Em pesquisas psicológicas, particularmente quando se trabalha com pequenos tamanhos de amostra, selecionar o teste estatístico adequado é fundamental para tirar conclusões válidas.O teste exato de Fisher é um teste de hipótese estatística utilizado para avaliar a associação entre duas variáveis binárias em uma tabela de contingência e é particularmente útil quando se trabalha com amostras de tamanho pequeno.Este guia abrangente irá lhe mostrar tudo o que você precisa saber sobre a realização do Teste Exato de Fisher em estudos psicológicos de amostra pequena, desde a compreensão dos fundamentos teóricos até a implementação e interpretação práticas.

O que é o Teste Exato de Fisher?

O teste exato de Fisher é um de uma classe de testes exatos, assim chamado porque o significado do desvio de uma hipótese nula (por exemplo, valor de p) pode ser calculado exatamente, em vez de confiar em uma aproximação que se torna exata no limite à medida que o tamanho da amostra cresce para infinito, como acontece com muitos testes estatísticos. O teste foi desenvolvido pelo renomado estatístico Ronald Fisher, e é nomeado em homenagem ao seu inventor, Ronald Fisher, que diz ter concebido o teste após um comentário de Muriel Bristol, que afirmou ser capaz de detectar se o chá ou o leite foi adicionado primeiro à sua xícara. Ele testou sua alegação no experimento "lady degusting tea".

O teste exato de Fisher determina se existe uma associação estatisticamente significativa entre duas variáveis categóricas. Você também pode usá-la para um teste de proporção de duas amostras quando você tem um pequeno tamanho amostral. Ao contrário de muitos testes estatísticos que dependem de aproximações, o teste exato de Fisher fornece cálculos de probabilidade precisos, tornando-o inestimável quando lida com dados limitados.

O propósito e as aplicações em psicologia

O teste é útil para dados categóricos que resultam da classificação de objetos de duas formas diferentes; é utilizado para examinar o significado da associação (contingência) entre os dois tipos de classificação, podendo incluir, em pesquisas psicológicas, o exame das relações entre condições de tratamento e desfechos, variáveis demográficas e respostas comportamentais, ou categorias diagnósticas e taxas de sucesso de intervenção.

Pesquisadores psicológicos frequentemente encontram situações em que o tamanho da amostra é necessariamente pequeno devido a restrições práticas, como disponibilidade limitada de participantes, populações clínicas raras, condições experimentais especializadas ou limitações de recursos.

Quando usar o teste exato de Fisher

Considerações sobre o Tamanho da Amostra

Um ou mais valores celulares na tabela de contingência são pequenos (menos de 5). Onde todos os valores são superiores a 5, um teste qui-quadrado deve ser realizado. Este é o critério principal para escolher o Teste Exato de Fisher sobre métodos alternativos. O teste exato de Fisher é recomendado quando o tamanho total da amostra é inferior a 1000, e usar o teste Qui-quadrado ou G para tamanhos maiores de amostra.

Embora na prática seja empregada quando os tamanhos de amostra são pequenos, é válida para todos os tamanhos de amostra. Entretanto, enquanto o teste exato de Fisher é teoricamente válido quando as amostras são grandes, é computacionalmente intensivo e assim geralmente usado apenas para amostras pequenas.

Requisitos de tipo de dados

Para que o Teste Exato de Fisher seja apropriado, seus dados devem preencher critérios específicos:

  • Variáveis categóricas: Ambas as variáveis devem ser categóricas e binárias, o que significa que podem tomar um de dois valores, de modo que uma tabela de contingência 2 x 2 pode ser povoada.
  • Independência de Observações: Independência de observações — variável não deve ser emparelhada ou relacionada. Cada observação deve ser independente de todas as outras.
  • Grupos Mutualmente Exclusivos: Grupos Mutualmente Exclusivos – um indivíduo não pode pertencer a mais de uma célula na tabela de contingência.
  • Frequências esperadas: A literatura indica que a regra habitual para decidir se a aproximação χ2 é boa o suficiente é que o teste Qui-quadrado não é apropriado quando os valores esperados em uma das células da tabela de contingência é inferior a 5, e neste caso o teste exato de Fisher é preferido.

