Hipótese nula | Estatística

A hipótese nula é essencial para a investigação científica, uma vez que constitui a base dos inquéritos de investigação. Para além de dar aos investigadores um ponto de partida, permite-lhes desenvolver hipóteses alternativas que podem ser testadas e avaliadas.

O papel da hipótese nula

Examinar a relação entre variáveis ou descobrir se existem variações entre grupos é frequentemente importante em estudos científicos. De acordo com a hipótese nula, muitas vezes não há diferença ou ligação discernível entre as variáveis sob investigação. Denota a ausência de uma relação entre os componentes relevantes ou de um efeito entre eles.

Os investigadores criam a hipótese nula para servir de ponto de referência para a comparação dos seus resultados. Normalmente representada pelo símbolo H0, esta hipótese serve de referência para determinar a significância estatística dos resultados do estudo.

Exemplo

Para clarificar esta ideia, utilizemos como exemplo um estudo sobre os efeitos de um novo programa de intervenção na dor cervical inespecífica. Pode não haver uma diferença discernível na dor no pescoço entre os pacientes que recebem a intervenção e os que não recebem, de acordo com a hipótese nula nesta situação.

Assim, a hipótese nula pode ser escrita matematicamente como H0: 1 - 2 = 0, em que 1 é a dor média no pescoço das pessoas que beneficiam da intervenção e 2 é a dor média no pescoço das pessoas que não beneficiam da intervenção.

Após a recolha de informações, os investigadores efectuam testes estatísticos para verificar se as provas confirmam ou refutam a hipótese nula. Os investigadores podem rejeitar a hipótese nula em favor de uma hipótese alternativa se os dados contradizerem a hipótese nula e mostrarem uma diferença ou ligação significativa.

Não faça isso

É importante sublinhar que a hipótese alternativa não é demonstrada pela rejeição da hipótese nula. Em vez disso, argumenta que os dados podem sugerir que a hipótese alternativa seja considerada uma explicação mais plausível. Normalmente, a hipótese alternativa afirma que existe uma distinção ou ligação entre as variáveis relevantes.

Na vida real, os investigadores analisam a probabilidade de obter os resultados reportados sob a hipótese nula, utilizando vários testes estatísticos, como os testes t ou os testes de qui-quadrado. Os investigadores rejeitam a hipótese nula e exploram a hipótese alternativa se a probabilidade for inferior a um nível de significância predefinido, normalmente designado por alfa (α), na maioria das vezes 0,05.

O ato de testar hipóteses é essencial para a investigação científica porque permite aos investigadores fazer juízos baseados em dados empíricos. Os investigadores podem aumentar o conhecimento e contribuir para a compreensão de muitos fenómenos, analisando metodicamente e questionando a hipótese nula.

Problemas com o teste da hipótese nula

Uma crítica importante é o facto de frequentemente ignorar os tamanhos dos efeitos e a significância clínica em favor de se concentrar apenas na significância estatística. A significância estatística não revela a dimensão ou a importância do efeito observado; apenas indica se é provável que uma descoberta tenha ocorrido por acaso. O teste de grandes conjuntos de dados pode resultar em resultados significativos (rejeitando a H0) para as mais pequenas diferenças.

Vamos continuar com o exemplo anterior. Está interessado na EVA (escala visual analógica) para a dor após o tratamento de duas intervenções para a dor no pescoço. Tem cerca de 1000 doentes por grupo. O grupo A tem uma média de 2,2/10 após o tratamento e o grupo B 2,4/10. Dado que os grupos são tão grandes, é provável que esta pequena diferença resulte numa diferença significativa com o teste de hipótese nula. No entanto, 0,2/10 de uma diferença não é relevante. Em termos de significado clínico, estes dois grupos são iguais.

Outro problema é que a hipótese nula pode ser rejeitada ou aceite, o que pode levar a uma interpretação binária dos dados. Esta abordagem dicotómica pode simplificar demasiado as ocorrências complicadas e não ter em conta os pormenores mais finos dos dados.

Além disso, até ser refutado, o teste da hipótese nula assume que a hipótese nula é verdadeira. Isto pode levar a um enviesamento a favor da hipótese nula e levar a uma possível cegueira para efeitos potencialmente significativos.

Os opositores defendem que métodos alternativos, como a comunicação do tamanho do efeito ou as estatísticas Bayesianas, podem oferecer uma análise mais completa e instrutiva dos resultados do estudo, permitindo uma melhor compreensão da relevância e das consequências práticas dos resultados.

Resumo

A hipótese nula, que afirma que não existe uma diferença ou associação significativa entre as variáveis de interesse, actua como o pressuposto padrão numa investigação. Para rejeitar a hipótese nula em favor de uma hipótese alternativa, os dados devem ser incompatíveis com a hipótese nula, mostrando uma diferença significativa. Os cientistas podem melhorar as hipóteses, investigar novos conceitos e aprofundar a nossa compreensão do mundo através do teste de hipóteses. No entanto, existe um grande grupo de críticos contra o teste da hipótese nula. Não deixa de ter os seus defeitos.

Neyman, J., & Pearson, E. S. (1933). Sobre os problemas dos testes mais eficazes das hipóteses estatísticas. Philosophical Transactions of the Royal Society of London, 231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). Sobre a teoria dos testes de Neyman-Pearson. The British Journal for the Philosophy of Science, 29(1), 1-24. doi:10.1093/bjps/29.1.1 

Quintana, D.S., Williams, D.R. Alternativas Bayesianas para testes de significância de hipóteses nulas comuns em psiquiatria: um guia não técnico usando JASP. BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm e Anderson, os valores de P são apenas um índice de evidência: 20º- vs. Ciência estatística do século XXI. Ecology (2014), https://doi.org/10.1890/13-1066.1