Poisson?
34.3.8
O que são modelos de regressão binomial negativa?
34.3.9
O que são modelos de regressão Gama?
34.3.10
O que são modelos de regressão com efeitos mistos?
34.3.11
O que são modelos de regressão com efeitos mistos generalizados?
34.3.12
O que são modelos de regressão ridge?
34.3.13
O que são modelos de regressão LASSO?
34.4
Preparação de variáveis
34.4.1
Como preparar as variáveis categóricas para análise de regressão?
34.4.2
Por que é comum escolher a categoria mais frequente como referência em modelos epidemiológicos?
34.5
Multicolinearidade
34.5.1
O que é multicolinearidade?
34.5.2
Como diagnosticar multicolinearidade de forma quantitativa?
34.5.3
O que fazer em caso de multicolinearidade elevada?
34.6
Redução de dimensionalidade
34.6.1
Correlação bivariada pode ser usada para seleção de variáveis em modelos de regressão multivariável?
34.6.2
Variáveis sem significância estatística devem ser excluídas do modelo final?
34.6.3
Por que métodos de regressão gradual não são recomendados para seleção de variáveis em modelos de regressão multivariável?
34.6.4
O que pode ser feito para reduzir o número de variáveis candidatas em modelos de regressão multivariável?
34.6.5
Quando devemos forçar uma variável no modelo?
34.7
Seleção de variáveis em regressão
34.7.1
O que é seleção de variáveis em regressão?
34.7.2
Quais são os principais critérios de informação usados na seleção de variáveis?
34.7.3
Quais algoritmos podem ser usados para seleção automática?
35
Redes
35.1
Análise de redes
35.1.1
O que é análise de rede?
35.1.2
Por que a análise de redes é útil em pesquisa científica?
35.1.3
Quais são as limitações da análise de redes?
35.2
Matriz de incidência
35.2.1
O que é uma matriz de incidência?
35.3
Elementos da rede
35.3.1
Quais são os principais elementos de uma rede?
35.3.2
Como as redes podem ser classificadas?
35.3.3
O que define a posição dos nodos em um grafo de rede?
35.4
Tipos de redes
35.4.1
Quais são os principais tipos de redes estatísticas?
35.4.2
Como reduzir associações espúrias em redes?
35.5
Métricas de rede
35.5.1
O que são medidas de centralidade?
PARTE 6: MODELAGEM
36
Modelos
36.1
Modelos
36.1.1
O que são modelos?
36.1.2
O que é modelagem?
36.1.3
Por que a escolha do modelo é complexa?
36.1.4
O que diferencia modelos clássicos e modernos em predição?
36.2
Modelos estocásticos
36.2.1
O que são modelos estocásticos?
36.2.2
O que são cadeias de Markov?
36.3
Efeito fixo
36.3.1
O que é efeito fixo?
36.4
Efeito aleatório
36.4.1
O que é efeito aleatório?
36.5
Efeito misto
36.5.1
O que é efeito misto?
36.6
Efeito principal
36.6.1
O que é efeito principal?
36.7
Efeito de interação
36.7.1
O que é efeito de interação?
36.8
Efeito de mediação
36.8.1
O que é um mediador de efeito?
36.8.2
O que é efeito de mediação?
36.8.3
O que é efeito direto?
36.8.4
O que é efeito indireto?
36.8.5
O que é efeito total?
36.9
Efeito de modificação
36.9.1
O que é um modificador de efeito?
36.9.2
O que é efeito de modificação?
36.10
Preditores e desfechos
36.10.1
O que são desfechos de um modelo?
36.10.2
O que são preditores de um modelo?
36.10.3
Como selecionar preditores para um modelo?
36.11
Desempenho e estabilidade de modelos
36.11.1
Como avaliar o desempenho dos modelos?
36.11.2
Qual modelo alcança estabilidade mais rapidamente?
36.12
Comparação de modelos
36.12.1
Como comparar modelos estatísticos?
36.12.2
Como comparar modelos de aprendizagem de máquina?
