e-Book | Consultoria
Capa
Dedicatória
Agradecimentos
Sobre o autor
Prefácio
PARTE 1: PENSAMENTO ESTATÍSTICO E METODOLÓGICO
Pense como um cientista
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
Com 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
População e Amostra
2.1.1
O que é população?
2.1.2
O que é amostra?
2.1.3
Por que usar dados de amostras?
2.2
Unidade de análise
2.2.1
O que é unidade de análise?
2.2.2
Por que identificar a unidade de análise de um estudo?
2.2.3
Que medidas podem ser obtidas da unidade de análise de um estudo?
2.3
Amostragem
2.3.1
O que é amostragem?
2.3.2
Quais métodos de amostragem são usados para obter uma amostra da população?
2.3.3
O que é erro de amostragem?
2.4
Reamostragem
2.4.1
O que é reamostragem?
2.4.2
Por que utilizar reamostragem?
2.4.3
Quais procedimentos de reamostragem podem ser realizados?
2.5
Subamostragem e superamostragem
2.5.1
O que é subamostragem?
2.5.2
O que é superamostragem?
3
Paradoxos estatísticos
3.1
Paradoxos
3.1.1
O que são paradoxos estatísticos?
3.1.2
O que é o paradoxo de Abelson?
3.1.3
O que é o paradoxo de Berkson?
3.1.4
O que é o paradoxo de
Big Data
?
3.1.5
O que é o paradoxo de Ellsberg?
3.1.6
O que é o paradoxo de Freedman?
3.1.7
O que é o paradoxo de Hand?
3.1.8
O que é o paradoxo de Lindley?
3.1.9
O que é o paradoxo de Lord?
3.1.10
O que é o paradoxo de Proebsting?
3.1.11
O que é o paradoxo de Simpson?
3.1.12
O que é o paradoxo de Stein?
3.1.13
O que é o paradoxo de Okie?
3.1.14
O que é o paradoxo da acurácia?
3.1.15
O que é o paradoxo do falso positivo?
3.1.16
O que é o paradoxo da caixa de Bertrand?
3.1.17
O que é o paradoxo do elevador?
3.1.18
O que é o paradoxo da amizade?
3.1.19
O que é o paradoxo do menino ou menina?
3.1.20
O que é o paradoxo do teste surpresa?
3.1.21
O que é o paradoxo do nó da gravata?
3.1.22
O que é o paradoxo da Bela Adormecida?
4
Falácias estatísticas
4.1
Falácias
4.1.1
O que são falácias estatísticas?
4.1.2
O que é a falácia do jogador?
4.1.3
O que é a falácia da mão quente?
5
Pensamento metodológico
5.1
Metodologia da pesquisa
5.1.1
O que é metodologia da pesquisa?
5.2
Relação Estatística-Metodologia
5.2.1
Qual a relação entre estatística e metodologia da pesquisa?
5.3
Reprodutibilidade
5.3.1
O que é reprodutibilidade?
5.3.2
Por que reprodutibilidade é importante?
5.4
Robustez
5.4.1
O que é robustez?
5.5
Replicabilidade
5.5.1
O que é replicabilidade?
5.6
Generalização
5.6.1
O que é generalização?
6
Pensamento computacional
6.1
Programas de computador
6.1.1
O que é R?
6.1.2
Por que usar R?
6.1.3
O que é RStudio?
6.1.4
Que programas de computador podem ser usados para análise estatística com R?
6.2
Scripts computacionais
6.2.1
O que são R scripts?
6.3
Pacotes
6.3.1
O que são pacotes?
6.3.2
Quais práticas são recomendadas na redação de scripts?
6.4
Aplicativos Shiny
6.4.1
O que são Shiny Apps?
6.5
Manuscritos reproduzíveis
6.5.1
O que são manuscritos reproduzíveis?
6.5.2
Por que usar manuscritos reproduzíveis?
6.5.3
O que é RMarkdown?