Comparação com o teste Qui-Quadrado

Ambos têm o mesmo propósito — avaliar uma relação entre variáveis categóricas. No entanto, diferenças na metodologia subjacente afetam quando você deve usar cada método. Compreender essas diferenças é crucial para selecionar o teste adequado.

O Teste de Independência de Qui-quadrado é um teste de hipótese mais tradicional que usa uma estatística de teste (qui- quadrado) e sua distribuição amostral para calcular o valor de p. No entanto, a distribuição de amostragem de qui- quadrado apenas aproxima a distribuição correta, proporcionando melhores valores de p como os valores de células na tabela aumentam. Consequentemente, os valores de p de qui- quadrado são inválidos quando você tem pequenas contagens de células.

O teste exato de Fisher calcula uma probabilidade exata e é ideal para pequenas amostras ou baixas contagens de células esperadas, enquanto o teste qui-quadrado utiliza uma aproximação de grande amostra que pode tornar-se imprecisa quando as contagens esperadas caem abaixo de 5. Essa diferença fundamental faz com que o teste exato de Fisher seja o padrão ouro para pesquisas de pequenas amostras.

Compreender a Teoria Estatística

Distribuição Hipergeométrica

O teste exato de Fisher funciona de forma um pouco diferente do teste do qui-quadrado (ou de fato qualquer outro teste de hipótese) na medida em que não tem uma estatística de teste; calcula o valor de p "diretamente". O teste depende da distribuição hipergeométrica para calcular probabilidades exatas.

O teste exato de Fisher é realizado calculando a probabilidade dos dados observados se a hipótese nula (sem associação) for verdadeira, utilizando todas as tabelas possíveis 2 x 2 que hipoteticamente poderiam ter sido observadas, para os mesmos totais de linha e coluna que os observados nos dados (estes são às vezes referidos como os totais marginais). Ou seja, estamos avaliando quão extrema nossa tabela de frequências é em relação a todas as versões possíveis que poderiam ter ocorrido sob os totais marginais e a partir disso, fazendo uma inferência sobre a associação entre as duas variáveis.

Hipóteses no Teste Exato de Fisher

As hipóteses do teste exato de Fisher são as mesmas do que para o teste do Qui-quadrado, ou seja: H0: as variáveis são independentes, não há relação entre as duas variáveis categóricas, saber o valor de uma variável não ajuda a predizer o valor da outra variável. H1: as variáveis são dependentes, há uma relação entre as duas variáveis categóricas.

Ao realizar o teste, você está essencialmente perguntando: "Se realmente não há associação entre essas variáveis, qual é a probabilidade de observar dados tão extremos quanto, ou mais extremos do que, o que realmente observamos?"

Suposições e Limitações

O teste pressupõe que todas as somas de linhas e colunas da tabela de contingência foram fixadas por desenho e tende a ser conservadora e subpotente fora desta configuração. Esta é uma consideração importante na interpretação dos resultados, uma vez que o teste pode ser um tanto conservador em determinados desenhos de pesquisa.

Quando um ou ambos os totais da linha ou coluna não estiverem condicionados, o teste exato de Fisher não é, estritamente, exato. Em vez disso, é um tanto conservador, o que significa que se a hipótese nula for verdadeira, você terá um valor de P significativo (P<0.05) menor que 5% do tempo. Isto torna- o um pouco menos poderoso (mais difícil de detectar uma diferença real do nulo, quando existe um).

Guia passo a passo para a realização do teste exato de Fisher

Passo 1: Organize seus dados em uma tabela de contingência

Uma tabela de contingência 2 x 2, às vezes referida como uma tabela de dupla direção ou uma tabela de duas vias, é uma ferramenta útil em estatísticas que exibem em seus valores celulares as frequências (contos) de cada combinação de duas variáveis categóricas com os totais de linha e coluna incluídos. São ferramentas poderosas que nos ajudam a entender a relação entre duas variáveis em uma amostra de dados.