36.13
Avaliação de modelos
36.13.1
Como avaliar a qualidade de ajuste de um modelo?
36.14
Validação de modelos
36.14.1
Como validar modelos estatísticos?
36.15
Calibração de modelos
36.15.1
Como calibrar modelos estatísticos?
37
Modelagem temporal
37.1
Modelos temporais
37.1.1
O que são modelos temporais?
38
Modelagem espacial
38.1
Modelos espaciais
38.1.1
O que são modelos espaciais?
39
Modelagem de sobrevida
39.1
Sobrevida
39.1.1
O que é sobrevida?
39.2
Análise de sobrevida
39.2.1
O que é análise de sobrevida?
PARTE 7: REPRESENTAÇÃO, APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL
40
Representações
40.1
Representações de dados e extração de atributos
40.1.1
Por que modelos não podem acessar o fenômeno diretamente?
40.1.2
Como um fenômeno do mundo real é traduzido em uma estrutura matemática?
40.1.3
De que forma a representação limita ou expande o que um modelo pode aprender?
40.1.4
O que é um atributo e por que ela não é um algoritmo?
40.1.5
Quais são as principais formas de representar diferentes tipos de dados?
40.1.6
O que se perde — e o que se ganha — ao escolher uma representação?
40.1.7
Como essas escolhas antecipam os desafios da inteligência artificial e do aprendizado de máquina?
41
Inteligência artificial
41.1
Inteligência artificial
41.1.1
O que é inteligência artificial (IA)?
41.1.2
Como ela se relaciona com estatística, ciência de dados e aprendizado de máquina?
41.2
Inteligência artificial generativa
41.2.1
O que é IA generativa?
41.2.2
O que são grandes modelos de linguagem (
large language models
, LLM)?
41.2.3
Como funcionam modelos os grandes modelos de linguagem?
41.3
Inteligência artificial explicável (
eXplainable Artificial Intelligence, XAI)
41.3.1
Quais princípios são utilizados para descrever explicabilidade de IA?
41.3.2
Por que explicar modelos de IA?
41.4
Limitações fundamentais de modelos generativos
41.4.1
O que são alucinações em IA generativa?
41.4.2
Por que modelos generativos alucinam?
41.4.3
Alucinações indicam erro do modelo?
41.4.4
Qual a diferença entre erro estatístico e alucinação?
41.4.5
Quais tipos de alucinação são mais comuns?
41.4.6
Por que alucinações são um problema prático?
41.4.7
É possível eliminar completamente as alucinações?
42
Aprendizado de máquina
42.1
Aprendizado de máquina
42.1.1
O que é aprendizado de máquina?
42.2
Representação de dados e engenharia de atributos
42.2.1
Como representar texto como vetores?
42.2.2
O que é
one-hot
,
multi-hot
e
count encoding
?
42.3
Tipos de aprendizado
42.3.1
O que é aprendizado supervisionado?
42.3.2
O que é aprendizado não supervisionado?
42.3.3
O que é aprendizado semi-supervisionado?
42.3.4
O que é aprendizado por reforço?
42.3.5
O que é aprendizado profundo?
42.3.6
Quais são os limites do progresso em classificadores supervisionados?
42.3.7
Quais problemas práticos limitam a generalização de classificadores?
42.3.8
Por que estudos comparativos entre classificadores podem ser enganosos?
42.4
Principais algoritmos
42.4.1
Quais são os principais algoritmos de aprendizado de máquina?
42.5
Regressão logística
42.5.1
O que é regressão logística?
42.6
Máquina de vetores de suporte
42.6.1
O que são máquinas de vetores de suporte?
42.7
K-nearest neighbours
42.7.1
O que é
K-nearest neighbours
?
42.8
K-means Clustering
42.8.1
O que é
K-means clustering
?
42.9
Árvores de decisão
42.9.1
O que são árvores de decisão?
42.9.2
Quais são os principais usos de árvores de decisão?
42.9.3
Quais são os componentes básicos de uma árvore de decisão?
42.9.4
Como funcionam splitting, stopping e pruning?