6.5.4
Como manuscritos reprodutíveis contribuem para a ciência?
6.5.5
Como contribuir para a reprodutibilidade?
6.6
Compartilhamento
6.6.1
Por que compartilhar scripts?
6.6.2
O que pode ser compartilhado?
6.6.3
Como preparar dados para compartilhamento?
6.6.4
Como preparar scripts para compartilhamento?
6.6.5
O que incluir no arquivo README?
7
Vieses metodológicos
7.1
Vieses metodológicos
7.1.1
O que são vieses metodológicos?
7.2
Tipos de vieses metodológicos
7.2.1
Quais são os tipos de vieses metodológicos?
7.3
Efeitos relacionados aos vieses metodológicos
7.3.1
Quais são os efeitos relacionados aos vieses metodológicos?
7.3.2
O que é efeito placebo?
7.3.3
O que é efeito nocebo?
7.3.4
O que é efeito Hawthorne?
7.3.5
O que é efeito Rosenthal?
PARTE 2: DADOS – COLETA E PREPARAÇÃO
Organização e fundamentos de dados
8
Medidas e instrumentos
8.1
Escalas
8.1.1
O que são escalas?
8.2
Medição e Medidas
8.2.1
O que é medição?
8.2.2
O que são medidas diretas?
8.2.3
O que são medidas derivadas?
8.2.4
O que são medidas por teoria?
8.2.5
O que são medidas únicas?
8.2.6
O que são medidas repetidas?
8.2.7
O que são medidas seriadas?
8.2.8
O que são medidas múltiplas?
8.3
Erros de medida
8.3.1
O que são erros de medida?
8.3.2
Quais fontes de variabilidade são comumente investigadas?
8.4
Instrumentos
8.4.1
O que são instrumentos?
8.5
Acurácia e precisão
8.5.1
O que é acurácia?
8.5.2
O que é precisão?
8.6
Viés e variabilidade
8.6.1
Qual é a relação entre viés e variabilidade?
9
Dados,
big data
e metadados
9.1
Dados
9.1.1
O que são dados?
9.1.2
Quais são as fontes de dados?
9.1.3
O que são dados primários e secundários?
9.1.4
O que são dados quantitativos e qualitativos?
9.2
Big data
9.2.1
O que são
big data
?
9.3
Metadados
9.3.1
O que são metadados?
9.3.2
Quais são as recomendações para os metadados de um banco de dados?
10
Tabulação de dados
10.1
Planilhas eletrônicas
10.1.1
Qual a organização de uma tabela de dados?
10.1.2
Qual a estrutura básica de uma tabela para análise estatística?
10.1.3
O que usar para organizar tabelas para análise computadorizada?
10.1.4
O que não usar para organizar tabelas para análise computadorizada?
10.1.5
O que é recomendado e o que deve ser evitado na organização das tabelas para análise?
11
Variáveis e fatores
11.1
Variáveis
11.1.1
O que são variáveis?
11.1.2
Como são classificadas as variáveis?
11.1.3
Por que é importante classificar as variáveis?
11.2
Transformação de variáveis
11.2.1
O que é transformação de variáveis?
11.2.2
Por que transformar variáveis?
11.2.3
Quais transformações podem ser aplicadas?
11.3
Categorização de variáveis contínuas
11.3.1
O que é categorização de uma variável?
11.3.2
Por que não é recomendado categorizar variáveis contínuas?
11.3.3
Quais são as alternativas à categorização de variáveis contínuas?
11.4
Dicotomização de variáveis contínuas
11.4.1
O que são variáveis dicotômicas?
11.4.2
Quais argumentos são usados para defender a categorização ou dicotomização de variáveis contínuas?
11.4.3
Por que não é recomendado dicotomizar variáveis contínuas?
11.4.4
Quais cenários legitimam a dicotomização das variáveis contínuas?
11.4.5
Quais métodos são usados para dicotomizar variáveis contínuas?