Seu primeiro passo é organizar seus dados em um formato claro e organizado. Uma tabela de contingência 2×2 tem quatro células representando todas as combinações possíveis de suas duas variáveis binárias. Por exemplo, se você estiver estudando a relação entre o tipo de terapia (Tratamento A vs. Tratamento B) e o resultado (Melhorado vs. Não Melhorado), sua tabela mostraria a contagem de participantes em cada combinação.

O quadro deve incluir:

  • Total das linhas (totalização marginal para cada linha)
  • Total das colunas (totalização marginal para cada coluna)
  • Total geral (número total de observações)
  • Limpar as etiquetas para cada variável e categoria

Passo 2: Verificar as Suposições

Antes de prosseguir com o teste, verifique se seus dados atendem às premissas necessárias:

  • Ambas as variáveis são categóricas com duas categorias cada uma
  • As observações são independentes (nenhum participante aparece em várias células)
  • As categorias são mutuamente exclusivas
  • Pelo menos uma célula tem uma frequência esperada inferior a 5, ou o tamanho total da amostra é pequeno

Embora seja uma boa prática verificar as frequências esperadas antes de decidir entre o teste Qui- quadrado e o teste Fisher, não é um grande problema se você esquecer. Como você pode ver acima, ao fazer o teste Qui- quadrado em R (com o quisq.test(), um aviso como "a aproximação Qui- quadrado pode estar incorreta". Este aviso significa que as menores frequências esperadas são menores que 5. Portanto, não se preocupe se você esqueceu de verificar as frequências esperadas antes de aplicar o teste apropriado aos seus dados, R irá avisá- lo de que você deve usar o teste exato de Fisher em vez do teste Qui- quadrado, se for esse o caso.

Etapa 3: Determine seu nível de significância

Antes de realizar o teste, estabeleça o seu nível alfa (nível de significância). Na pesquisa psicológica, o nível de significância convencional é α = 0,05, embora você possa escolher um nível mais rigoroso (por exemplo, 0,01) dependendo do seu contexto de pesquisa e das consequências dos erros Tipo I.

Passo 4: Escolha entre testes de um e dois

H0:p1 / p2 = ♦0 versus H1: p1 / p2 ♦0; este é frequentemente chamado de teste bicaudal. H0:p1 / p2 ≤本0 versus H1: p1 / p2 > ♦0; este é frequentemente chamado de teste superior.

Ruxton e Neuhauser (2010) pesquisaram artigos da revista Behavioral Ecology and Sociobiology e encontraram vários que relataram os resultados dos testes exatos de Fisher de uma só cauda, embora duas caudas fossem mais apropriadas. Aparentemente alguns livros didáticos e programas de estatística perpetuam confusão sobre testes de Fisher de uma cauda vs. bicauda. Você deve usar quase sempre um teste bicaudal, a menos que você tenha uma boa razão.

Um teste bicaudal é apropriado quando você está interessado em detectar qualquer associação entre variáveis, independentemente da direção. Um teste unicaudal só deve ser usado quando você tem uma forte razão teórica para prever a direção da relação antes de coletar dados.

Passo 5: Calcular a probabilidade exata

Embora o Teste Exato de Fisher possa ser calculado manualmente para tabelas simples de 2×2, isso raramente é prático. O cálculo envolve fatorials de computação e pode tornar-se extremamente tedioso. Os cálculos reais realizados por pacotes de software estatístico serão, em regra, diferentes dos descritos acima, porque as dificuldades numéricas podem resultar dos grandes valores tomados pelos fatorials. Uma abordagem computacional simples e um pouco melhor baseia- se numa função gama ou função log-gama, mas os métodos para a computação precisa de probabilidades hipergeométricas e binomiais continuam a ser uma área de pesquisa ativa.

O software estatístico moderno lida com estes cálculos de forma eficiente e precisa. O software irá calcular a probabilidade de observar a sua configuração específica da tabela, bem como todas as configurações mais extremas, dado os totais marginais.

