Compreendendo o Teste Friedman em Pesquisa Psicológica

O teste de Friedman é um teste estatístico não paramétrico desenvolvido por Milton Friedman que é usado para detectar diferenças nos tratamentos em várias tentativas de teste. Em pesquisas psicológicas, este teste serve como uma ferramenta inestimável quando os pesquisadores precisam comparar três ou mais medidas relacionadas sem fazer suposições sobre a distribuição subjacente dos dados. O teste de Friedman é a alternativa não paramétrica à ANOVA unidirecional com medidas repetidas.

O que torna o teste de Friedman particularmente valioso na psicologia é a sua flexibilidade e robustez. O teste não é paramétrico porque não assume quaisquer distribuições nos dados (como a distribuição Normal). Esta característica é crucial porque os dados psicológicos violam frequentemente os pressupostos de normalidade exigidos pelos testes paramétricos. Se você está a medir níveis de ansiedade em diferentes intervenções terapêuticas, a seguir o desempenho cognitivo em vários pontos temporais ou a comparar as classificações de satisfação em várias condições experimentais, o teste de Friedman fornece uma abordagem analítica fiável.

O teste de Friedman é usado para análise de variância de medidas repetidas de uma só forma por fileiras e em seu uso de fileiras é semelhante à análise de variância de Kruskal-Wallis de uma só forma por fileiras. A diferença fundamental é que o teste de Friedman é projetado especificamente para amostras relacionadas ou pareadas, enquanto o teste de Kruskal-Wallis é usado para grupos independentes.

Quando usar o teste de Friedman em estudos psicológicos

A escolha do teste estatístico apropriado é fundamental para conclusões válidas da pesquisa. O teste Friedman foi especificamente projetado para situações em que você tem medidas repetidas dos mesmos participantes ou grupos pareados. Entender quando aplicar este teste ajudará a garantir que sua análise seja adequada e significativa.

Cenários de Pesquisa Ideal

Na prática, o teste de Friedman é frequentemente utilizado quando a variável contínua viola os pressupostos necessários para a ANOVA unidirecional ou quando a variável de interesse é ordinal, o que a torna particularmente adequada para vários desenhos comuns de pesquisa psicológica:

  • Estudos longitudinais: Ao rastrear os mesmos indivíduos em múltiplos momentos para avaliar mudanças de comportamento, humor, cognição ou outras variáveis psicológicas
  • Dentro de sujeitos desenhos experimentais: Quando cada participante experimenta todas as condições experimentais, como diferentes protocolos de tratamento ou apresentações de estímulo
  • Desenhos de grupos pareados: Quando os participantes são cuidadosamente pareados em características relevantes e, em seguida, expostos a condições diferentes
  • Análise de dados ordinais: Ao trabalhar com escalas Likert, dados de classificação ou outras medições ordinais comuns em avaliações psicológicas

É utilizado para testar diferenças entre os grupos quando a variável dependente a ser medida é ordinal e também pode ser utilizada para dados contínuos que violaram os pressupostos necessários para executar a ANOVA unidirecional com medidas repetidas (por exemplo, dados que marcaram desvios da normalidade).

Comparando com testes alternativos

Compreender como o teste de Friedman se relaciona com outros procedimentos estatísticos ajuda a esclarecer quando é a escolha mais apropriada. Se você tem apenas dois grupos relacionados, o teste de Wilcoxon seria mais adequado. Se você tiver amostras independentes (3 medidas de grupos diferentes e não relacionados) então você deve usar o ANOVA Kruskal-Wallis One-Way.

Quando seus dados atendem aos pressupostos de normalidade e homogeneidade da variância, uma ANOVA de medidas repetidas normalmente seria mais poderosa. Ao selecionar um teste não paramétrico, você evitou assumir que os dados foram amostrados de distribuições gaussianas, mas há desvantagens para usar um teste não paramétrico - se as populações realmente são gaussianas, os testes não paramétricos têm menos poder (são menos propensos a lhe dar um pequeno valor de P), especialmente com tamanhos de amostra pequenos.

Assunções essenciais do teste de Friedman

Embora o teste de Friedman seja mais flexível do que alternativas paramétricas, ainda requer que certas condições sejam cumpridas para resultados válidos. Compreender esses pressupostos é crucial antes de realizar sua análise.

Assunto Principal

Um grupo que é medido em três ou mais ocasiões diferentes é o primeiro requisito fundamental. O seu desenho do estudo deverá envolver medições repetidas ou observações combinadas. A sua variável dependente deverá ser medida no nível ordinal ou contínuo. Isto significa que a sua variável de resultado deverá representar categorias ordenadas ou medições numéricas, em vez de categorias puramente nominais.

