O seu Blog de Psicometria

Tenha acesso à nossa enciclopédia virtual de conhecimento em Psicometria e Análise de Dados

Junte-se a mais de 22.300 membros e receba conteúdos exclusivos e com prioridade

O que é o Teste de Hipóteses

psicometriaonline

maio 7, 2021

O teste de hipóteses é um conceito presente em quase todo teste estatístico que fizermos. É por causa do teste de hipóteses que sempre analisamos valor-p. Vamos entender o que ele significa neste artigo.

Hipótese nula e alternativa

Nos testes estatísticos, estamos comparando uma hipótese nula e uma hipótese alternativa. A hipótese nula, h0, normalmente afirma que não podemos detectar um efeito entre dois fenômenos. Já a hipótese alternativa, h1 é a hipótese que assumimos como mais correta somente quando falhamos em rejeitar a hipótese nula.

Com um exemplo fica mais claro. Vamos supor que em uma pesquisa estamos mensurando o construto ansiedade em uma amostra de pais e mães solteiros. Em nossa pesquisa, acreditamos que a média de ansiedade para as mães solteiras será maior que a média de ansiedade para os pais solteiros.

Como estamos lidando com uma amostra, pode ser que o efeito observado seja uma variação aleatória da nossa amostra. Portanto, para termos segurança de que de fato há diferença entre os pais e mães, vamos fazer um teste de hipóteses. Um teste que podemos usar é o teste-t de Student. Este teste irá dizer se as médias dos dois grupos é grande o suficiente para consideramos o efeito como verdadeiro.

O teste-t tem como hipótese nula de que a média não é significativamente diferente entre os grupos. Já a hipótese alternativa é de que esta diferença existe. Na nossa pesquisa podemos formular assim:

  • H0 (nula): não há diferença na média de ansiedade de pais e mães solteiras;
  • H1 (alternativa): há diferença na média de ansiedade de pais e mães solteiras.

Como aceitamos ou rejeitamos a hipótese nula?

Agora que já entendemos o que são a hipótese nula e alternativa, podemos entender como tomamos a decisão aceitá-las ou rejeitá-las. O primeiro passo é decidir por um valor de significância, o α (alfa). Ele nos diz o quão provável é que aquele efeito que observamos tenha ocorrido ao acaso. Geralmente, nosso alfa é de 0,05. Com isso, vamos aceitar que haja até 5% de chance de que o resultado tenha ocorrido ao acaso.

Então, vamos olhar o valor-p. Este é um dos resultados do teste que vamos usar e está presente em quase todo os testes estatísticos que vamos analisar. O valor-p nos indica a probabilidade de que o valor da estatística teste seja igual ou maior que a observada a partir de uma amostra retirada da população se a hipótese nula for verdadeira — no nosso caso, que o valor de t seja igual ou maior em uma amostra da população se a h0 for verdadeira.

Isso significa que se o valor de p for menor do que 0,05, vamos rejeitar a hipótese nula. Pois há uma chance pequena (< 5%) de que a diferença de média nos valores observados de ansiedade tenha ocorrido ao acaso.

Teste de hipóteses no nosso exemplo

Com estas informações, podemos analisar os resultados do teste da nossa pesquisa. Vamos supor que o resultado do nosso teste-t indicou um nível de significância de p = 0,03. Como adotamos alfa de 0,05 e nosso valor-p é menor do que 0,05, vamos rejeitar a hipótese nula e entender que há diferença nos níveis de ansiedade entre os pais e mães solteiras.

Com estas informações, acredito que agora você consiga olhar os resultados dos testes e saber se podemos levá-los à sério, caso a hipótese nula seja rejeitada, ou se não conseguimos reunir evidências o suficiente para rejeitar a hipótese nula. Um bom exemplo de uso de testes de hipótese aqui no blog são os artigos sobre correlação. Você consegue identificar a importância do teste de hipóteses na correlação de Pearson?

No entanto, você pode estar se perguntando se há algum empecilho em adotar um valor de alpha mais rigoroso, como 0,01. Bom, ao fazer isso, estamos aumentando a chance de não rejeitar a hipótese nula ainda que o efeito seja verdadeiro, o erro do tipo II. Mas nós vamos falar mais sobre erro do tipo I e erro do tipo II em um próximo artigo. Então, se cadastre na nossa lista para receber todas as atualizações.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Conteúdo

Mais lidos

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Postados recentemente

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

psicometriaonline

Posts sugeridos

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Nesse post, iremos te ensinar a lidar, de modo metodologicamente adequado com os pressupostos da análise de variância (ANOVA), quando eles não são acatados. O…

psicometriaonline

abr 6, 2024

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de…

Alex França

fev 18, 2024

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de…

Alex França

fev 11, 2024

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.