Capítulo 26 Suposições inferenciais

26.1 Suposições gerais em análises inferenciais

26.1.1 Quais são as suposições ao nível dos dados (condicionais ao modelo)?

• Independência (ou dependência corretamente modelada) das observações.^REF?

• Forma da distribuição dos erros ou resíduos (normalidade, assimetria, caudas).^REF?

• Homocedasticidade (igualdade de variâncias condicionais).^REF?

26.1.2 Quais são as suposições ao nível do modelo?

• Linearidade da relação entre variáveis.^REF?

• Multicolinearidade ausente ou controlada.^REF?

• Especificação funcional correta do modelo.^REF?

26.1.3 Quais são as suposições ao nível do estudo?

• Ausência de confundimento relevante não controlado.^REF?

• Estabilidade do processo gerador de dados (invariância temporal, populacional ou contextual).^REF?

26.2 Suposições implícitas e explícitas nos testes

26.2.1 Quais suposições implícitas são feitas nos testes estatísticos?

• Amostragem aleatória ou ignorabilidade condicional.^REF?

• Medição sem erro relevante.^REF?

• Correspondência entre modelo estatístico e processo gerador de dados.^REF?

• Ausência de múltiplas comparações não ajustadas.^REF?

26.2.2 Quais suposições explícitas são feitas nos testes estatísticos?

• Normalidade dos erros ou da estatística de teste.^REF?

• Homocedasticidade.^REF?

• Independência das observações.^REF?

26.3 Suposições causais que conectam dados observados a efeitos causais

26.3.1 Quais são as suposições causais que conectam dados observados a efeitos causais?

• Ausência de correlação espúria: associações observadas refletem relações sistemáticas e não flutuações aleatórias; quanto maior a amostra, mais plausível essa condição.^REF?

• Consistência: os valores observados do tratamento correspondem a intervenções bem definidas e coincidem com os valores dos contrafactuais relevantes.^REF?

• Intercambialidade: condicionalmente às covariáveis medidas, a atribuição do tratamento é independente dos desfechos potenciais.^REF?

• Positividade: para todos os valores das covariáveis consideradas, a probabilidade de receber cada nível do tratamento é maior que zero.^REF?

• Fidelidade: efeitos causais não se cancelam sistematicamente no agregado populacional, de modo que efeitos médios nulos correspondem à ausência de efeito causal relevante.^REF?

26.3.2 Qual a relação dessas suposições com as demais suposições inferenciais?

• Essas suposições operam antes do modelo estatístico.^REF?

• Não são verificáveis por diagnóstico residual ou testes de ajuste.^REF?

• Mesmo com todas as suposições estatísticas satisfeitas, a inferência causal pode falhar se qualquer uma dessas suposições não for atendida.^REF?

26.4 Diagnóstico e verificação

26.4.1 O que fazer quando suposições gerais falham?

• Transformações.^REF?

• Métodos robustos (estimadores e testes).^REF?

• Reamostragem.^REF?

• Modelos alternativos.^REF?

26.4.2 O que fazer quando as suposições causais falham?

• Clarificar o alvo causal: redefinir a população, o tratamento ou o efeito de interesse.[REF]

• Análise de sensibilidade: avaliar quanto confundimento não medido seria necessário para invalidar as conclusões.[REF]

• Restringir o suporte: limitar a análise a regiões com positividade plausível (suporte comum).[REF]

• Estratificação ou ajuste enriquecido: incluir covariáveis adicionais relevantes, quando disponíveis.[REF]

• Modelagem causal explícita: usar DAGs para tornar suposições transparentes e discutíveis.[REF]

• Estimativas parciais ou locais: reportar efeitos condicionais ou locais quando o efeito médio não é identificável.[REF]

• Conclusões mais fracas: interpretar resultados como associações ajustadas, não como efeitos causais.[REF]

• Relato explícito das falhas: documentar quais suposições não são plausíveis e por quê.[REF]

O pacote performance²⁵⁰ fornece a função check_model para analisar a colinearidade entre variáveis, a normalidade da distribuição das variáveis e a heteroscedasticidade.

26.4.3 Como avaliar as suposições de uma regressão?

• Usando diagnóstico de regressão (ex.: análise de resíduos, gráficos de valores observados vs. preditos) e comparação com análises estratificadas.²⁶⁹

Figura 26.1: Diagnóstico de regressão para avaliar suposições do modelo: linearidade, normalidade dos resíduos, homocedasticidade e alavancagem.

26.4.4 Como avaliar a independência entre variáveis?

• Verifique por dependência entre variáveis de um modelo de regressão:²¹⁴

  • Gráfico de série temporal das variáveis

  • Gráfico de autocorrelação entre as variáveis

Figura 26.2: Séries temporais e autocorrelação de duas séries simuladas com fraca e forte autocorrelação.

26.5 Normalidade

26.5.1 Devemos testar as suposições de normalidade?

• Testes preliminares de normalidade não são necessários para a maioria dos testes paramétricos de comparação, pois eles são robustos contra desvios moderados da normalidade. Normalidade da distribuição deve ser estabelecida para a população.²⁷⁰

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

Referências

214.

Zuur AF, Ieno EN, Elphick CS. A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution. 2009;1(1):3–14. doi:10.1111/j.2041-210x.2009.00001.x

250.

Lüdecke D, Ben-Shachar MS, Patil I, Waggoner P, Makowski D. performance: An R Package for Assessment, Comparison and Testing of Statistical Models. Journal of Open Source Software. 2021;6:3139. doi:10.21105/joss.03139

269.

Greenland S. Modeling and variable selection in epidemiologic analysis. American Journal of Public Health. 1989;79(3):340–349. doi:10.2105/ajph.79.3.340

270.

Rochon J, Gondan M, Kieser M. To test or not to test: Preliminary assessment of normality when comparing two independent samples. BMC Medical Research Methodology. 2012;12(1). doi:10.1186/1471-2288-12-81