A amostra de 'blocos' (geralmente os sujeitos) é uma amostra aleatória simples da população – isto é, os blocos são independentes uns dos outros. Esta suposição de independência é crítica e não pode ser testada estatisticamente. Os resultados de um teste de Friedman só fazem sentido quando os sujeitos (linhas) são independentes – que nenhum fator aleatório afetou os valores em mais de uma linha – você deve pensar sobre o desenho experimental.

Considerações sobre o Tamanho da Amostra

O tamanho da amostra (ou tamanho do conjunto de dados) deve ser maior do que 5 em cada grupo – algumas pessoas argumentam por mais, mas mais do que 5 é provavelmente suficiente. No entanto, os requisitos de tamanho da amostra também dependem do tamanho do efeito esperado. Se você espera uma grande diferença entre os grupos, então você pode fugir com um tamanho menor da amostra – se você espera uma pequena diferença entre os grupos, então provavelmente você precisa de uma amostra maior.

Para amostras muito pequenas, o teste de Friedman pode ter poder limitado para detectar diferenças verdadeiras. Por outro lado, se o número de blocos N é grande, aproximadamente a distribuição qui-quadrado com k - 1 graus de liberdade fornece uma aproximação precisa para determinar a significância estatística.

Guia passo a passo para realizar um teste Friedman

A realização de um teste de Friedman envolve um processo sistemático de organização, classificação, cálculo e interpretação dos dados, que fornece orientações detalhadas em cada etapa da análise.

Passo 1: Organize seus dados

Comece por organizar seus dados em um formato de matriz onde cada linha representa um assunto (ou bloco) e cada coluna representa uma condição de tratamento ou um ponto de tempo. Esta organização é essencial para o procedimento de classificação que segue. Por exemplo, se você estiver estudando os efeitos de três diferentes programas de treinamento cognitivo no mesmo grupo de participantes, cada participante ocuparia uma linha, e as três condições de treinamento formariam três colunas.

Certifique-se de que seus dados estão completos para cada sujeito em todas as condições. Dados em falta podem complicar a análise, embora existam variantes especializadas do teste Friedman para lidar com projetos de blocos incompletos. O teste Skillings-Mack é uma estatística geral do tipo Friedman que pode ser usada em quase qualquer projeto de bloco com uma estrutura arbitrária de dados faltando.

Passo 2: Rank os dados dentro de cada assunto

O procedimento envolve classificar cada linha (ou bloco) em conjunto, e então considerar os valores de fileiras por colunas. Para cada sujeito, atribuir fileiras aos valores observados em todas as condições. O menor valor recebe a classificação 1, o menor seguinte recebe a classificação 2, e assim por diante.

A manipulação de valores amarrados requer atenção especial. Se existirem valores amarrados, atribua a cada valor amarrado a média das fileiras que teriam sido atribuídas sem laços. Por exemplo, se dois valores forem amarrados para a primeira e segunda posições, ambos receberão o grau de 1,5 (a média de 1 e 2). A presença de laços reduz ligeiramente a sensibilidade do teste (ou seja, o poder estatístico), uma vez que afeta a distribuição das fileiras.

Passo 3: Calcular os Somatórios de Ranking

Após classificar os dados dentro de cada assunto, calcular a soma das classificações para cada condição de tratamento, adicionando todas as classificações em cada coluna. Estas somas de classificação formam a base para calcular a estatística de teste. Se não houver diferenças sistemáticas entre as condições, você esperaria que as somas de classificação fossem aproximadamente iguais em todas as condições.

Passo 4: Calcular a estatística de teste

O teste de friedman baseia-se na seguinte estatística de ensaio: Q = 12/(N × k(k + 1)) × □R2i - 3 × N(k + 1), em que N é o número de 'blocos' (geralmente os sujeitos), k é o número de grupos relacionados (geralmente o número de medições repetidas), e Ri é a soma das fileiras do grupo i.

Esta fórmula produz uma estatística qui-quadrado que quantifica o grau de discordância entre os valores observados e o que seria esperado sob a hipótese nula de não haver diferenças entre as condições. Se os laços estiverem presentes nos dados, a fórmula para Q é mais complicada. A maioria dos pacotes de software estatístico automaticamente aplica a correção apropriada para as filas amarradas.

Etapa 5: Determinar o significado estatístico

Compare a estatística de teste calculada com a distribuição do qui- quadrado com graus de liberdade iguais a k - 1 (onde k é o número de condições). Esta comparação produz um valor de p que indica a probabilidade de observar os seus resultados (ou resultados mais extremos) se a hipótese nula for verdadeira.

