Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Variáveis de confusão e outras ameaças à validade do seu estudo

Se olharmos para a questão da validade da maneira mais geral, uma das maiores preocupações que temos são fatores de confusão.
Um confundidor é uma variável adicional, muitas vezes não medida, que acaba por estar relacionada tanto aos preditores quanto ao resultado. A existência de fatores de confusão ameaça a validade interna do estudo porque você não pode dizer se o preditor causa o resultado ou se a variável de confusão o causa.

Concept of confounding variables - Definition (v1) by Arindam Basu | Qeios

Como regra geral, os fatores de confusão são uma preocupação maior para estudos não experimentais. Por definição, você está deixando muitas coisas descontroladas, então há muito espaço para confundidores presentes em seu estudo. A pesquisa experimental tende a ser muito menos vulnerável a fatores de confusão. Quanto mais controle você tiver sobre o que acontece durante o estudo, mais poderá evitar que fatores de confusão afetem os resultados. Com a alocação aleatória, por exemplo, os fatores de confusão são distribuídos aleatoriamente e uniformemente entre os diferentes grupos.

Ao trabalhar em um contexto mais real, você perde o controle experimental (tornando-se vulnerável a fatores de confusão), mas, como você tende a estudar psicologia humana “na selva”, reduz as chances de obter um resultado artificial.

É absolutamente possível ter fatores de confusão em um experimento e obter resultados artificiais com estudos não experimentais. Isso pode acontecer por todos os tipos de razões, incluindo o erro do experimentador ou do pesquisador. Na prática, é muito difícil pensar em tudo com antecedência e até mesmo pesquisadores muito bons cometem erros. Então, vamos dar uma olhada em alguns dos exemplos mais comuns.

Os efeitos da história referem-se à possibilidade de que eventos específicos possam ocorrer durante o estudo que possam influenciar a medida de resultado. Por exemplo, algo pode acontecer entre um pré-teste e um pós-teste. Ou entre testar o participante 23 e o participante 24.

Os efeitos maturacionais são fundamentalmente sobre mudanças ao longo do tempo. No entanto, os efeitos de maturação não são em resposta a eventos específicos. Em vez disso, eles se relacionam com a forma como as pessoas mudam por conta própria ao longo do tempo. Ao fazer pesquisas em psicologia do desenvolvimento, você precisa estar ciente de que as crianças crescem muito rapidamente. Então, suponha que você queira descobrir se algum truque educacional ajuda no tamanho do vocabulário entre crianças de 3 anos. Uma coisa que você precisa estar ciente é que o tamanho do vocabulário das crianças dessa idade está crescendo a uma taxa incrível (várias palavras por dia) por conta própria. Se você projetar seu estudo sem levar em conta esse efeito maturacional, não ser capaz de dizer se o seu truque educacional funciona.

O efeito de testes repetidos. Suponha que eu queira levar dois medidas de algum construto psicológico (por exemplo, ansiedade). Uma coisa que eu poderia estar preocupado é se a primeira medição tiver efeito sobre a segunda medição. Em outras palavras, esta é uma história efeito em que o “evento” que influencia a segunda medição é a própria primeira medição! Isso não é nada incomum. Exemplos disso incluem: Aprendizagem e prática: por exemplo, “inteligência” no tempo 2 pode parecer aumentar em relação ao tempo 1 porque os participantes aprenderam as regras gerais de como resolver.

Tudo isso deve deixar claro para você que o desenho do estudo é uma parte crítica da metodologia de pesquisa. E este texto faz parte do livro Aprendendo Estatística com JASP: Um Tutorial para Estudantes de Psicologia e Outros Iniciantes, escrito por Danielle J. Navarro, David R. Foxcroft e Thomas J. Faulkenberry.

Ou seja, o desenho do seu estudo tem implicações diretas com os resultados obtidos!

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).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

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 dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

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 dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

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 dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

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 dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

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.