42.9.5
Quais são as vantagens e limitações de árvores de decisão?
42.9.6
Espaço de decisão em árvores de decisão vs. regressão logística
42.10
Análise de componentes principais
42.10.1
O que é análise de componentes principais?
42.11
Random forests
42.11.1
O que são
random forests
?
42.12
Ensemble
42.12.1
O que são
ensemble
?
42.13
Desbalanceamento de classes
42.13.1
O que é desbalanceamento de classes (
class imbalance
)?
42.13.2
Por que o desbalanceamento é um problema?
42.13.3
Quais são as abordagens mais comuns para lidar com desbalanceamento de classes?
42.13.4
Qual é o impacto do desbalanceamento de classes na calibração de modelos?
43
Redes neurais
43.1
Neurônios artificiais
43.1.1
O que são neurônios artificiais?
43.2
Rede neural artificial
43.2.1
O que é uma rede neural artificial?
43.3
Funções de ativação
43.3.1
Quais são as funções de ativação mais comuns?
43.4
Funções de perda
43.4.1
O que são funções de perda?
43.4.2
Quais são as funções de perda mais comuns?
43.5
Treinamento de redes neurais
43.5.1
O que significa treinar uma rede neural?
43.5.2
O que são os pesos em uma rede neural e por que eles são tratados como parâmetros do modelo?
43.5.3
Como ocorre o ajuste iterativo dos pesos ao longo do treinamento?
43.5.4
Qual é o objetivo formal do treinamento em termos de minimização da função de perda?
43.5.5
O que é o gradiente descendente (
gradient descent
)?
43.5.6
Qual é a interpretação geométrica do gradiente descendente no espaço dos parâmetros?
43.5.7
Por que o gradiente indica a direção de maior redução da função de perda?
43.5.8
O que é o gradiente descendente estocástico (
stochastic gradient descent
, SGD)?
43.5.9
Por que o uso de todo o conjunto de dados em cada atualização pode ser computacionalmente inviável?
43.5.10
O que são
mini-batches
e como eles são utilizados no treinamento?
43.5.11
De que forma o ruído introduzido pelo SGD pode atuar como um regularizador implícito?
43.5.12
O que é uma época (
epoch
) no treinamento de redes neurais?
43.5.13
O que define formalmente uma época durante o processo de treinamento?
43.5.14
Qual é a relação entre época, tamanho do batch e número de atualizações dos pesos?
43.5.15
Como o número de épocas influencia a convergência do modelo e o risco de
overfitting
?
43.6
Espaço de decisão
43.6.1
O que é espaço de decisão?
43.6.2
Como ele é visualizado?
43.7
Redes neurais multicamadas
43.7.1
O que são redes neurais multicamadas?
43.8
Redes neurais profundas
43.8.1
O que são redes neurais profundas?
43.9
Redes neurais convolucionais (Convolutional Neural Networks)
43.9.1
O que são redes neurais convolucionais?
43.9.2
O que é uma convolução?
43.9.3
O que é um filtro convolucional?
43.9.4
Por que convoluções reduzem o número de parâmetros?
PARTE 8: PLANEJAMENTO DE ESTUDOS
44
Poder estatístico
44.1
Poder do teste
44.1.1
O que é poder do teste?
44.1.2
O que é análise de poder do teste?
44.1.3
Quando realizar a análise de poder do teste?
44.1.4
Por que a análise de poder do teste
post hoc
é inadequada?
44.1.5
O que pode ser realizado ao invés da análise de poder?
45
Tamanho da amostra
45.1
Tamanho da amostra
45.1.1
O que é tamanho da amostra?
45.1.2
Por que determinar o tamanho da amostra é importante?
45.1.3
Quais fatores devem ser considerados para determinar o tamanho da amostra?
45.1.4
Quais aspectos éticos estão envolvidos no tamanho da amostra?
45.2
Saturação em pesquisas qualitativas
45.2.1
O que é saturação de dados em pesquisas qualitativas?
45.2.2
Quais tipos de saturação existem?
45.2.3
Quantas entrevistas ou grupos focais são necessários para alcançar saturação?