11.5
Fatores
11.5.1
O que são fatores?
11.5.2
O que são níveis de um fator?
12
Dados perdidos e imputados
12.1
Dados perdidos
12.1.1
O que são dados perdidos?
12.1.2
Qual o problema de um estudo ter dados perdidos?
12.1.3
Quais os mecanismos geradores de dados perdidos?
12.1.4
Como identificar o mecanismo gerador de dados perdidos em um banco de dados?
12.1.5
Que estratégias podem ser utilizadas na coleta de dados quando há expectativa de perda amostral?
12.1.6
Que estratégias podem ser utilizadas na análise quando há dados perdidos?
12.1.7
Que estratégias podem ser utilizadas na redação de estudos em que há dados perdidos?
12.2
Dados imputados
12.2.1
O que são dados imputados?
12.2.2
Quando a imputação de dados é indicada?
12.2.3
Quais os métodos de imputação de dados?
13
Dados anonimizados e sintéticos
13.1
Dados anonimizados
13.1.1
O que são dados anonimizados?
13.1.2
Com anonimizar os dados de um banco?
13.2
Dados sintéticos
13.2.1
O que são dados sintéticos?
PARTE 3: ANÁLISE EXPLORATÓRIA E DESCRITIVA
Analisando padrões
14
Descrição
14.1
Análise de descrição
14.1.1
O que é análise de descrição de dados?
14.2
Estimação
14.2.1
O que é estimativa?
14.2.2
O que é estimativa pontual?
14.2.3
O que é estimativa intervalar?
14.2.4
O que é estimativa de parâmetro?
15
Análise inicial de dados
15.1
Análise inicial de dados
15.1.1
O que é análise inicial de dados?
15.1.2
Como conduzir uma análise inicial de dados?
15.1.3
Quais problemas podem ser detectados na análise inicial de dados?
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
Parâmetros
16.2.1
O que são parâmetros?
16.2.2
O que é uma análise paramétrica?
16.2.3
O que é uma análise não paramétrica?
16.2.4
Devemos testar as suposições de normalidade?
16.2.5
Por que as análises paramétricas são preferidas?
16.2.6
Que parâmetros podem ser estimados?
16.3
Tendência central
16.3.1
Que parâmetros de tendência central podem ser estimados?
16.3.2
Como escolher o parâmetro de tendência central?
16.4
Dispersão
16.4.1
Que parâmetros de dispersão podem ser estimados?
16.4.2
Como escolher o parâmetro de dispersão?
16.4.3
O que é a correção de Bessel para variância?
16.4.4
Por que a correção de Bessel para variância é importante?
16.5
Proporção
16.5.1
Que parâmetros de proporção podem ser estimados?
16.6
Distribuição
16.6.1
Que parâmetros de distribuição podem ser estimados?
16.7
Extremos
16.7.1
O que são extremos?
16.7.2
Que parâmetros extremos podem ser estimados?
16.8
Valores discrepantes
16.8.1
O que são valores discrepantes (
outliers
)?
16.8.2
Quais são os tipos de valores discrepantes?
16.8.3
Por que é importante avaliar valores discrepantes?
16.8.4
Como detectar valores discrepantes?
16.8.5
Quais são os métodos para detectar valores discrepantes?
16.8.6
Como manejar os valores discrepantes?
16.8.7
Como conduzir análises com valores discrepantes?
17
Análise exploratória de dados
17.1
Análise exploratória de dados
17.1.1
O que é análise exploratória de dados?
17.1.2
Por que conduzir a análise exploratória de dados?
17.1.3
Quais etapas constituem a análise exploratória de dados?
18
Análise descritiva
18.1
Análise descritiva
18.1.1
O que é análise descritiva?
18.1.2
Como apresentar os resultados descritivos?
18.2
Apresentação de resultados numéricos
18.2.1
O que são casas decimais?
18.2.2
O que são dígitos significativos?
18.2.3
Como arredondar dados numéricos?