A significância do teste de Friedman é determinada pelo valor de p, que indica a probabilidade de que as diferenças observadas entre os grupos sejam devidas ao acaso – após o cálculo da estatística do teste de Friedman, você compara o valor de p resultante com o nível de significância pré-definido (por exemplo, 0,05) – se o valor de p for menor que o nível de significância, você rejeita a hipótese nula, concluindo que existem diferenças estatisticamente significativas entre os grupos avaliados.

Interpretando resultados do teste de Friedman

Compreender o que os resultados do seu teste Friedman significam é essencial para tirar conclusões apropriadas de sua pesquisa. O processo de interpretação envolve examinar tanto a significância estatística quanto as implicações práticas.

Entender as Hipóteses Nulas e Alternativas

A hipótese nula para o teste de Friedman afirma que não há diferenças sistemáticas nas distribuições dos grupos relacionados, ou seja, quaisquer diferenças observadas nas fileiras são devidas à variação aleatória e não aos efeitos do tratamento verdadeiro.A hipótese alternativa afirma que os escores populacionais em alguns dos grupos relacionados são sistematicamente maiores ou menores do que os escores populacionais em outros grupos relacionados.

Quando o valor de p cai abaixo do seu nível de significância predeterminado (tipicamente 0,05), você rejeita a hipótese nula e conclui que pelo menos uma condição difere significativamente das outras. No entanto, o teste de Friedman sozinho não diz quais condições específicas diferem umas das outras – isso requer análise pós-hoc, que discutiremos em detalhes mais tarde.

O que significa um resultado significativo

Um teste de Friedman estatisticamente significativo indica que as condições ou os tempos que estão sendo comparados produzem resultados sistematicamente diferentes, o que pode significar que diferentes intervenções terapêuticas produzem diferentes níveis de melhora dos sintomas, que o desempenho cognitivo muda em diferentes sessões de teste ou que as atitudes dos participantes variam dependendo da manipulação experimental que vivenciam.

No entanto, significância estatística não implica automaticamente significado prático ou clínico. Uma pequena diferença, mas estatisticamente significativa, pode não ser significativa em aplicações do mundo real. É aqui que medidas de tamanho de efeito se tornam importantes para contextualizar seus achados.

O que significa um resultado não significativo

Quando o valor p excede o seu limiar de significância, você não rejeita a hipótese nula. Isto sugere que os dados não fornecem evidências suficientes de diferenças sistemáticas entre as condições. No entanto, isso não prova que as condições são equivalentes – simplesmente significa que quaisquer diferenças observadas poderiam ser atribuídas razoavelmente à variação aleatória.

Resultados não significativos podem ocorrer por várias razões: as condições podem produzir resultados genuinamente semelhantes, o tamanho da amostra pode ser muito pequeno para detectar diferenças existentes, ou pode haver variabilidade excessiva nos dados que obscurece os efeitos verdadeiros. Considere o poder estatístico do seu teste e se o seu tamanho da amostra foi adequado para detectar os tamanhos de efeito que você previu.

Medidas de tamanho do efeito para o teste Friedman

Enquanto o valor de p diz se as diferenças são estatisticamente significativas, medidas de tamanho de efeito quantificar a magnitude dessas diferenças. Tamanhos de efeito de relatório, juntamente com os valores de p, fornece uma imagem mais completa de seus achados e ajuda os leitores a avaliar a importância prática de seus resultados.

Kendall's W (Coeficiente de Concordância)

O W de Kendall é a medida de tamanho de efeito mais utilizada para o teste de Friedman. Representa o grau de concordância ou concordância entre os rankings entre os sujeitos. O W de Kendall varia de 0 a 1, onde 0 indica não concordância (aleatoriedade completa nos rankings) e 1 indica concordância perfeita (todos os sujeitos classificam as condições de forma idêntica).

A fórmula para o W de Kendall é derivada da estatística de Friedman e pode ser interpretada como a proporção de variância nos rankings que podem ser atribuídos às diferenças entre as condições. Valores de W em torno de 0,1 são considerados efeitos pequenos, em torno de 0,3 são efeitos médios, e 0,5 ou maiores representam efeitos grandes, embora esses benchmarks devem ser interpretados no contexto de seu domínio específico de pesquisa.

Tamanhos do Efeito de Relato

Ao relatar os resultados do teste de Friedman, inclua tanto a estatística do teste, os graus de liberdade, o valor de p e a medida do tamanho do efeito. Por exemplo: "Um teste de Friedman revelou uma diferença estatisticamente significativa nos escores de ansiedade nas três condições de tratamento, χ2(2) = 18,45, p < .001, Kendall's W = 0,42, indicando um efeito grande." Este relatório abrangente permite aos leitores compreender se existe um efeito e quão substancial ele é.