Passo 6: Interprete os resultados

Da saída vemos que o valor de p é menor que o nível de significância de 5%. Como qualquer outro teste estatístico, se o valor de p for menor que o nível de significância, podemos rejeitar a hipótese nula.

Ao interpretar seus resultados:

  • Se p-valor ≤ α: Rejeitar a hipótese nula. Há evidências suficientes para concluir que existe uma associação estatisticamente significativa entre as duas variáveis.
  • Se o valor de p > α: Falha em rejeitar a hipótese nula. Não há evidência suficiente para concluir que existe uma associação entre as variáveis.

Os dados da amostra são suficientemente fortes para concluir que existe uma relação entre as variáveis categóricas na população, e o conhecimento do valor de uma variável fornece informações sobre o valor da outra variável.

Exemplo detalhado: Estudo de eficácia terapêutica

Suponhamos que um psicólogo clínico esteja investigando se uma nova intervenção de terapia cognitivo-comportamental (TCC) é mais eficaz do que o tratamento padrão para reduzir a ansiedade social em adolescentes. Devido ao caráter especializado da população e restrições de recursos, o estudo inclui apenas 20 participantes.

Desenho do Estudo

  • Variável independente: Tipo de tratamento (Novo CBT vs. Tratamento Padrão)
  • Variável Dependente: Resultado clínico (Melhoria clinicamente significativa vs. Nenhuma Melhoria clinicamente significativa)
  • [[FLT: 0]] Tamanho da amostra: 20 participantes (10 em cada grupo de tratamento)

Coleta e Organização de Dados

Após o período de intervenção, o psicólogo avalia cada participante e os categoriza com base em se apresentaram melhora clinicamente significativa (definida como redução de pelo menos 30% em uma medida padronizada de ansiedade social). Os dados são organizados em uma tabela de contingência 2×2:

Tabela de Contingência:

  • Novo CBT - Melhorado: 8 participantes
  • Novo CBT - Não Melhorado: 2 participantes
  • Tratamento Padrão - Melhorado: 3 participantes
  • Tratamento padrão - Não melhorado: 7 participantes

Realização da Análise

O psicólogo observa que com apenas 20 participantes totais e algumas células com pequenas contagens, o Teste Exato de Fisher é a escolha apropriada. Usando software estatístico, eles inserem os dados da tabela de contingência e especificam um teste bicaudal com α = 0,05.

Interpretando o Resultado

O software fornece várias informações:

  • Valor-P: A probabilidade exata de observar dados extremos ou mais extremos sob a hipótese nula
  • Rácio de probabilidades:]Medida de tamanho do efeito que indica a força da associação
  • Intervalo de confiança: O intervalo dentro do qual a razão de chances real provavelmente cai

Se o valor de p for 0,028 (menos de 0,05), o psicólogo rejeitaria a hipótese nula e concluiria que existe uma associação estatisticamente significativa entre o tipo de tratamento e o desfecho clínico, indicando quanto mais provável participantes de um grupo devem melhorar em comparação com o outro grupo.

Software e ferramentas para o teste exato de Fisher

Pacotes de Software Estatístico

A maioria dos pacotes estatísticos modernos irá calcular a significância dos testes de Fisher, em alguns casos, mesmo onde a aproximação qui-quadrado também seria aceitável. Aqui estão as opções primárias para a realização do Teste Exato de Fisher:

R Software Estatístico

R é um ambiente de computação estatística livre e de código aberto amplamente utilizado em pesquisas psicológicas. Para realizar o teste exato de Fisher em R, use a função fisher.test () como você faria para o teste Qui- quadrado. A sintaxe básica é simples, e R fornece uma saída abrangente, incluindo o valor de p, razão de chances e intervalos de confiança.

R é particularmente vantajoso porque é livre, tem documentação extensa, e é amplamente apoiado pela comunidade de pesquisa. Muitos departamentos de psicologia ensinam R como parte de seu currículo de estatística.