18.3
Tabelas
18.3.1
Por que usar tabelas?
18.3.2
Que informações incluir nas tabelas?
18.3.3
Quais são os erros mais comuns de preenchimento de tabelas?
18.4
Tabela 1
18.4.1
O que é a ‘Tabela 1’?
18.4.2
Qual a utilidade da ‘Tabela 1’?
18.4.3
O que é a falácia da ‘Tabela 1’?
18.4.4
Como construir a ‘Tabela 1’?
18.5
Tabela 2
18.5.1
Qual a utilidade da ‘Tabela 2’?
18.5.2
O que é a falácia da ‘Tabela 2’?
18.5.3
Como construir a ‘Tabela 2’?
18.6
Gráficos
18.6.1
O que são gráficos?
18.6.2
Que elementos incluir em gráficos?
18.6.3
Para que servem as barras de erro em gráficos?
18.6.4
Quais são as boas práticas na elaboração de gráficos?
18.6.5
Como exportar figuras em formato TIFF?
19
Análise robusta
19.1
Raciocínio inferencial robusto
19.1.1
O que é análise robusta?
19.1.2
Por que usar análise robusta?
19.1.3
Quando usar análise robusta?
19.1.4
O que é Winsorização?
PARTE 4: INFERÊNCIA E TESTES ESTATÍSTICOS
De amostras para populações
20
Análise inferencial
20.1
Raciocínio inferencial
20.1.1
O que é análise inferencial?
20.1.2
Quais são os tipos de raciocínio inferencial?
20.1.3
Quais são as questões fundamentais da análise inferencial?
20.2
Hipóteses científicas
20.2.1
O que é hipótese científica?
20.2.2
Quais são as fontes de ideias para gerar hipóteses científicas?
20.3
Hipóteses estatísticas
20.3.1
O que é hipótese nula?
20.3.2
O que é hipótese alternativa?
20.3.3
Qual hipótese está sendo testada?
20.4
Testes de hipóteses
20.4.1
Quais são os tipos de teste de hipóteses?
20.4.2
O que é uma família de hipóteses?
20.4.3
O que são testes
ad hoc
e
post hoc
?
20.4.4
Como ajustar a análise inferencial para hipóteses múltiplas?
20.4.5
O que são testes unicaudais e bicaudais?
20.4.6
O que reportar após um teste de hipótese?
20.5
Poder do teste
20.5.1
O que é poder do teste?
20.5.2
O que é análise de poder do teste?
20.5.3
Quando realizar a análise de poder do teste?
20.5.4
Por que a análise de poder do teste
post hoc
é inadequada?
20.5.5
O que pode ser realizado ao invés da análise de poder?
20.6
Inferência visual
20.6.1
O que é inferência visual?
20.6.2
Por que usar intervalos de confiança para inferência visual?
20.6.3
Como interpretar intervalos de confiança em uma figura?
20.7
Interpretação de análise inferencial
20.7.1
Como interpretar uma análise inferencial?
20.7.2
O que são resultados ‘positivos’ e ‘negativos’ ou inconclusivos em teste de hipótese?
20.7.3
Qual a importância de resultados ‘negativos’?
20.7.4
Resultados inconclusivos: Ausência de evidência ou evidência de ausência?
20.8
Erros de inferência
20.8.1
O que são erros de inferência estatística?
20.8.2
O que são erros Tipo I e Tipo II?
20.8.3
O que são erros Tipo S e Tipo M?
21
Tamanho do efeito e P-valor
21.1
Tamanho do efeito
21.1.1
O que é o tamanho do efeito?
21.1.2
Quais são os tipos de tamanho do efeito?
21.1.3
Como converter um tamanho de efeito em outro?
21.1.4
Como interpretar um tamanho do efeito?
21.2
Efeito fixo
21.2.1
O que é efeito fixo?
21.3
Efeito aleatório
21.3.1
O que é efeito aleatório?