Análise pós-Hoc após um teste significativo de Friedman

Quando o teste de Friedman indica diferenças significativas entre suas condições, a próxima pergunta lógica é: quais condições específicas diferem umas das outras? Se o teste de Friedman indica uma diferença estatisticamente significativa, ele não diz quais grupos diferem – para determinar isso, testes pós-hoc, como os testes de Nemenyi ou Conover, devem ser aplicados para realizar comparações pareadas.

O Teste de Nemenyi

O teste Nemenyi (também chamado de teste Wilcoxon-Nemenyi-McDonald-Thompson) é uma adaptação do teste de Tukey HSD e foi especificamente projetado para comparações pós-hoc após o teste de Friedman. O teste de Nemenyi é um teste pós-hoc destinado a encontrar os grupos de dados que diferem após um teste estatístico global (como o teste de Friedman) rejeitou a hipótese nula de que o desempenho das comparações nos grupos de dados é semelhante.

O teste Nemenyi controla o erro familiar, o que significa que ele se ajusta para o fato de que você está fazendo comparações múltiplas e ajuda a proteger contra erros Tipo I (falsos positivos). Esta abordagem conservadora é apropriada quando você deseja manter o controle rigoroso sobre a taxa de erro geral em todas as comparações.

O Teste de Conover

O teste Conover é outro teste pós-hoc usado após um teste Friedman significativo. Este teste usa uma abordagem de distribuição em t para comparar pares de condições com base em suas médias de classificação. O teste de Conover não corrige para erro familiar, e assim você precisa usar algum tipo de fator de correção de erro.

O teste Conover pode ser mais poderoso do que o teste Nemenyi na detecção de diferenças verdadeiras, mas isso vem ao custo de exigir correções adicionais (como Bonferroni ou ajustes Holm) para controlar a taxa de erro Tipo I geral ao fazer comparações múltiplas.

Testes de Wilcoxon em Par

Outra abordagem para testes pós-hoc é usar testes de postos assinados em pares. Este método envolve a realização de testes separados de Wilcoxon para cada par de condições. Embora esta abordagem não use as fileiras do teste Friedman em si, ela fornece uma maneira direta de identificar diferenças específicas de pares.

Se a hipótese nula for rejeitada no teste de Friedman, a análise post hoc ajuda a identificar quais pares específicos de condições experimentais diferem – isto pode ser feito usando testes como o teste de Wilcoxon sign-rank ou o teste de Conover – para o teste de Wilcoxon sign-rank, resultados para todos os pares podem ser obtidos, mas uma correção de Bonferroni é necessária – esta correção ajusta o nível de significância para (Dando nível de significância / número total de pares) para controlar erros de Tipo I.

Escolher o teste pós-Hoc certo

Infelizmente, existem algumas abordagens diferentes para uma análise pós- hoc para um teste Friedman. A escolha entre estes métodos depende das suas prioridades de pesquisa. Se o controlo do erro familiar é fundamental e você deseja uma abordagem conservadora, o teste Nemenyi é apropriado. Se você estiver disposto a aplicar correções adicionais e quiser potencialmente maior poder para detectar diferenças, o teste Conover ou os testes Wilcoxon pareados com as correções Bonferroni ou Holm podem ser preferíveis.

É necessário algum tipo de correção de erro familiar – em Testes Múltiplos, descrevemos uma série de testes, nomeadamente os testes Bonferroni, Dunn-Sidàk, Holm, Hochberg, Benjamini-Hochberg e Benjamin-Yekutieli. Cada método de correção oferece equilíbrios diferentes entre controle de erro Tipo I e Tipo II, sendo Bonferroni o mais conservador e métodos como Holm ou Hochberg proporcionando um pouco mais de poder enquanto ainda controla o erro familiar.

Realizando o teste Friedman em Software Estatístico

Embora a compreensão da base teórica do teste de Friedman seja importante, a maioria dos pesquisadores usará o software estatístico para realizar os cálculos reais. O teste de Friedman é amplamente suportado por muitos pacotes de software estatístico. Esta seção fornece orientações para a implementação do teste em programas comumente usados.

Usando o SPSS

No SPSS, o teste Friedman é encontrado no menu de testes não paramétricos. Você clicaria em: Analisar os Testes Não Paramétricos > Amostras Relacionadas. Seus dados devem ser organizados com cada medida repetida em uma coluna separada, e cada linha representando um assunto.

Na aba Configurações, você precisa clicar em "Personalizar testes", e então há várias opções diferentes aqui: você tem que lembrar o nome do teste que você está tentando executar. Selecione a ANOVA bidirecional de Friedman por ranks nas opções disponíveis. O SPSS irá calcular automaticamente a estatística de teste e o valor de p, e você pode solicitar estatísticas descritivas e visualizações para acompanhar seus resultados.