45.2.4
Quais debates existem sobre o conceito de saturação?
45.2.5
Quais recomendações práticas para tamanho de amostras de estudos qualitativos?
45.3
“Fome de dados”
45.3.1
O que significa “fome de dados”?
45.3.2
Por que a “fome de dados” é relevante?
45.4
Eventos por variável (EPV) em modelos preditivos
45.4.1
Quantos eventos por variável (EPV) são necessários?
45.4.2
O que acontece se não houver eventos suficientes?
45.5
Cálculo do tamanho da amostra
45.5.1
Como calcular o tamanho da amostra?
45.5.2
Como especificar o tamanho do efeito esperado?
45.6
Perdas de amostra
45.6.1
O que é perda de amostra?
45.6.2
Por que a perda de amostra é um problema?
45.6.3
Como evitar perda de amostra?
45.7
Ajustes no tamanho da amostra
45.7.1
Por que ajustar o tamanho da amostra?
45.7.2
Como ajustar para perda amostral?
45.8
Justificativa do tamanho da amostra
45.8.1
Como justificar o tamanho da amostra de um estudo?
45.8.2
Como justificar o tamanho da amostra em estudos qualitativos?
46
Plano de análise
46.1
Plano de análise estatística
46.1.1
O que é plano de análise estatística?
46.1.2
Qual é a relação entre pergunta científica e plano de análise?
46.1.3
Por que a pré-especificação do plano de análise é fundamental?
46.2
Estimandos
46.2.1
O que são estimandos e por que eles são importantes?
46.2.2
Quais componentes devem ser definidos em um estimandos?
46.2.3
Qual é a relação entre estimando, estimador e método estatístico?
46.2.4
Como o plano de análise lida com dados perdidos?
46.3
Diretrizes para redação
46.3.1
Quais são as diretrizes para redação de planos de análise estatística?
PARTE 9: DELINEAMENTOS E SÍNTESE DE EVIDÊNCIAS
47
Delineamento de estudos
47.1
Critérios de delineamento
47.1.1
Quais critérios são utilizados para classificar os delineamentos de estudos?
47.2
Alocação
47.2.1
O que é alocação?
47.3
Cegamento
47.3.1
O que é cegamento?
47.4
Pareamento
47.4.1
O que é pareamento?
47.5
Aleatorização
47.5.1
O que é aleatorização?
47.6
Taxonomia de estudos
47.6.1
Como podem ser classificados os estudos científicos?
48
Simulação computacional
48.1
Simulações computacionais
48.1.1
O que são simulações computacionais?
48.1.2
Por que usar simulações?
48.1.3
Quais são as boas práticas em simulações computacionais?
48.2
Características
48.2.1
Quais são as características de estudos de simulação computacional?
48.3
Métodos de simulação
48.3.1
Simulações computacionais dependem da distribuição Normal?
48.3.2
Como escolher a distribuição adequada em um estudo de simulação?
48.3.3
Como simular dados de diferentes distribuições?
48.3.4
O que é o método de Monte Carlo?
48.4
Diretrizes para redação
48.4.1
Quais são as diretrizes para redação de estudos de simulação computacional?
49
Estudos observacionais
49.1
Características
49.1.1
Quais são as características de estudos observacionais?
49.2
Diretrizes para redação
49.2.1
Quais são as diretrizes para redação de estudos observacionais?
50
Propriedades psicométricas
50.1
Características
50.1.1
O que são propriedades psicométricas?
50.2
Análise fatorial exploratória
50.2.1
O que é análise fatorial exploratória?
50.3
Análise fatorial confirmatória
50.3.1
O que é análise fatorial confirmatória?
50.4
Validade de conteúdo
50.4.1
O que é validade interna?
50.4.2
O que é validade externa?
50.4.3
Que fatores afetam a validade?
50.4.4
Como avaliar a validade de um estudo?
50.5
Validade de face
50.5.1
O que é validade de face?
50.6
Validade do construto
50.6.1
O que é construto?
50.7
Validade fatorial
50.7.1
O que é validade fatorial?