21.4
Efeito principal
21.4.1
O que é efeito principal?
21.5
Efeito de modificação
21.5.1
O que é um modificador de efeito?
21.5.2
O que é efeito de modificação?
21.6
Efeito de interação
21.6.1
O que é efeito de interação?
21.7
Efeito de mediação
21.7.1
O que é um mediador de efeito?
21.7.2
O que é efeito de mediação?
21.7.3
O que é efeito direto?
21.7.4
O que é efeito indireto?
21.7.5
O que é efeito total?
21.8
Efeitos brutos e padronizados
21.8.1
O que é efeito bruto?
21.8.2
O que é efeito padronizado?
21.9
P-valor
21.9.1
O que é significância estatística?
21.9.2
Como justificar o nível de significância estatística de um teste?
21.9.3
O que é o P-valor?
21.9.4
Como interpretar o P-valor?
21.9.5
O que o P-valor não é?
21.9.6
Qual a origem do ‘P<0,05’?
21.9.7
Quais são os complementos ou alternativas ao P-valor?
21.10
P-haking
21.10.1
O que é P-haking?
22
Seleção de testes
22.1
Multiverso de análises estatísticas
22.1.1
Por que escolher o teste é um problema?
22.2
Escolha de testes para análise inferencial
22.2.1
Como selecionar os testes para a análise estatística inferencial?
23
Testes estatísticos
23.1
Testes de Qui-quadrado (
\(\chi^2\)
)
23.2
Teste exato de Fisher
24
Comparação
24.1
Análise inferencial de comparação
24.1.1
O que é análise de comparação de dados?
25
Associação
25.1
Análise inferencial de associação
25.1.1
O que é análise de associação?
25.2
Associação bivariada
25.2.1
O que são análises de associação bivariada?
25.2.2
Quais testes podem ser usados para análises de associação bivariada?
25.3
Associação multivariada
25.3.1
O que são análises de associação multivariada?
25.3.2
Quais testes podem ser usados para análises de associação multivariada?
26
Correlação
26.1
Análise inferencial de correlação
26.1.1
O que é covariância?
26.1.2
O que é correlação?
26.1.3
Qual é a interpretação das medidas de correlação?
26.1.4
Quais precauções devem ser tomadas na interpretação de medidas de correlação?
26.2
Coeficientes de correlação
26.2.1
Quais coeficientes podem ser usados em análises de correlação?
26.3
Colinearidade
26.3.1
O que é colinearidade?
26.3.2
Como identificar colinearidade na matriz de correlação?
27
Regressão
27.1
Análise de regressão
27.1.1
O que é regressão?
27.1.2
Quais são os algoritmos de regressão?
27.1.3
O que são análises de regressão simples?
27.1.4
O que são análises de regressão multivariável?
27.1.5
O que são análises de regressão multivariada?
27.1.6
O que são análises de regressão linear?
27.1.7
O que são análises de regressão não-linear?
27.1.8
O que são análises de regressão polinomial?
27.1.9
O que são análises de regressão ridge?
27.1.10
O que são análises de regressão logística?
27.2
Preparação de variáveis para regressão
27.2.1
Como preparar as variáveis categóricas para análise de regressão?
27.2.2
Por que é comum escolher a categoria mais frequente como referência em modelos epidemiológicos?
27.3
Multicolinearidade
27.3.1
O que é multicolinearidade?
27.3.2
Como diagnosticar multicolinearidade de forma quantitativa?
27.3.3
O que fazer em caso de multicolinearidade elevada?
27.4
Redução de dimensionalidade
27.4.1
Correlação bivariada pode ser usada para seleção de variáveis em modelos de regressão multivariável?
27.4.2
Variáveis sem significância estatística devem ser excluídas do modelo final?
27.4.3
Por que métodos de regressão gradual não são recomendados para seleção de variáveis em modelos de regressão multivariável?
27.4.4
O que pode ser feito para reduzir o número de variáveis candidatas em modelos de regressão multivariável?