SPSS

Por padrão, o SPSS calcula Fisher sempre que aplicamos o qui-quadrado em tabelas de contingência 2 × 2. Isso torna o SPSS particularmente fácil de usar para pesquisadores que podem não estar confortáveis com interfaces de linha de comando. O SPSS fornece automaticamente os resultados do Teste Exato de Fisher quando analisamos tabelas 2 × 2, e para tabelas diferentes de 2 × 2, você precisa clicar em Caixa exata na caixa de diálogo Crosstab e, em seguida, selecionar Exatamente.

Python

Para pesquisadores confortáveis com programação, o Python oferece o Teste Exato de Fisher através da biblioteca SciPy. O Python é cada vez mais popular em pesquisas psicológicas, particularmente para pesquisadores que também realizam modelagem computacional ou análises de aprendizado de máquina.

Calculadoras Online

Para análises rápidas ou quando o software estatístico não está prontamente disponível, várias calculadoras online confiáveis podem realizar o Teste Exato de Fisher:

Estas ferramentas online são particularmente úteis para fins de ensino, verificação rápida dos resultados, ou quando trabalham em computadores sem software estatístico instalado.

Relatório dos resultados exatos do teste de Fisher

Elementos essenciais a relatar

Ao interpretar e relatar os resultados exatos do teste de Fisher, é importante incluir o valor exato de p, fornecer odds ratio, juntamente com um intervalo de confiança de 95%, e indicar claramente se um teste de um ou dois lados foi realizado. Os resultados também devem ser apoiados com um contexto prático para ajudar os leitores a entender o significado real dos achados.

Um relatório completo dos resultados do teste exato de Fisher deve incluir:

  • O valor exato de p (não apenas "p < 0,05")
  • Nome do teste (teste exato de Fisher)
  • Se o teste foi de uma cauda ou de duas caudas
  • A razão de chances e seu intervalo de confiança
  • Tamanhos de amostra para cada grupo
  • Uma declaração clara da conclusão no contexto

Formato de Relatório de Exemplo

Aqui está um exemplo de como relatar os resultados exatos do teste de Fisher no estilo APA:

"Foi realizado um teste exato de Fisher para examinar a associação entre tipo de tratamento e desfecho clínico. Os resultados indicaram uma relação estatisticamente significativa entre tipo de tratamento e estado de melhora (p = 0,028, bicaudal).Os participantes que receberam a nova intervenção do TCC apresentaram significativamente mais chance de melhora clinicamente significativa (80%) em comparação com aqueles que receberam tratamento padrão (30%), com uma razão de chances de 9,33 (IC 95% [1,38; 63,15]).".

Apresentação Visual

Embora os resultados estatísticos sejam cruciais, a apresentação visual aumenta a compreensão. Considere incluir:

  • Tabela de contingência claramente identificada com frequências e percentagens
  • Um gráfico de barras ou gráfico em mosaico que mostra a distribuição entre as categorias
  • Visualização do tamanho do efeito quando apropriado

Pistas comuns e como evitá - las

Independência desentendida

Um dos erros mais comuns é violar a suposição de independência, cada observação deve ser independente de todos os outros.

  • Nenhum participante pode aparecer em várias células
  • Medidas repetidas dos mesmos participantes violam a independência
  • Os pares ou amostras correspondentes exigem testes diferentes (como o teste de McNemar)

Utilização inadequada de testes de uma só camada

Os pesquisadores, por vezes, utilizam de forma inadequada testes unicaudal para alcançar significância estatística. Lembre-se que a decisão de usar um teste unicaudal deve ser feita antes da coleta de dados, com base em fortes fundamentos teóricos, não após a visualização dos dados.

Ignorando o Tamanho do Efeito

Significado estatístico não significa necessariamente significado prático. Sempre relatar e interpretar tamanhos de efeito (como razões de chances) ao lado de valores de p. Um resultado estatisticamente significativo com um tamanho de efeito muito pequeno pode não ser clinicamente ou praticamente significativo.

Comparações múltiplas sem correção

Ao realizar múltiplos testes exatos de Fisher no mesmo conjunto de dados, aumenta o risco de erros de Tipo I. Considere aplicar correções apropriadas (como correção de Bonferroni) na realização de múltiplos testes.

