O que todo mundo não te conta sobre teste de hipótese no dia a dia
A maior parte das pessoas aprende estatística inferencial na faculdade e depois nunca mais usa do jeito certo. Eu comecei mexendo com dados de pesquisa eleitoral em 2011 e, até hoje, vejo gente aplicando teste t de Student em dados que não são normais sem nem perceber. O problema não é o conceito em si. O problema é que todo mundo decora a fórmula e esquece de checar se os pressupostos estão sendo satisfeitos.
o que é estatística inferencial
No fundo, estatística inferencial serve para você tirar conclusões sobre uma população inteira baseada apenas em uma amostra. Você não precisa medir todo mundo. Você pega um grupo, calcula médias, varianças, propósitos, e depois estima onde a população provavelmente está. Isso parece simples quando está no livro. Na prática, é onde aparecem os erros que ninguém quer assumir. O que acontece na realidade é que a inferência sempre carrega uma margem de erro. Intervalo de confiança de 95 por cento não quer dizer que ninety-five percent das observações estão dentro do intervalo. Quer dizer que, se você repetir o processo mil vezes, cem deles vão falhar. Esse detalhe é ignorado o tempo todo em relatórios que eu tenho que revisar.
Eu lembro de um caso em que precisei estimar a renda média de uma região usando amostras estratificadas. A amostra tinha dois mil registros, mas a distribuição de rendas era extremamente assimétrica. Usei transformação logarítmica antes de calcular o intervalo e, depois, back-transformei o resultado. Sem isso, o intervalo de confiança ficava totalmente enviesado para cima. Gastei uma tarde inteira só ajustando isso, mas o erro inicial já tinha sido propagado por três relatórios que iam para a diretoria. O ponto principal é que a inferência depende completamente da qualidade da sua amostra. Amostra não probabilística pode funcionar em contextos muito específicos, mas a maioria dos testes clássicos assume aleatorização. Se você violar isso, o p-valor perde o significado prático. Não é teoria. É algo que eu vi acontecer em projetos de saúde pública onde a seleção dos participantes não era aleatória e ainda assim queriam generalizar os resultados para toda a cidade.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Existem alternativas que funcionam melhor quando os pressupostos tradicionais falham. Bootstrap é uma delas. Eu uso bootstrap para construir intervalos de confiança quando a distribuição dos dados é desconhecida ou quando o tamanho da amostra é pequeno. Em vez de confiar na aproximação normal, você reamostra com reposição centenas de vezes e observa a variabilidade empírica. Funciona bem na maioria dos casos práticos que eu encontro. Outra coisa que pouca gente leva a sério é o poder do teste. Poder estatístico é a chance de você detectar um efeito real quando ele existe. Pesquisa com poder baixo é uma perda de tempo. Já vi projeto de tese com duzentas observações tentando detectar um efeito pequeno e ainda assim achando que tinha achado algo significativo só porque o p-valor caiu abaixo de zero ponto zero cinco. Aquele resultado era falso positivo potencial. A amostra simplesmente não tinha poder suficiente.
É importante falar também dos testes não paramétricos. Mann-Whitney, Kruskal-Wallis, Wilcoxon. Eles existem por um motivo. Quando os dados não respeitam normalidade ou homocedasticidade, esses testes são mais confiáveis. O problema é que muitos analistas tratam eles como segunda categoria e preferem forçar um teste paramétrico mesmo sabendo que os pressupostos não são atendidos. Isso gera conclusões equivocadas com frequência. Se você trabalha com dados reais, vai encontrar missing data. Muito mais do que deveria. O jeito mais ingênuo de resolver é remover as linhas com dados faltantes. Isso pode destruir sua amostra se o mecanismo de_missing não for completamente aleatório. Imputação múltipla é mais robusta. Eu uso pacote mice no R para gerar cinco conjuntos imputados, rodar a análise em cada um e consolidar os resultados seguindo as regras de Rubin. Leva mais tempo, mas reduz viés de forma significativa.
O que eu quero deixar claro aqui é que estatística inferencial não é bala de prata. Ela funciona quando você entende o que está fazendo. Funciona quando checa pressupostos, escolhe o teste certo, avalia o poder e interpreta os intervalos de confiança com responsabilidade. Falhar nesses passos é mais comum do que as pessoas admitem. Um erro recorrente é confundir significância estatística com relevância prática. Um efeito pode ser estatisticamente significativo com tamanho de amostra grande o suficiente, mesmo sendo insignificante do ponto de vista real. Isso acontece o tempo todo em estudos clínicos onde diferenças de dois milímetros em pressão arterial recebem p-valor baixo porque a amostra tinha cinco mil pacientes. Numericamente bonito. Clinicamente irrelevante.
Se você quer aprender a aplicar isso de verdade, a melhor coisa é parar de usar datasets prontos e limpos. Pegue dados brutos de alguma fonte pública, como o IBGE ou o DATASUS, e construa seus próprios intervalos e testes. A experiência de lidar com dados sujos é o que realmente te prepara para o mercado. Teoria é importante, mas quem só sabe teoria sem ter sujado a mão nos dados acaba cometendo erros básicos de suposição. Uma dica prática que eu dou para qualquer pessoa que esteja começando nessa área é registrar tudo. Anotar versão dos pacotes, código de limpeza, decisões sobre tratamento de outliers, justificativas para escolha do teste. Isso parece burocracia. Na prática, evita que você refaça três dias de trabalho porque mudou uma linha de código sem saber que ela afetava o resultado final. Eu perdi duas semanas com isso no passado e hoje levo isso muito a sério.