Usar R

R oferece funções integradas para o teste Friedman e oferece pacotes extensos para análise pós-hoc. A função base friedman.test () pode ser usada com dados em formato de matriz ou com uma interface de fórmula. Para testes pós-hoc, pacotes como PMCMR, PMCMrplus e scikit-posthocs (para usuários Python) fornecem opções abrangentes.

A vantagem de usar R é a flexibilidade para personalizar sua análise e a disponibilidade de funções especializadas para diferentes procedimentos pós-hoc. Você pode facilmente implementar testes Nemenyi, testes Conover, ou testes Wilcoxon pareados com vários métodos de correção, todos dentro do mesmo ambiente analítico.

Usando Python

Os usuários Python podem acessar o teste Friedman através do módulo scipy.stats, que fornece a função friedmanchisquare (). Para análise pós- hoc, o pacote scikit-posthocs oferece implementações de vários testes pós- hoc especificamente projetados para o teste Friedman, incluindo o teste Nemenyi e outros procedimentos de comparação pareados.

A vantagem do Python reside em sua integração com bibliotecas de manipulação de dados, como pandas e ferramentas de visualização, como matplotlib e seaborn, permitindo que você se mova sem problemas da preparação de dados através de análise para visualização em um único ambiente de programação.

Exemplos práticos em pesquisa psicológica

Examinar exemplos concretos ajuda a ilustrar como o teste de Friedman se aplica a cenários reais de pesquisa psicológica. Esses exemplos demonstram a versatilidade do teste em diferentes domínios de pesquisa.

Exemplo 1: Comparar Intervenções Terapêuticas

Um psicólogo clínico quer avaliar três diferentes técnicas de terapia cognitivo-comportamental (TCC) para reduzir a ansiedade social. Quinze participantes com transtorno de ansiedade social completam os três módulos de terapia em ordem contrabalanceada, com um período de duas semanas entre cada módulo. Após cada módulo, os participantes completam um questionário de ansiedade social com escores de 0 a 100.

Como os mesmos participantes vivenciam as três condições e os escores de ansiedade mostram substancial inclinação positiva (violando pressupostos de normalidade), o teste de Friedman é apropriado.O pesquisador classifica os três escores de cada participante, calcula os valores de classificação para cada tipo de terapia e calcula a estatística de Friedman.Um resultado significativo (p < .05) indica que as três técnicas de TCC produzem diferentes níveis de redução da ansiedade. Testes de Nemenyi pós-hoc, em seguida, identificam quais pares específicos de técnicas diferem significativamente.

Exemplo 2: Avaliação do desempenho cognitivo ao longo do tempo

Um psicólogo do desenvolvimento investiga como a capacidade de memória de trabalho muda em quatro momentos: basal, 3 meses, 6 meses e 12 meses após a implementação de um programa de treinamento cognitivo. Vinte crianças completam a mesma avaliação da memória de trabalho em cada momento. Os escores de memória de trabalho são medidos em uma escala ordinal representando níveis de desempenho.

O teste de Friedman é ideal para este desenho longitudinal porque ele responde pela estrutura de medidas repetidas e não requer dados normalmente distribuídos. O teste avalia se o desempenho da memória de trabalho difere entre os quatro pontos temporais. Se significativo, os testes pós-hoc podem determinar se as melhorias ocorrem gradualmente ao longo do tempo ou mostram períodos específicos de desenvolvimento acelerado.

Exemplo 3: Avaliar o esforço percebido sob diferentes condições

Um pesquisador quer examinar se a música tem efeito sobre o esforço psicológico percebido necessário para realizar uma sessão de exercício – a variável dependente é "esforço percebido para realizar exercício" e a variável independente é "tipo musical", que consiste em três grupos: "sem música", "música clássica" e "música dança" – para testar se a música tem efeito sobre o esforço psicológico percebido necessário para realizar uma sessão de exercício, o pesquisador recrutou 12 corredores que cada um correu três vezes em uma esteira por 30 minutos.

No final de cada corrida, os sujeitos foram solicitados a registrar o quanto a sessão de corrida se sentiu dura em uma escala de 1 a 10, sendo 1 fácil e 10 extremamente difícil - um teste de Friedman foi então realizado para ver se havia diferenças no esforço percebido com base no tipo de música. Este exemplo demonstra como o teste de Friedman lida com dados da escala de classificação ordinal em um projeto de assuntos internos.

Pistas comuns e como evitá - las

Mesmo pesquisadores experientes podem enfrentar desafios ao realizar e interpretar testes Friedman. Estar ciente de erros comuns ajuda a garantir que sua análise é válida e suas conclusões são sólidas.