50.8
Validade convergente
50.8.1
O que é validade convergente?
50.9
Validade discriminante
50.9.1
O que é validade discriminante?
50.10
Validade de critério
50.10.1
O que é validade de critério?
50.11
Validade concorrente
50.11.1
O que é concorrente?
50.11.2
O que é validade concorrente?
50.11.3
O que é validade preditiva?
50.12
Responsividade
50.12.1
O que é responsividade?
50.13
Concordância
50.13.1
O que é concordância?
50.13.2
Quais métodos são adequados para análise de concordância de variáveis dicotômicas?
50.13.3
Quais métodos não são adequados para análise de concordância de variáveis dicotômicas?
50.13.4
Quais métodos são adequados para análise de concordância de variáveis categóricas?
50.13.5
Quais métodos são adequados para análise de concordância de variáveis categóricas e contínuas?
50.13.6
Quais métodos são adequados para análise de concordância de variáveis ordinais?
50.13.7
Quais métodos são adequados para análise de concordância de variáveis contínuas?
50.13.8
Quais métodos não são adequados para análise de concordância de variáveis contínuas?
50.13.9
Quais métodos são adequados para modelagem de concordância?
50.14
Confiabilidade
50.14.1
O que é confiabilidade?
50.14.2
Quais métodos são adequados para análise de confiabilidade?
50.15
Diretrizes para redação
50.15.1
Quais são as diretrizes para redação de estudos de propriedades psicométricas?
51
Desempenho diagnóstico
51.1
Características
51.1.1
Quais são as características de estudos de desempenho diagnóstico?
51.2
Tabelas 2x2
51.2.1
O que é uma tabela de confusão 2x2?
51.2.2
Como analisar o desempenho diagnóstico em tabelas 2x2?
51.2.3
Quais probabilidades caracterizam o desempenho diagnóstico de um teste em tabelas 2x2?
51.3
Tabelas 2x3
51.3.1
O que é uma tabela de confusão 2x3?
51.3.2
Como as regiões POS, BND e NEG são definidas?
51.3.3
Qual é o formato de uma tabela 2×3?
51.3.4
Quais são as medidas básicas na 2×3?
51.3.5
Como escolher os limiares
\(\alpha\)
e
\(\beta\)
?
51.3.6
Quando preferir 3-vias em vez de 2×2?
51.4
Curvas ROC
51.4.1
O que representa a curva ROC?
51.4.2
Quais são os tipos de curva ROC?
51.4.3
Como definir o melhor ponto de corte?
51.4.4
O que é a área sob a curva (AUROC)?
51.4.5
Como calcular a AUC?
51.4.6
Como interpretar a área sob a curva (ROC)?
51.4.7
Por que uma AUC menor que 0.5 está errada?
51.4.8
Como analisar o desempenho diagnóstico em desfechos com distribuição trimodal na população?
51.5
Gráficos de cruzes
51.5.1
O que um gráfico de cruzes (
crosshair
)?
51.6
Interpretação da validade de um teste
51.6.1
Que itens devem ser verificados na interpretação de um estudo de validade?
51.7
Diretrizes para redação
51.7.1
Quais são as diretrizes para redação de estudos diagnósticos?
52
Ensaios quase-experimentais
52.1
Características
52.1.1
Quais são as características de ensaios quase-experimentais?
52.2
Diretrizes para redação
52.2.1
Quais são as diretrizes para redação de ensaios quase-experimentais?
53
Ensaios experimentais
53.1
Ensaio experimental aleatorizado
53.1.1
Quais são as características de ensaios experimentais aleatorizados?
53.1.2
Quais são as estratégias metodológicas para reduzir vieses?
53.2
Modelos de análise de comparação
53.2.1
Que modelos podem ser utilizados para comparações?
53.3
Comparação na linha de base
53.3.1
O que são dados na linha de base?
53.3.2
O que é comparação entre grupos na linha de base em ensaios experimentais aleatorizados?
53.3.3
Quais são as razões para diferenças entre grupos de tratamento nas (co)variáveis na linha de base?
