Capítulo 41 Poder estatístico

41.1 Poder do teste

41.1.1 O que é poder do teste?

• Poder do teste é a probabilidade de rejeitar corretamente a hipótese nula (\(H_{0}\)) quando esta é falsa.²⁶⁰

• Poder do teste pode ser calculado como \(1 - \beta\).²⁶⁰

41.1.2 O que é análise de poder do teste?

• Poder é a probabilidade de que um dado tamanho de efeito será observado em um experimento futuro sob um conjunto de hipóteses — tamanho de efeito real e erro tipo I — para um dado tamanho de amostra.³³⁶

• O objetivo geral da análise de poder ao projetar um estudo é escolher um tamanho de amostra que controle os 2 tipos de erros de inferência estatística: tipo I (\(\alpha\), resultado falso-positivo) e tipo II (\(\beta\), resultado falso-negativo).³³⁶

• Numericamente, o poder de um estudo é calculado como \(1-\beta\) e reportado em valor percentual.³³⁶

41.1.3 Quando realizar a análise de poder do teste?

• Na fase de projeto de pesquisa: a análise de poder para determinar o tamanho da amostra objetiva que o tamanho da amostra permita uma probabilidade razoável de detectar um efeito significativo pré-especificado.³³⁶

• Após a coleta de dados: a análise de poder objetiva informar estudos futuros a respeito do tamanho da amostra necessário para a detecção de um efeito significativo pré-especificado.³³⁶

O pacote pwr²⁷⁷ fornece a função pwr.2p.test para cálculo do poder do teste de proporção balanceado (2 amostras com mesmo número de participantes).

O pacote pwr²⁷⁷ fornece a função pwr.2p2n.test para cálculo do poder do teste de proporção não balanceado (2 amostras com diferente número de participantes).

O pacote pwr²⁷⁷ fornece a função pwr.anova.test para cálculo do poder do teste de análise de variância balanceado (3 ou mais amostras com mesmo número de participantes).

O pacote pwr²⁷⁷ fornece a função pwr.chisq.test para cálculo do poder do teste de qui-quadrado \(\chi^2\).

O pacote pwr²⁷⁷ fornece a função pwr.f2.test para cálculo do poder do teste com modelo linear geral.

O pacote pwr²⁷⁷ fornece a função pwr.norm.test para cálculo do poder do teste de média de uma distribuição normal com variância conhecida.

O pacote pwr²⁷⁷ fornece a função pwr.p.test para cálculo do poder do teste de proporção (1 amostra).

O pacote pwr²⁷⁷ fornece a função pwr.r.test para cálculo do poder to teste de correlação (1 amostra).

O pacote pwr²⁷⁷ fornece a função pwr.t.test para cálculo do poder do teste t de diferença de 1 amostra, 2 amostras dependentes ou 2 amostras independentes (grupos balanceados).

O pacote pwr²⁷⁷ fornece a função pwr.t2n.test para cálculo do poder do teste t de diferença de 2 amostras independentes (grupos não balanceados).

O pacote longpower³³⁷ fornece a função power.mmrm para calcular o poder de testes com análises por modelo de regressão linear misto.

O pacote Superpower²⁸⁸ fornece a função power.ftest para calcular o poder do teste por análise de testes F.

O pacote Superpower²⁸⁸ fornece a função power_oneway_between para calcular o poder do teste por análise de variância (ANOVA) de 1 fator entre-sujeitos.

O pacote Superpower²⁸⁸ fornece a função power_oneway_within para calcular o poder do teste por análise de variância (ANOVA) de 1 fator intra-sujeitos.

O pacote Superpower²⁸⁸ fornece a função power_oneway_ancova para calcular o poder do teste por análise de covariância (ANCOVA).

O pacote Superpower²⁸⁸ fornece a função power_twoway_between para calcular o poder do teste por análise de covariância (ANOVA) de 2 fatores entre-sujeitos.

O pacote Superpower²⁸⁸ fornece a função power_threeway_between para calcular o poder do teste por análise de covariância (ANOVA) de 3 fatores entre-sujeitos.

O pacote InteractionPoweR³³⁸ fornece a função power_interaction para calcular o poder do teste por análise de efeito de interações.

41.1.4 Por que a análise de poder do teste post hoc é inadequada?

• A análise do poder é teoricamente incorreta, uma vez que a probabilidade calculada \(1-\beta\) expressa a probabilidade de um evento futuro, o que não é mais relevante quando o evento de interesse já ocorreu.^205,336

41.1.5 O que pode ser realizado ao invés da análise de poder?

• Após a coleta e análise de dados, recomenda-se realizar a análise e interpretação dos resultados a partir do tamanho do efeito e do seu intervalo de confiança no nível de significância \(\alpha\) pré-estabelecido.³³⁶

Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,

Referências

205.

Cummings P, Rivara FP. Reporting Statistical Information in Medical Journal Articles. Archives of Pediatrics & Adolescent Medicine. 2003;157(4):321. doi:10.1001/archpedi.157.4.321

260.

Curran-Everett D. Explorations in statistics: hypothesis tests and P values. Advances in Physiology Education. 2009;33(2):81–86. doi:10.1152/advan.90218.2008

277.

Champely S. pwr: Basic Functions for Power Analysis.; 2020. https://CRAN.R-project.org/package=pwr.

288.

Lakens D, Caldwell A. Simulation-Based Power Analysis for Factorial Analysis of Variance Designs. Advances in Methods and Practices in Psychological Science. 2021;4:251524592095150. doi:10.1177/2515245920951503

336.

Heckman MG, Davis JM, Crowson CS. Post Hoc Power Calculations: An Inappropriate Method for Interpreting the Findings of a Research Study. The Journal of Rheumatology. 2022;49(8):867–870. doi:10.3899/jrheum.211115

337.

Iddi S, Donohue MC. Power and Sample Size for Longitudinal Models in R – The longpower Package and Shiny App. The R Journal. 2022;14:264–282.

338.

Baranger DAA, Finsaas MC, Goldstein BL, Vize CE, Lynam DR, Olino TM. Tutorial: Power Analyses for Interaction Effects in Cross-Sectional Regressions. Advances in Methods and Practices in Psychological Science. 2023;6(3):25152459231187531. doi:10.1177/25152459231187531