Significado estatístico e clínico confuso

Na pesquisa psicológica e clínica, a significância estatística deve ser interpretada no contexto de significância clínica ou prática, achado estatisticamente significativo pode não se traduzir em impacto significativo no mundo real.

Extensões e Alternativas

Tabelas de Contingência Maiores

No entanto, o princípio do teste pode ser estendido ao caso geral de uma tabela m × n, e alguns pacotes estatísticos fornecem um cálculo (às vezes usando um método de Monte Carlo para obter uma aproximação) para o caso mais geral. Enquanto o Teste Exato de Fisher é mais comumente usado para tabelas 2 × 2, existem extensões para tabelas maiores.

Ao trabalhar com tabelas maiores que 2×2, esteja ciente de que as demandas computacionais aumentam substancialmente. Muitos pacotes de software usam métodos de simulação de Monte Carlo para aproximar o valor exato de p para tabelas maiores.

Testes Alternativos Exatos

Um teste exato alternativo, o teste exato de Barnard, foi desenvolvido e proponentes dele sugerem que este método é mais poderoso, particularmente em tabelas 2×2. Além disso, o teste de Boschloo é um teste exato que é uniformemente mais poderoso do que o teste exato de Fisher por construção.

No entanto, os estatísticos continuam a discutir sobre alternativas ao teste exato de Fisher, mas as melhorias parecem muito pequenas para tamanhos de amostra razoáveis, com o custo considerável de explicar aos seus leitores porque você está usando um teste estatístico obscuro em vez do teste exato de Fisher familiar. Eu acho que a maioria dos biólogos, se eles vissem você obter um resultado significativo usando o teste de Barnard, ou o teste de Boschloo, ou o teste de Santner e Snell, ou o teste de Suissa e Shuster, ou qualquer uma das muitas outras alternativas, rapidamente executariam seus números através do teste exato de Fisher.

Considerações sobre o tamanho da amostra e poder

Compreender o Poder Estatístico

O poder estatístico é a probabilidade de detectar um efeito verdadeiro quando existe. Com tamanhos de amostra pequenos, o poder estatístico é muitas vezes limitado. Esteja ciente de que, embora tamanhos de amostra muito pequenos sejam válidos para este teste, eles reduzem o poder estatístico, o que significa que pode ser difícil obter resultados significativos.

Ao planejar um estudo que usará o Teste Exato de Fisher, considere:

  • Tamanho esperado do efeito com base em dados anteriores de investigação ou piloto
  • O nível de potência desejado (normalmente 0,80 ou 80%)
  • Nível de significância (tipicamente 0,05)
  • Restrições práticas em termos de tamanho da amostra

Planejamento de Tamanho da Amostra

O teste exato de Fisher é aplicável quando o tamanho da amostra é pequeno e podemos esperar que haja uma ou mais células pequenas (< 5). Portanto, o procedimento de cálculo do tamanho da amostra diferente seguindo o teste exato de Fisher 's será aplicado quando o tamanho da amostra for pequeno.

Software especializado ou calculadoras online podem ajudar a determinar o tamanho mínimo da amostra necessária para alcançar o poder adequado para detectar um efeito de um determinado tamanho. No entanto, lembre-se que em muitos contextos de pesquisa psicológica, o tamanho da amostra é limitado por fatores práticos, como disponibilidade de participantes ou limitações de recursos.

Aplicações do Mundo Real em Pesquisa Psicológica

Psicologia Clínica

O Teste Exato de Fisher é frequentemente utilizado em pesquisas de psicologia clínica para avaliar os resultados do tratamento com amostras pequenas. Exemplos incluem:

  • Comparação das taxas de resposta entre os grupos de tratamento e de controlo em estudos-piloto
  • Examinando a relação entre categorias diagnósticas e adesão ao tratamento
  • Analisando as taxas de acontecimentos adversos em ensaios clínicos pequenos
  • Investigar associações entre as condições de comorbidade e os resultados do tratamento

Psicologia do Desenvolvimento

Pesquisadores em desenvolvimento trabalham frequentemente com populações especializadas ou difíceis de recrutar, tornando o Teste Exato de Fisher particularmente valioso:

  • Examinando a realização de marcos de desenvolvimento em diferentes grupos
  • Analisando resultados categóricos em estudos longitudinais com atrito
  • Investigar relações entre fatores de risco precoces e desfechos posteriores
  • Estudo de doenças ou condições raras do desenvolvimento

Psicologia Social

Os psicólogos sociais podem usar o Teste Exato de Fisher quando estudam:

  • Processos de tomada de decisão em grupo em pequenos grupos
  • Respostas categóricas às manipulações experimentais
  • Relações entre variáveis demográficas e escolhas comportamentais
  • Teste piloto de paradigmas experimentais

Neuropsicologia

Na pesquisa neuropsicológica, pequenos tamanhos de amostra são comuns devido à natureza especializada das populações de pacientes:

  • Comparando categorias de desempenho (impared vs. unpared) entre os grupos de doentes
  • Examinando as relações entre localização da lesão e desfechos funcionais
  • Análise dos resultados dos testes neuropsicológicos categóricos
  • Investigando associações entre condições neurológicas e sintomas comportamentais

Considerações Avançadas

Lidando com os valores-p amarrados

Como o Teste Exato de Fisher usa distribuições de probabilidade discretas, podem ocorrer valores de p amarrados. Diferentes pacotes de software podem lidar com laços ligeiramente diferentes, o que pode ocasionalmente levar a pequenas discrepâncias nos resultados em plataformas. Isso geralmente não é uma preocupação para interpretação, mas é digno de nota quando se comparam resultados em diferentes softwares.

Correcção média- P

Alguns estatísticos defendem o uso de uma correção de meio-p, que pode tornar o Teste Exato de Fisher menos conservador. O valor de médio-p é calculado subtraindo metade da probabilidade da tabela observada do valor exato de p de Fisher padrão. Esta abordagem é controversa, e você deve claramente indicar se você usá-la.

Intervalos de Confiança para Razões de Odds

Existem diferentes métodos para calcular intervalos de confiança para odds ratios no Teste Exato de Fisher. A maioria dos pacotes de software usa métodos que mantêm a natureza exata do teste, mas o algoritmo específico pode variar. Isso raramente afeta a interpretação, mas pode levar a pequenas diferenças nos limites de intervalo de confiança entre pacotes de software.

Considerações éticas em pesquisa de amostras pequenas

Transparência nos relatórios

Ao realizar pesquisas com amostras pequenas, a transparência é crucial.

  • Justifica claramente o pequeno tamanho da amostra
  • Reconhecer as limitações relacionadas com o poder estatístico
  • Relatar todas as análises realizadas, não apenas achados significativos
  • Discutir a generalização dos achados
  • Considere o pré-registro de análises quando possível

Evitar o P-Hacking

Com amostras pequenas, a tentação de realizar múltiplas análises até encontrar significado pode ser forte. Os pesquisadores devem resistir a essa tentação e:

  • Análises do plano antes da coleta de dados
  • Relatar todas as análises realizadas
  • Aplicar correções adequadas para comparações múltiplas
  • Distinção entre as análises confirmatória e exploratória

Replicação e Validação

Os resultados de estudos de pequena amostra devem ser interpretados com cautela e idealmente replicados em amostras independentes.

  • Conclusões preliminares do quadro, quando apropriado
  • Incentivar os esforços de replicação
  • Considere abordagens meta-analíticas para combinar achados em pequenos estudos
  • Seja transparente sobre o caráter exploratório da pesquisa de amostra pequena

Dicas práticas para o sucesso

Antes da Coleta de Dados

  • Determine se o Teste Exato de Fisher é apropriado para sua pergunta de pesquisa
  • Realize uma análise de potência para entender as limitações do tamanho da amostra
  • Pré-registre seu plano de análise quando possível
  • Certifique-se de que suas variáveis são verdadeiramente categóricas e binárias
  • Planeje como lidará com dados em falta