Violando a Assunção da Independência

Os erros não são independentes se você tiver seis linhas de dados obtidos de três animais em duplicata – neste caso, algum fator aleatório pode causar todos os valores de um animal para ser alto ou baixo – uma vez que este fator afetaria duas das linhas (mas não as outras quatro), as linhas não são independentes.

Esta violação é particularmente problemática porque não pode ser detectada através de testes estatísticos – você deve considerar cuidadosamente o seu design de pesquisa. Se a sua estrutura de dados inclui relações aninhadas ou hierárquicas (como múltiplas observações da mesma família, sala de aula ou grupo terapêutico), você pode precisar de abordagens analíticas mais sofisticadas que expliquem essas dependências.

Tamanho insuficiente da amostra

Usando muito poucos indivíduos reduz o poder estatístico do teste de Friedman, tornando difícil detectar diferenças verdadeiras entre as condições. Embora o teste possa ser realizado tecnicamente com amostras muito pequenas, a probabilidade de erros do Tipo II (falha de detectar efeitos reais) aumenta substancialmente. Planeje o tamanho da amostra com antecedência com base nos tamanhos de efeito esperados e poder estatístico desejado, idealmente usando software de análise de energia ou consulta com um estatístico.

Uso inapropriado com grupos independentes

O teste de Friedman foi projetado especificamente para amostras relacionadas – usando-o com grupos independentes viola uma suposição fundamental e invalida os resultados. Se seus grupos são independentes em vez de combinados ou repetidos, use o teste de Kruskal-Wallis. A distinção entre amostras relacionadas e independentes deve ser determinada pelo seu desenho de pesquisa, não pelos próprios dados.

Negligenciando o Teste Pós-Hoc

Encontrar um resultado significativo do teste de Friedman e parar lá é um erro comum. O teste omnibus só diz que existem diferenças em algum lugar entre suas condições – não identifica quais pares específicos diferem. Sempre siga testes significativos de Friedman com comparações post-hoc apropriadas para entender completamente seus dados. Relatar apenas o teste omnibus deixa leitores (e você mesmo) com informações incompletas sobre a natureza dos efeitos que você descobriu.

Ignorando Tamanhos de Efeito

Concentrar-se exclusivamente em valores de p sem considerar os tamanhos de efeito pode levar a uma interpretação errada de seus achados. Um resultado estatisticamente significativo com um tamanho de efeito muito pequeno pode ter pouca importância prática, enquanto um resultado não significativo com um tamanho de efeito moderado pode sugerir que seu estudo foi subpotente. Sempre calcule e relate medidas de tamanho de efeito ao lado de seus testes de significância para fornecer uma imagem completa de seus resultados.

Reportando Resultados do Teste de Friedman em Artigos de Pesquisa

O relato claro e completo dos resultados estatísticos é essencial para transparência e reprodutibilidade na pesquisa psicológica. Ao relatar os resultados do teste de Friedman, inclua todas as informações necessárias para que os leitores compreendam e avaliem seus achados.

Componentes essenciais

A sua secção de resultados deverá incluir a estatística do teste (valor do qui- quadrado), os graus de liberdade, o tamanho da amostra, o valor de p e o tamanho do efeito. Por exemplo: "Foi realizado um teste de Friedman para comparar os escores de depressão em quatro pontos temporais (linha de base, 1 mês, 3 meses e 6 meses após a intervenção). Os resultados indicaram uma diferença estatisticamente significativa nos escores de depressão em todos os pontos temporais, χ2(3, N = 45) = 28,73, p < .001, Kendall's W = 0,21."

Se você realizou testes pós-hoc, relatar esses resultados também, especificando qual teste você usou e qual método de correção (se houver). Por exemplo: "As comparações pós-hoc em pares usando o teste Nemenyi revelaram que os escores de depressão aos 6 meses (Mdn = 12) foram significativamente menores do que os escores no início do estudo (Mdn = 28, p < .001) e 1 mês (Mdn = 24, p = .003), mas não diferiram significativamente dos escores aos 3 meses (Mdn = 15, p = .08)."

Estatísticas Descritivas

Acompanhe sua estatística inferencial com estatísticas descritivas apropriadas. Para o teste de Friedman, medianas e intervalos interquartis são tipicamente mais adequados do que médias e desvios padrão, especialmente quando se trabalha com dados ordinais ou distribuições distorcidas. Apresentar esses descritivos em uma tabela ou figura para ajudar os leitores a entender o padrão de resultados.

Visualizando Resultados

As representações gráficas melhoram a compreensão de seus achados. Gráficos de caixas mostrando a distribuição de escores entre as condições são particularmente eficazes para os resultados do teste de Friedman, pois exibem medianas, quartis e outliers. Gráficos de linhas podem ser úteis para desenhos longitudinais, mostrando como as pontuações medianas mudam ao longo do tempo. Certifique-se de que suas visualizações indicam claramente quais comparações foram estatisticamente significativas com base em seus testes pós-hoc.