53.3.4
Para quê comparar grupos na linha de base em ensaios experimentais aleatorizados?
53.3.5
Quais cenários permitem a comparação entre grupos na linha de base em ensaios experimentais aleatorizados?
53.3.6
Por que não se deve comparar grupos na linha de base em ensaios experimentais aleatorizados?
53.3.7
Quais estratégias podem ser adotadas para substituir a comparação entre grupos na linha de base em ensaios experimentais aleatorizados?
53.4
Comparação intragrupos
53.4.1
Por que não se deve comparar intragrupos (pré - pós) em ensaios experimentais aleatorizados?
53.5
Comparação entre grupos
53.5.1
O que é comparação entre grupos em ensaios experimentais aleatorizados?
53.5.2
O que pode ser comparado entre grupos?
53.5.3
Qual é a comparação entre grupos mais adequada em ensaios experimentais aleatorizados?
53.6
Comparação de subgrupos
53.6.1
O que é comparação de subgrupos em ensaios experimentais aleatorizados?
53.6.2
Como realizar a comparação de subgrupos em ensaios experimentais aleatorizados?
53.6.3
Como interpretar a comparação de subgrupos em ensaios experimentais aleatorizados?
53.7
Efeito de interação
53.7.1
Por que analisar o efeito de interação?
53.7.2
Quando usar o termo de interação?
53.8
Ajuste de covariáveis
53.8.1
Quais variáveis devem ser utilizadas no ajuste de covariáveis?
53.8.2
Quais os benefícios do ajuste de covariáveis?
53.8.3
Quais os riscos do ajuste de covariáveis?
53.9
Imputação de dados perdidos
53.9.1
Como lidar com os dados perdidos em desfechos?
53.9.2
Como lidar com os dados perdidos em covariáveis?
53.10
Diretrizes para redação
53.10.1
Quais são as diretrizes para redação de ensaios experimentais?
54
Ensaios cruzados
54.1
Características
54.1.1
Quais são as características de ensaios cruzados?
54.2
Diretrizes para redação
54.2.1
Quais são as diretrizes para redação de ensaios cruzados?
55
n-de-1
55.1
Ensaio n-de-1
55.1.1
O que são ensaios n-de-1?
55.1.2
Quando é apropriado conduzir ensaios n-de-1?
55.1.3
Qual a relevância dos ensaios n-de-1?
55.2
Aspectos metodológicos
55.2.1
Quais são os principais aspectos do delineamento de ensaios n-de-1?
55.2.2
Como é feita a randomização?
55.2.3
Quais perguntas de inferência podem ser respondidas?
55.3
Análise de dados
55.3.1
Como são feitas as análises?
55.3.2
Como os dados de ensaios n-de-1 podem ser visualizados?
55.3.3
Quais métodos estatísticos são usados na análise?
55.4
Abordagem meta-analítica
55.4.1
Como um conjunto de ensaios n-de-1 pode ser analisado conjuntamente?
55.4.2
Por que a meta-análise com efeitos aleatórios produz intervalos de confiança mais amplos?
55.4.3
Qual é a principal vantagem da abordagem meta-analítica?
55.5
Limitações e cuidados
55.5.1
Quais são os principais desafios dos ensaios n-de-1?
56
Revisão sistemática
56.1
Tipologia de revisões
56.1.1
O que é a tipologia de revisões?
56.2
Revisão sistemática de literatura
56.2.1
O que é revisão sistemática?
56.3
Tipos de revisão sistemática
56.3.1
Quais são os principais tipos de revisão sistemática?
56.3.2
Quais delineamentos de revisão parecem mas não são revisões sistemáticas?
56.4
Diretrizes para redação
56.4.1
Quais são as diretrizes para revisão sistemática?
57
Meta-análise
57.1
Características
57.1.1
O que é meta-análise?
57.2
Modelos de meta-análise
57.2.1
Quais são os principais modelos de meta-análise?
57.3
Conversão de Medidas em Meta-análises
57.3.1
O que fazer quando os estudos apresentam resultados com diferentes parâmetros?
