Testes Estatísticos: Paramétricos vs. Não Paramétricos

UFSC/HU - Hospital Universitário Prof. Polydoro Ernani de São Thiago (SC) — Prova 2017

Enunciado

Considere os valores apresentados na tabela fictícia abaixo. (Conforme imagem do caderno de questões). Para um nível de significância de 5%, qual a conclusão dos resultados?

Alternativas

1. A) A diferença é estatisticamente significativa, porque o teste paramétrico é mais robusto e por isso deve ser escolhido.
2. B) A diferença não é estatisticamente significativa, porque o teste não paramétrico deve ser escolhido nesse caso, em que os dados têm distribuição muito assimétrica.
3. C) A diferença é estatisticamente significativa, porque o teste paramétrico deve ser escolhido nesse caso, em que os dados têm distribuição normal.
4. D) A diferença não é estatisticamente significativa, porque sempre se deve escolher o valor-p mais alto.
5. E) Sobre a notificação dos casos de acidentes de trabalho fatais, graves ou que envolvam crianças e adolescentes, é correto afirmar que:

Pérola Clínica

Dados assimétricos → teste não paramétrico; p > 0,05 (α=5%) → diferença não significativa.

Resumo-Chave

A escolha do teste estatístico (paramétrico ou não paramétrico) depende da distribuição dos dados. Para dados com distribuição assimétrica ou não normal, testes não paramétricos são mais adequados, pois não assumem normalidade. O valor-p resultante deve ser comparado ao nível de significância (alfa) para determinar a significância estatística.

Contexto Educacional

A escolha do teste estatístico adequado é um pilar fundamental na pesquisa clínica e na interpretação de resultados. Testes paramétricos, como o teste t de Student e a ANOVA, são poderosos quando suas premissas são atendidas, principalmente a normalidade da distribuição dos dados e a homogeneidade das variâncias. No entanto, a violação dessas premissas pode levar a resultados inválidos. Quando os dados apresentam uma distribuição assimétrica, são ordinais, ou a amostra é pequena, os testes não paramétricos tornam-se a escolha mais robusta. Exemplos incluem o teste de Mann-Whitney U (equivalente não paramétrico do teste t para amostras independentes) e o teste de Wilcoxon (para amostras pareadas). Esses testes baseiam-se em ranks e são menos sensíveis a outliers. A interpretação do valor-p em relação ao nível de significância (alfa) é crucial. Um valor-p < alfa (e.g., 0,05) indica que a probabilidade de observar os resultados por acaso, se a hipótese nula fosse verdadeira, é baixa, levando à rejeição da hipótese nula e à conclusão de significância estatística. Contudo, a validade dessa conclusão depende diretamente da escolha correta do teste estatístico.

Perguntas Frequentes

Qual a principal diferença entre testes paramétricos e não paramétricos?

Testes paramétricos assumem que os dados seguem uma distribuição específica (geralmente normal) e que as variâncias são homogêneas, enquanto testes não paramétricos não fazem essas suposições e são usados para dados com distribuição não normal ou assimétrica.

Quando devo usar um teste não paramétrico?

Testes não paramétricos são indicados quando os dados não seguem uma distribuição normal, quando a amostra é pequena, quando os dados são ordinais ou nominais, ou quando há outliers significativos.

Como o nível de significância (alfa) influencia a interpretação do valor-p?

O nível de significância (geralmente 0,05) é o limiar para rejeitar a hipótese nula. Se o valor-p for menor que alfa, a diferença é considerada estatisticamente significativa; se for maior, a diferença não é significativa.

Responda esta e mais de 150 mil questões comentadas no MedEvo — a plataforma de residência médica com IA.