Considerações e extensões avançadas

Além do teste básico Friedman, vários tópicos avançados e extensões podem melhorar suas capacidades analíticas em situações de pesquisa específicas.

Manuseamento de Dados em Falta

O teste padrão Friedman requer dados completos para todos os indivíduos em todas as condições. Quando os dados estão faltando, você tem várias opções. A abordagem mais simples é a análise de caso completa, onde você exclui qualquer sujeito com dados faltando. No entanto, isso pode reduzir substancialmente o tamanho da sua amostra e poder estatístico.

O teste Skillings–Mack é uma estatística geral do tipo Friedman que pode ser usada em quase qualquer desenho de bloco com uma estrutura arbitrária de dados faltando – quando os dados não contêm qualquer valor em falta, ele dá o mesmo resultado que o teste Friedman – mas se os dados contêm valores em falta, é tanto, mais preciso e sensível do que o teste Skillings-Mack. Esses testes especializados permitem que você retenha assuntos com dados parciais, potencialmente melhorando a potência e reduzindo o viés.

A Extensão Iman-Davenport

Para tamanhos maiores de amostras, o teste de Iman-Davenport fornece uma aproximação mais precisa do que a distribuição padrão do qui-quadrado. Essa extensão transforma a estatística de Friedman para seguir uma distribuição F, que pode proporcionar melhor controle de erro Tipo I, especialmente quando o número de condições é grande em relação ao número de sujeitos.

Transformação de Ranks Alinhados

Quando o seu desenho de pesquisa inclui múltiplos fatores internos (um planejamento de medidas repetidas fatorials), o teste padrão de Friedman é insuficiente porque ele só lida com um fator de cada vez. O procedimento de transformação de filas alinhadas permite estender a análise não paramétrica para projetos fatorials mais complexos, permitindo que você teste os principais efeitos e interações, mantendo a robustez dos métodos baseados em classificação.

Comparando o teste de Friedman com alternativas paramétricas

Entender quando escolher o teste Friedman versus uma ANOVA de medidas repetidas requer uma cuidadosa consideração das características dos seus dados e objetivos de pesquisa.

Vantagens do teste Friedman

A principal vantagem do teste de Friedman é sua robustez para violações da normalidade e homogeneidade da variância. Quando seus dados são ordinais, fortemente distorcidos, contêm outliers, ou violam pressupostos paramétricos, o teste de Friedman fornece resultados válidos onde medidas repetidas ANOVA pode não ser. O teste também é apropriado para tamanhos de amostra menores onde avaliar normalidade é difícil.

Além disso, o teste de Friedman não faz suposições sobre a forma das distribuições subjacentes, apenas que os dados são pelo menos ordinais, o que torna aplicável a uma maior gama de medidas psicológicas, incluindo escalas Likert, dados de classificação e outras variáveis ordinais comuns em pesquisas de pesquisa e avaliações clínicas.

Vantagens da ANOVA de Medidas Repetidas

Quando as suposições paramétricas são cumpridas, a ANOVA de medidas repetidas geralmente é mais poderosa do que o teste de Friedman – é mais provável que detecte diferenças verdadeiras quando elas existem. A ANOVA também fornece informações mais detalhadas sobre a natureza dos efeitos, incluindo estimativas de médias e intervalos de confiança que têm interpretações diretas.

Além disso, a ANOVA se estende mais naturalmente a projetos complexos com múltiplos fatores e covariáveis. Se o seu projeto de pesquisa inclui tanto fatores intra-sujeitos e entre-sujeitos, ou se você precisa controlar para covariáveis contínuas, a abordagem paramétrica oferece mais flexibilidade através de modelo misto ANOVA ou medidas repetidas Ancova.

Fazer a Escolha

A decisão entre o teste de Friedman e medidas repetidas ANOVA deve ser baseada nas suas características de dados, não no qual o teste lhe dá o valor de p "melhor". Examine os seus dados para normalidade usando métodos visuais (Plots Q, histogramas) e testes formais (teste Shapiro-Wilk). Considere se a sua variável dependente é realmente contínua ou ordinal. Avalia se os outliers são valores extremos genuínos ou erros de dados.

Se os seus dados claramente violarem as suposições e transformações de normalidade, não ajudarão, ou se a sua variável for inerentemente ordinal, escolha o teste Friedman. Se os seus dados forem aproximadamente normais e medidos em escala contínua, a ANOVA de medidas repetidas provavelmente será mais apropriada. Quando em dúvida, considere relatar ambas as análises para demonstrar que as suas conclusões são robustas em diferentes abordagens analíticas.

