O que acontece nos bastidores quando um resultado ainda não é final
Quando você vê uma publicação dizendo que encontrou algo novo, na maioria das vezes o dado que aparece ali já passou por alguns ciclos de revisão antes de sair do laboratório ou do computador. O primeiro número que todo mundo vê é o chamado resultado preliminar, e ele serve exatamente para isso: dar uma primeira ideia do que está acontecendo antes de tudo ser confirmado. Na prática, isso funciona como um rascunho técnico. Você roda a simulação, coleta os dados, aplica a análise exploratória e vê um padrão se formando. Aí você posta isso num pré-print, num relatório interno, ou num trabalho de congresso com caráter preliminar. Não é mentira. É apenas um estado intermediário onde ainda faltam validação cruzada, verificação de suposições do modelo e reprodutibilidade em pelo menos mais uma execução independente.
Afinal, o que é resultado preliminar
É o produto de uma análise que ainda não recebeu o selo de confiabilidade completa do processo de revisão ou replicação. Em editais acadêmicos no Brasil, por exemplo, o resultado preliminar é aquele que a banca divulgou antes do recurso final. Em pesquisa, é o dado que você apresenta sabendo que pode mudar quando alguém pedir para refazer com outra semente de randomização ou outro software. Eu já trabalhei com conjuntos de dados experimentais onde o resultado preliminar apontava uma diferença estatisticamente significativa com p abaixo de 0,05 em um ensaio clínico fase II. Quando o dataset completo chegou com os 120 pacientes ao invés dos 78 iniciais, o mesmo teste passou a dar p = 0,14. O padrão-gráfico não mudou, mas a potência do estudo fez o efeito sumir. Isso não invalida o método, apenas mostra que preliminar significa ainda não está fechado.
Como construir e apresentar esse resultado sem errar
O procedimento real não tem mistério, mas tem gente que pula etapas e depois se arrepende. Primeiro, você precisa separar claramente o que é dado bruto do que é dado processado. Depois, aplica o método de análise que você escolheu e documenta cada parâmetro: versão do software, seed, thresholds de limpeza, critérios de exclusão. Tudo isso vai para um arquivo de log que você mantém atualizado. Quando eu estava ajustando um modelo de regressão logística para um projeto de epidemiologia, percebi que o resultado preliminar do odds ratio variava de 1,8 para 3,2 só porque eu tinha deixado escapar dois outliers que estavam distorcendo a estimação. A correção foi simples: apliquei o teste de Cook distance, removi as observações com influência desproporcional, e gerei um novo resultado preliminar com intervalo de confiança mais estreito. Sem aquela verificação, eu teria publicado um número inflado.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Para estruturar o reporte, use esta sequência: (1) descreva o objetivo da análise, (2) liste os dados brutos e o tamanho amostral inicial, (3) explique os filtros aplicados e quantas observações foram mantidas ou removidas, (4) apresente o método estatístico ou computacional, (5) mostre o resultado com intervalos de confiança e magnitude do efeito, (6) destaque explicitamente o status de preliminar e quais validações ainda estão pendentes.
O que os iniciantes costumam fazer errado
O erro mais frequente é tratar o resultado preliminar como se fosse definitivo e construír decisões sobre ele. Isso acontece muito em comitês de dados que precisam se pronunciar rápido, mas a confiança do intervalo não foi ajustada para múltiplas comparações. Se você está testando quinze variáveis explicativas e só uma "aparece" significativa num resultado preliminar, a chance de ser falso positivo está bem acima de 5%. O ajuste de Bonferroni é conservador demais nesses casos. Eu prefiro usar a correção de Benjamini-Hochberg para controle da taxa de descobertas falsas, que preserva mais poder sem abrir mão do controle de erro. Outro problema recorrente é publicar o resultado preliminar sem divulgar o código ou os dados que o geraram. Sem isso, ninguém consegue verificar se a análise é reprodutível, e o trabalho perde totalmente o valor de sinalização. Coloque um repositório com os scripts, o README explicando como rodar, e o dataset anonimizado se for permitido pelo comitê de ética.
Limitações que ninguém gosta de admitir
Resultado preliminar não é prova. Ele pode indicar uma direção, mas não garante que a direção esteja certa. Quando o modelo depende de suposições fortes — como normalidade dos resíduos, homocedasticidade ou independência das observações — e esses pressupostos não foram verificados, o número que você vê pode estar completamente deslocado da realidade. Nesses cenários, o resultado preliminar é útil apenas como sinal de alerta, não como fundamento para decisão. Se o seu objetivo é tomar uma decisão clínica, regulatória ou financeira baseada em dados, um resultado preliminar nunca é suficiente. O caminho mais seguro é aguardar a versão revisada, com revisão por pares ou, no mínimo, replicação independente. Se você precisa se movimentar rápido, pelo menos faça uma análise de sensibilidade variando os parâmetros críticos e mostre como o resultado se comporta sob diferentes especificações. Isso dá transparência ao interlocutor sobre a incerteza envolvida.
O que eu recomendo quando não dá para esperar é combinar o resultado preliminar com uma análise bayesiana, usando o valor pontual apenas como likelihood inicial e atribuindo um prior que reflita a incerteza. Assim, mesmo que o número mude quando chegarem mais dados, o quadro probabilístico já incorpora essa possibilidade de forma explícita, em vez de fingir que tudo está fechado.
