O que é poder estatístico? | Estatísticas

O poder é a probabilidade de longo prazo de uma série de estudos idênticos detectar um efeito estatisticamente significativo (por exemplo, p<0,05), se houver algum. A probabilidade de um erro do tipo 2 em uma série de estudos idênticos é um menos o poder (1-ß, geralmente 20%).

Por exemplo.

Cem estudos são realizados na mesma população com a mesma estrutura de tratamento A vs. tratamento B. A verdadeira diferença de tratamento na vida real entre A e B é uma chance 30% maior de recuperação total no tratamento A. Quando as estatísticas são realizadas nesses cem estudos (mesma população, mesma variação, mesmo desvio padrão), em média cerca de 20 estudos não mostrarão um efeito estatisticamente significativo. Essa é a taxa de erro do tipo 2, ou falsos negativos, diretamente relacionada à potência estatística (1-ß).

Portanto, para simplificar, um estudo com alimentação inadequada mostrará com menos frequência um efeito estatisticamente significativo, embora exista de fato uma diferença.

Isso influencia a potência

A potência é influenciada por alguns fatores, assim como os valores de p.

• Tamanho da amostra: amostra maior = mais poder (diferenças mais claras entre os grupos, menos ruído nos dados)
• Variância: variância menor = mais potência
• Tamanhos de efeito: tamanhos de efeito maiores = mais poder (mais fácil de detectar em um teste)
• Tipo de teste estatístico: alguns testes produzem mais poder em troca de mais suposições (não há almoços grátis em estatística)

É fundamental entender, no entanto, que o poder estatístico (por exemplo, o poder de análise de dados) é muito importante. 80%) existe para uma ferramenta de medição, para um ponto no tempo, para um tamanho de efeito.

Baixo poder = estudo não confiável

Portanto, um estudo com baixa potência aumenta o risco de erros do tipo 2 (falsos negativos), mas também aumenta o risco de erros do tipo 1 (falsos positivos), com efeitos inflados. Isso é chamado de "maldição do vencedor". É por isso que você simplesmente não pode lançar várias medidas de resultados em um tamanho de amostra e medir em vários pontos no tempo sem deixar seu poder estatístico cair. Os bons pesquisadores e clínicos sabem que as medidas de resultados secundários são meramente sugestivas porque o estudo não tem poder para essa quantidade de medidas. Você precisa de novos estudos para confirmar essas sugestões. O problema descrito acima é chamado de problema de comparação múltipla.

Imagino que isso pareça um pouco contraintuitivo. Vamos dar uma olhada em um exemplo.

Por exemplo.

Você está dando aula para um grupo de 200 alunos e decide dividi-los em dois grupos. O objetivo do seu estudo é verificar se há diferenças de gênero, como mais mulheres em um grupo em comparação com o outro. Não há nenhuma diferença. Em seguida, você analisa a cor dos olhos, a cor do cabelo, o comprimento do dedo indicador, a resistência ao supino, a qualidade de vida, a idade, a quantidade de irmãos, etc. É provável que você encontre um resultado estatisticamente significativo em algum lugar. Esse é o problema da comparação múltipla.

Soluções

Para evitar estudos com pouca potência e o risco de falsos positivos ou falsos negativos, os pesquisadores devem planejar seus estudos com potência adequada. Isso requer a consideração de fatores como o tamanho da amostra, o tamanho do efeito, a variação e o teste estatístico usado. Os testes múltiplos também representam um risco de falsos positivos, que podem ser tratados por meio de métodos como o ajuste do nível de significância ou o uso do controle da taxa de descoberta falsa. Ao compreender o conceito de poder estatístico e sua importância no teste de hipóteses, os pesquisadores podem elaborar estudos que produzam resultados confiáveis e significativos.

Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Testes estatísticos, valores de P, intervalos de confiança e potência: um guia para interpretações errôneas. European journal of epidemiology, 31(4), 337-350. https://doi.org/10.1007/s10654-016-0149-3

Ingre M. (2013). Por que pequenos estudos de baixa potência são piores do que grandes estudos de alta potência e como se proteger contra descobertas "triviais" em pesquisas: comentário sobre Friston (2012). NeuroImage, 81, 496-498. https://doi.org/10.1016/j.neuroimage.2013.03.030

Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Testes estatísticos, valores de P, intervalos de confiança e potência: um guia para interpretações errôneas. European journal of epidemiology, 31(4), 337-350. https://doi.org/10.1007/s10654-016-0149-3