Durante a coleta de dados

  • Manter estrita independência das observações
  • Documentar quaisquer desvios do seu protocolo planeado
  • Garantir uma categorização consistente dos resultados
  • Manter registos pormenorizados de todos os procedimentos de recolha de dados

Durante a análise

  • Verificar se as hipóteses são cumpridas antes de realizar o ensaio
  • Utilize software estatístico confiável e bem documentado
  • Verificar duplamente a entrada e construção de tabelas
  • Reportar os valores exatos de p em vez de apenas "p < 0,05"
  • Calcular e relatar tamanhos de efeito
  • Considerar análises de sensibilidade quando apropriado

Ao escrever os resultados

  • Fornecer estatísticas descritivas completas
  • Incluir uma tabela de contingência clara
  • Relatório de todas as estatísticas de ensaio relevantes
  • Interpretar conclusões em termos práticos, não apenas estatísticos,
  • Reconhecer as limitações relacionadas ao tamanho da amostra
  • Discutir implicações para futuras pesquisas

Aprender recursos e ler mais

Para pesquisadores que desejam aprofundar sua compreensão do Teste Exato de Fisher e de pequenas estatísticas de amostra, vários recursos excelentes estão disponíveis:

Livros didáticos e recursos acadêmicos

  • Livros didáticos estatísticos especificamente voltados para análise de dados categóricos
  • Métodos de pesquisa livros didáticos com seções em estatísticas de amostras pequenas
  • Cursos de estatística online com foco em métodos não paramétricos
  • Departamento de estatística universitária websites com materiais tutoriais

Comunidades e Apoio Online

  • Fórum de estatísticas onde os pesquisadores podem fazer perguntas
  • Grupos de usuários R e listas de discussão
  • Comunidades acadêmicas de mídia social focadas em métodos de pesquisa
  • Canais do YouTube com tutoriais de estatísticas

Documentação de Software

  • Documentação R oficial para a função fisher.test ()
  • Guias e tutoriais do usuário do SPSS
  • Documentação Python SciPy
  • Fórum de usuários e comunidades específicas de software

Para mais orientações sobre análise estatística em psicologia, considere explorar recursos da Associação Americana de Psicologia e da Associação para a Ciência Psicológica].

Conclusão

O Teste Exato de Fisher é uma ferramenta indispensável para pesquisadores psicológicos que trabalham com pequenos tamanhos de amostra e dados categóricos. Ao contrário de testes aproximados que dependem de grandes pressupostos amostrais, o Teste Exato de Fisher calcula valores p exatos, tornando-o o padrão ouro para pequenos conjuntos de dados. Por exemplo, em ensaios clínicos ou genéticos, onde tamanhos amostrais podem ser limitados, este teste fornece um método confiável para determinar se duas variáveis estão relacionadas.

Ao entender quando usar o Teste Exato de Fisher, como conduzi-lo e interpretá-lo corretamente e como relatar resultados de forma transparente, os pesquisadores podem tirar conclusões válidas de dados limitados. Enquanto tamanhos amostrais pequenos apresentam desafios inerentes, o Teste Exato de Fisher fornece um rigoroso quadro estatístico para analisar associações categóricas quando amostras maiores não são viáveis.

A chave para o sucesso da aplicação do Teste Exato de Fisher reside no planejamento cuidadoso, adesão rigorosa a pressupostos, relato transparente e interpretação adequada dos resultados dentro do contexto mais amplo da teoria e prática psicológica. Como a pesquisa psicológica continua a se aferrar com questões envolvendo populações especializadas e fenômenos raros, o Teste Exato de Fisher continuará sendo uma ferramenta crítica no kit de estatística do pesquisador.

Lembre-se que a significância estatística é apenas uma peça do quebra-cabeça. Tamanhos de efeitos, intervalos de confiança, replicação e coerência teórica contribuem para a construção de um corpo robusto de conhecimento psicológico. Ao combinar métodos estatísticos rigorosos como o Teste Exato de Fisher com o design de pesquisa pensativo e práticas de relatórios transparentes, os pesquisadores podem fazer contribuições significativas para a ciência psicológica, mesmo quando trabalham com amostras pequenas.