57.4
Interpretação de efeitos em meta-análise
57.4.1
Como avaliar a variação do tamanho do efeito?
57.4.2
Como avaliar a heterogeneidade entre os estudos?
57.5
Interpretação do
forest plot
57.5.1
O que é um
forest plot
?
57.5.2
Quais são as seis colunas básicas que um
forest plot
geralmente apresenta?
57.5.3
Como diferenciar um desfecho binário de um contínuo em um
forest plot
?
57.5.4
O que representa o ponto central da caixa e o tamanho desta no gráfico?
57.5.5
Qual é o significado da linha vertical do “nenhum efeito”?
57.5.6
Como interpretar o diamante na parte inferior do
forest plot
?
57.5.7
Como a heterogeneidade pode ser avaliada no
forest plot
?
57.5.8
Quais são as interpretações usuais para os valores de heterogeneidade?
57.6
Viés de publicação em meta-análises
57.6.1
O que é viés de publicação?
57.6.2
Quais métodos podem ser usados para identificar viés de publicação?
57.6.3
O que é um gráfico de funil (
funnel plot
)?
57.6.4
A assimetria do
funnel plot
indica sempre viés de publicação?
57.6.5
O que é
trim and fill
?
57.6.6
O que é o teste de Egger?
57.6.7
O que é o teste de Peters?
57.6.8
Quais são as recomendações para testar a assimetria?
57.6.9
Como interpretar os resultados de testes de viés de publicação?
57.7
Diretrizes para redação
57.7.1
Quais são as diretrizes para redação de meta-análises?
58
Revisão guarda-chuva
58.1
Revisão guarda-chuva
58.1.1
O que é revisão guarda-chuva?
58.2
Diretrizes para redação
58.2.1
Quais são as diretrizes para revisão sistemática?
59
Pesquisa qualitativa
59.1
Pesquisa qualitativa
59.1.1
O que é pesquisa qualitativa?
59.2
Diretrizes para redação
59.2.1
Quais são as diretrizes para redação de estudos de propriedades psicométricas?
PARTE 10: COMUNICAÇÃO E RELATO CIENTÍFICO
60
Redação de resultados
60.1
Comunicação de resultados da análise estatística
60.1.1
Como devo comunicar probabilidades e riscos?
60.1.2
Qual é o formato numérico mais adequado para apresentar riscos?
60.1.3
Como devo apresentar diferenças entre grupos ou intervenções?
60.1.4
Como evitar distorções na interpretação de benefícios e riscos?
60.1.5
Como devo usar gráficos para apresentar probabilidades e efeitos?
60.1.6
O que fazer ao apresentar valores pouco familiares ao leitor?
60.1.7
Qual é o objetivo final da seção de resultados estatísticos?
60.2
Diretrizes e Listas
60.2.1
Quais diretrizes estão disponíveis para redação estatística?
60.2.2
Quais listas de verificação estão disponíveis para redação estatística?
61
Diretrizes e Listas
61.1
Diretrizes
61.1.1
Quais são as diretrizes para relatórios estatísticos em pesquisas?
61.2
Listas de verificação
61.2.1
Quais são as listas de verificação para relatórios estatísticos em pesquisas?
REFERÊNCIAS
Produção científica do autor
Artigos em periódicos científicos
Preprints
Resumos publicados em eventos científicos
Livros editorados
Capítulos de livro
Aulas
Programas de computador
Bancos de dados
Outros
Fontes externas
Fontes de informação externas
American Heart Association
American Physiological Society
American Statistical Association
British Medicine Journal
Enhancing the QUality And Transparency Of health Research Network
Journal of the Amercan Medical Association
Nature Publishing Group
Oxford Reference
Royal Statistical Society
Statistics in Medicine
BMC Trials
The Journal of Applied Statistics in the Pharmaceutical Industry
Referências
Publicado com Bookdown
Ciência com R
PARTE 7: REPRESENTAÇÃO, APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL
Do avanço estatístico ao poder computacional: Métodos modernos para problemas complexos