27.4.5
Quando devemos forçar uma variável no modelo?
PARTE 5: MODELAGEM ESTATÍSTICA
Ferramentas preditivas e causais
28
Modelos
28.1
Modelos estatísticos
28.1.1
O que é modelagem estatística?
28.1.2
Por que a escolha do modelo é complexa?
28.2
Suposições dos modelos
28.2.1
Quais suposições são feitas para modelagem?
28.2.2
Como avaliar as suposições de um modelo?
28.3
Avaliação de modelos
28.3.1
O que é qualidade de ajuste de um modelo?
28.3.2
Como avaliar a qualidade de ajuste de um modelo?
28.4
Modelos estocásticos
28.4.1
O que são modelos estocásticos?
28.4.2
O que são cadeias de Markov?
28.4.3
Como construir uma cadeia de Markov?
28.5
Comparação de modelos
28.5.1
Como comparar modelos de aprendizagem de máquina?
29
Redes
29.1
Análise de redes
29.1.1
O que é análise de rede?
30
Aprendizado de máquina
30.1
Aprendizado de máquina
30.1.1
O que é aprendizado de máquina?
30.1.2
Quais são os principais algoritmos de aprendizado de máquina?
30.2
Aprendizado supervisionada
30.3
Aprendizado não-supervisionada
30.4
Aprendizado por reforço
30.5
Aprendizado profunda
31
Árvore de decisão
31.1
Árvore de decisão
31.1.1
O que é árvore de decisão?
32
Análise preditiva
32.1
Predição via modelagem
32.1.1
O que são predições?
33
Análise causal
33.1
Causalidade
33.1.1
O que é análise causal?
PARTE 6: DELINEAMENTO DE PESQUISA
Delineamento antes da análise
34
Delineamento de estudos
34.1
Critérios de delineamento
34.1.1
Quais critérios são utilizados para classificar os delineamentos de estudos?
34.2
Alocação
34.2.1
O que é alocação?
34.3
Cegamento
34.3.1
O que é cegamento?
34.4
Pareamento
34.4.1
O que é pareamento?
34.5
Aleatorização
34.5.1
O que é aleatorização?
34.6
Taxonomia de estudos
34.6.1
Como podem ser classificados os estudos científicos?
35
Tamanho da amostra
35.1
Tamanho da amostra
35.1.1
O que é tamanho da amostra?
35.1.2
Por que determinar o tamanho da amostra é importante?
35.1.3
Quais fatores devem ser considerados para determinar o tamanho da amostra?
35.1.4
Quais aspectos éticos estão envolvidos no tamanho da amostra?
35.2
Cálculo do tamanho da amostra
35.2.1
Como calcular o tamanho da amostra?
35.2.2
Como especificar o tamanho do efeito esperado?
35.3
Perdas de amostra
35.3.1
O que é perda de amostra?
35.3.2
Por que a perda de amostra é um problema?
35.3.3
Como evitar perda de amostra?
35.4
Ajustes no tamanho da amostra
35.4.1
Por que ajustar o tamanho da amostra?
35.4.2
Como ajustar para perda amostral?
35.5
Justificativa do tamanho da amostra
35.5.1
Como justificar o tamanho da amostra de um estudo?
35.6
SPARKing
35.6.1
O que é SPARKing?
36
Estudos observacionais
36.1
Características
36.1.1
Quais são as características de estudos observacionais?
36.2
Diretrizes para redação
36.2.1
Quais são as diretrizes para redação de estudos observacionais?
37
Propriedades psicométricas
37.1
Características
37.1.1
O que são propriedades psicométricas?
37.2
Análise fatorial exploratória
37.2.1
O que é análise fatorial exploratória?
37.3
Análise fatorial confirmatória
37.3.1
O que é análise fatorial confirmatória?
37.4
Validade de conteúdo
37.4.1
O que é validade interna?
37.4.2
O que é validade externa?
