MEDIAÇÃO DA INFORMAÇÃO E COMPORTAMENTO INFORMACIONAL

Em Estatística, um resultado é significante e, portanto, tem significância estatística, se for improvável que tenha ocorrido por acaso (que em estatística e probabilidade é tratado pelo conceito de chance), caso uma determinada hipótese nula seja verdadeira, mas não sendo improvável caso a hipótese base seja falsa. A expressão teste de significância foi cunhada por Ronald Fisher.1

Mais concretamente, no teste de hipóteses com base em frequência estatística, a significância de um teste está relacionada ao nível de confiança ao rejeitar hipótese nula quado esta é verdadeira (uma decisão conhecida como erro do tipo I). O nível de significância de um resultado é também chamado de e não deve ser confundido com o valor p (p-value).

O nível de significância não pode se confundido com probabilidade de significância, uma vez que não é uma probabilidade. Por exemplo, ao fazer um teste com uma média, se fosse possível repetir um número muito grande de amostras para calcular a média, em aproximadamente 5% dessas amostras, seria rejeitada a hipótese nula quando esta é verdadeira. Assim, como em um experimento real, somente é coletada uma amostra, espera-se que esta seja uma da 95% onde a hipótese nula é realmente falsa. Assim tem-se confiança no resultado obtido. Como outro exemplo, ao se calcular um intervalo de confiança 95%, equivalente a um erro Tipo I de 5%, tem-se confiança que o intervalo contêm o parâmetro estimado. No entanto, uma vez que reporta-se um intervalo numérico, o parâmetro populacional desconhecido ou está dentro do intervalo ou fora; não existe uma probabilidade desse intervalo conter o parâmetro.

Outro exemplo: podemos escolher um nível de significância de 5%, e calcular um valor crítico de um parâmetro (por exemplo a média) de modo que a probabilidade de ela exceder esse valor, dada a verdade da hipótese nula, ser 5%. Se o valor estatístico calculado (ou seja, o nível de 5% de significância anteriormente escolhido) exceder o valor crítico, então o resultado é significativo "ao nível de 5%".

Se o nível de significância (ex: 5% anteriormente dado) é menor, o valor é menos provavelmente um extremo em relação ao valor crítico. Deste modo, um resultado que é "significante ao nível de 1%" é mais significante do que um resultado que é significante "ao nível de 5%". No entanto, um teste ao nível de 1% é mais susceptível de padecer do erro do tipo II do que um teste de 5% e por isso terá menos poder estatístico.

Ao divisar um teste de hipóteses, o técnico deverá tentar maximizar o poder de uma dada significância, mas ultimamente tem de reconhecer que o melhor resultado que se pode obter é um compromisso entre significância e poder, em outras palavras, entre os erros de tipo I e tipo II.

É importante ressaltar que os valores p Fisherianos são filosoficamente diferentes dos erros de tipo I de Neyman-Pearson. Esta confusão é infelizmente propagada por muitos livros de estatística.2

A expressão teste de significância foi criada por Ronald Fisher: "Critical tests of this kind may be called tests of significance, and when such tests are available we may discover whether a second sample is or is not significantly different from the first."1

Um Teste de Hipóteses pode ser paramétrico ou não-paramétrico. Testes paramétricos são baseados em parâmetros da amostra, por exemplo média e desvio padrão. O uso tanto dos testes paramétricos como dos não-paramétricos está condicionado à dimensão da amostra e à respectiva distribuição da variável em estudo.

Os testes de hipóteses são sempre constituídos por duas hipóteses, a hipótese nula H0 e a hipótese alternativa H1.

• Hipótese nula (Ho) : é a hipótese que traduz a ausência do efeito que se quer verificar.

• Hipótese alternativas (H1) : é a hipótese que o investigador quer verificar.

• Nível de significância: a probabilidade de rejeitar a hipotese nula quando ela é efetivamente verdadeira (ERRO)

Finalidade: avaliar afirmações sobre os valores de parâmetros.

O valor-p é uma estatística muito utilizada para sintetizar o resultado de um teste de hipóteses. Formalmente, o valor-p é definido como a probabilidade de se obter uma estatística de teste igual ou mais extrema quanto aquela observada em uma amostra, assumindo verdadeira a hipótese nula.

Hipóteses e testes para a média

verdadeira falsa

Aceitar Decisão correta Erro Tipo II

Rejeitar Erro Tipo I ( ) Decisão correta

é o nível de significância, representa a probabilidade de Erro Tipo I, ou seja, é a probabilidade de rejeitarmos uma hipótese verdadeira.

O teste consiste em verificar, através de uma amostra, se a média da população atende o caso em teste (conforme desejemos testar diferença, valor inferior ou valor superior a uma referência para a média), para um certo nível de significância desejado.

Inicialmente devemos calcular:

média da amostra

média esperada da população

desvio padrão da amostra

tamanho da amostra

Em seguida consultamos na tabela da cuva normal o Z correspondente a cada caso.

Finalmente verificamos se se encontra na área de rejeição conforme o caso em teste.

Caso 1 - Unilateral ou unicaudal à esquerda

Rejeitar se

Caso 2 - Unilateral ou unicaudal à direita

Rejeitar se

Caso 3 - Bilateral

Rejeitar se

ou se