37.4.3
Que fatores afetam a validade?
37.4.4
Como avaliar a validade de um estudo?
37.5
Validade de face
37.5.1
O que é validade de face?
37.6
Validade do construto
37.6.1
O que é construto?
37.7
Validade fatorial
37.7.1
O que é validade fatorial?
37.8
Validade convergente
37.8.1
O que é validade convergente?
37.9
Validade discriminante
37.9.1
O que é validade discriminante?
37.10
Validade de critério
37.10.1
O que é validade de critério?
37.11
Validade concorrente
37.11.1
O que é concorrente?
37.11.2
O que é validade concorrente?
37.11.3
O que é validade preditiva?
37.12
Responsividade
37.12.1
O que é responsividade?
37.13
Concordância
37.13.1
O que é concordância?
37.13.2
Quais métodos são adequados para análise de concordância de variáveis dicotômicas?
37.13.3
Quais métodos não são adequados para análise de concordância de variáveis dicotômicas?
37.13.4
Quais métodos são adequados para análise de concordância de variáveis categóricas?
37.13.5
Quais métodos são adequados para análise de concordância de variáveis categóricas e contínuas?
37.13.6
Quais métodos são adequados para análise de concordância de variáveis ordinais?
37.13.7
Quais métodos são adequados para análise de concordância de variáveis contínuas?
37.13.8
Quais métodos não são adequados para análise de concordância de variáveis contínuas?
37.13.9
Quais métodos são adequados para modelagem de concordância?
37.14
Confiabilidade
37.14.1
O que é confiabilidade?
37.14.2
Quais métodos são adequados para análise de confiabilidade?
37.15
Diretrizes para redação
37.15.1
Quais são as diretrizes para redação de estudos de propriedades psicométricas?
38
Desempenho diagnóstico
38.1
Características
38.1.1
Quais são as características de estudos de desempenho diagnóstico?
38.2
Tabelas 2x2
38.2.1
O que é uma tabela de confusão 2x2?
38.2.2
Como analisar o desempenho diagnóstico em tabelas 2x2?
38.2.3
Quais probabilidades caracterizam o desempenho diagnóstico de um teste em tabelas 2x2?
38.3
Gráficos
crosshair
38.3.1
O que um gráfico
crosshair
?
38.4
Curvas ROC
38.4.1
O que é a área sob a curva (AUROC)?
38.4.2
Como interpretar a área sob a curva (ROC)?
38.4.3
Como analisar o desempenho diagnóstico em desfechos com distribuição trimodal na população?
38.5
Interpretação da validade de um teste
38.5.1
Que itens devem ser verificados na interpretação de um estudo de validade?
38.6
Diretrizes para redação
38.6.1
Quais são as diretrizes para redação de estudos diagnósticos?
39
Ensaios quase-experimentais
39.1
Características
39.1.1
Quais são as características de ensaios quase-experimentais?
39.2
Diretrizes para redação
39.2.1
Quais são as diretrizes para redação de ensaios quase-experimentais?
40
Ensaios experimentais
40.1
Ensaio clínico aleatorizado
40.1.1
Quais são as características de ensaios clínicos aleatorizados?
40.1.2
Quais são as estratégias para metodológicas para reduzir vieses metodológicos?
40.2
Modelos de análise de comparação
40.2.1
Que modelos podem ser utilizados para comparações?
40.3
Comparação na linha de base
40.3.1
O que são dados na linha de base?
40.3.2
O que é comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
40.3.3
Para quê comparar grupos na linha de base em ensaios clínicos aleatorizados?
40.3.4
Quais são as razões para diferenças entre grupos de tratamento nas (co)variáveis na linha de base?
40.3.5
Quais cenários permitem a comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
40.3.6
Por que não se deve comparar grupos na linha de base em ensaios clínicos aleatorizados?
40.3.7
Quais estratégias podem ser adotadas para substituir a comparação entre grupos na linha de base em ensaios clínicos aleatorizados?
40.4
Comparação intragrupos
40.4.1
Por que não se deve comparar intragrupos (pré - pós) em ensaios clínicos aleatorizados?
40.5
Comparação entre grupos
40.5.1
O que é comparação entre grupos em ensaios clínicos aleatorizados?
40.5.2
O que pode ser comparado entre grupos?
40.5.3
Qual é a comparação entre grupos mais adequada em ensaios clínicos aleatorizados?
40.6
Comparação de subgrupos
40.6.1
O que é comparação de subgrupos em ensaios clínicos aleatorizados?
40.6.2
Como realizar a comparação de subgrupos em ensaios clínicos aleatorizados?
40.6.3
Como interpretar a comparação de subgrupos em ensaios clínicos aleatorizados?
40.7
Efeito de interação
40.7.1
Por que analisar o efeito de interação?
40.7.2
Quando usar o termo de interação?
40.8
Ajuste de covariáveis
40.8.1
Quais variáveis devem ser utilizadas no ajuste de covariáveis?
40.8.2
Quais os benefícios do ajuste de covariáveis?
40.8.3
Quais os riscos do ajuste de covariáveis?
40.9
Imputação de dados perdidos
40.9.1
Como lidar com os dados perdidos em desfechos?
40.9.2
Como lidar com os dados perdidos em covariáveis?
40.10
Diretrizes para redação
40.10.1
Quais são as diretrizes para redação de ensaios experimentais?
41
Meta-análise
41.1
Características
41.1.1
O que é meta-análise?
41.2
Interpretação de efeitos em meta-análise
41.2.1
Como avaliar a variação do tamanho do efeito?
41.2.2
Como avaliar a heterogeneidade entre os estudos?
41.3
Diretrizes para redação
41.3.1
Quais são as diretrizes para redação de meta-análises?
42
Simulação computacional
42.1
Características
42.1.1
Quais são as características de estudos de simulação computacional?
42.2
Método de Monte Carlo
42.2.1
O que é o método de Monte Carlo?
42.3
Diretrizes para redação
42.3.1
Quais são as diretrizes para redação de estudos de simulação computacional?
PARTE 7: APLICAÇÕES E COMUNICAÇÃO
Da análise ao impacto
43
Plano de análise
43.1
Plano de análise estatística
43.1.1
O que é plano de análise estatística?
44
Redação de resultados
44.1
Resultados da análise estatística
44.1.1
Como redigir os resultados da análise estatística?
44.2
Diretrizes e Listas
44.2.1
Quais diretrizes estão disponíveis para redação estatística?
44.2.2
Quais listas de verificação estão disponíveis para redação estatística?
PARTE 8: RECURSOS
Material complementar
45
Shiny Apps
Aplicativos por delineamento de estudo
Ensaios clínicos
46
Fontes externas
46.1
Fontes de informação externas
46.1.1
American Heart Association
46.1.2
American Physiological Society
46.1.3
American Statistical Association
46.1.4
British Medicine Journal
46.1.5
Enhancing the QUality And Transparency Of health Research Network
46.1.6
Journal of the Amercan Medical Association
46.1.7
Nature Publishing Group
46.1.8
Oxford Reference
46.1.9
Royal Statistical Society
46.1.10
Statistics in Medicine
46.1.11
BMC Trials
46.1.12
The Journal of Applied Statistics in the Pharmaceutical Industry
47
Diretrizes e Listas
47.1
Diretrizes
47.1.1
Quais são as diretrizes para relatórios estatísticos em pesquisas?
47.2
Listas de verificação
47.2.1
Quais são as listas de verificação para relatórios estatísticos em pesquisas?
Referências
Publicado com Bookdown
Ciência com R
Capítulo 45
Shiny Apps
Aplicativos por delineamento de estudo
Ensaios clínicos
RCTapp
Figura 45.1: RCTapp: Shiny app para análise de ensaios clínicos aleatorizados.
Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,