Dicas práticas para implementação bem sucedida

Aplicar com sucesso o teste Friedman em sua pesquisa envolve mais do que apenas executar o procedimento estatístico – requer planejamento, execução e interpretação cuidadosos.

Planeje sua análise em breve

Determine sua abordagem analítica antes de coletar dados. Especifique suas hipóteses, escolha seu nível de significância e planeie suas comparações pós-hoc com antecedência. Este pré-registo de seu plano de análise ajuda a prevenir a tomada de decisões orientadas por dados e reduz o risco de erros de Tipo I de testes múltiplos.

Considere realizar uma análise de poder para determinar o tamanho da amostra necessária para detectar efeitos da magnitude esperada. Embora a análise de poder para testes não paramétricos seja mais complexa do que para testes paramétricos, abordagens baseadas em simulação ou aproximações conservadoras podem fornecer orientações úteis para o planejamento de estudos.

Verifique cuidadosamente seus dados

Antes de executar o teste de Friedman, examine seus dados para erros, outliers e padrões. Certifique-se de que seus dados estão formatados corretamente com assuntos em linhas e condições em colunas. Verifique se você tem o número correto de observações e que os dados em falta são adequadamente codificados. Procure por erros de entrada de dados que podem aparecer como valores impossíveis ou outliers extremos.

Crie estatísticas descritivas e visualizações para cada condição para entender os padrões básicos em seus dados. Esta exploração preliminar pode revelar descobertas inesperadas, sugerir problemas potenciais e ajudá-lo a interpretar seus resultados estatísticos de forma mais significativa.

Documente suas decisões

Mantenha registros detalhados de suas decisões analíticas, incluindo por que você escolheu o teste Friedman, como você lidou com dados perdidos ou outliers, que teste pós-hoc você selecionou, e quais métodos de correção você aplicou. Esta documentação é essencial para escrever sua seção de métodos, respondendo a perguntas de revisor e garantindo reprodutibilidade de sua pesquisa.

Salve seus arquivos de sintaxe ou código junto com seus dados. Isso permite que você (e outros) reproduzam exatamente sua análise, o que é cada vez mais esperado em pesquisas psicológicas. Código bem-comenmentado também serve como registro de seu processo analítico e pode ser compartilhado para aumentar a transparência.

Interpretar os Resultados no Contexto

Significado estatístico é apenas uma evidência na avaliação de suas hipóteses de pesquisa. Considere seus resultados à luz de pesquisas anteriores, previsões teóricas e significado prático. Um achado estatisticamente significativo que contradiz um grande conjunto de pesquisas anteriores justifica um cuidadoso escrutínio e replicação. Da mesma forma, um resultado não significativo que se alinha com as previsões teóricas pode ainda fornecer informações valiosas sobre o fenômeno em estudo.

Pense criticamente sobre explicações alternativas para seus achados. Variáveis de confusão, efeitos de ordem ou efeitos de prática podem explicar seus resultados? Existem limitações em seu desenho ou medição que podem afetar a interpretação? Reconhecer essas considerações demonstra rigor científico e ajuda os leitores a contextualizar adequadamente seus achados.

Recursos para uma aprendizagem mais aprofundada

Desenvolver a experiência com o teste Friedman e estatísticas não paramétricas requer mais amplamente aprendizagem e prática contínuas. Vários recursos excelentes podem aprofundar sua compreensão e melhorar suas habilidades analíticas.

Livros didáticos e materiais de referência

Os livros didáticos abrangentes sobre estatísticas não paramétricas fornecem cobertura detalhada do teste de Friedman e procedimentos relacionados. As referências clássicas incluem "Métodos estatísticos não paramétricos" de Hollander e Wolfe, que oferece tratamento rigoroso das bases matemáticas, e "Estatísticas não paramétricas práticas" de Conover, que enfatiza aplicações.Para psicólogos especificamente, "Descobrir estatísticas usando o SPSS" de Andy Field inclui explicações acessíveis de testes não paramétricos com exemplos psicológicos.

Tutoriais e Cursos Online

Numerosos recursos online fornecem tutoriais passo a passo para a realização de testes Friedman em vários pacotes de software. O site Laerd Statistics oferece guias detalhados para usuários do SPSS, enquanto R-bloggers[ apresenta muitos posts demonstrando implementações R. Os canais do YouTube dedicados à educação estatística muitas vezes incluem tutoriais de vídeo que passam por análises completas a partir da entrada de dados através da interpretação.

Documentação de Software Estatístico

A documentação oficial para pacotes de software estatísticos fornece informações autoritárias sobre como as funções são implementadas e quais opções estão disponíveis. O sistema de documentação R (acessível através da função help()) inclui descrições detalhadas da função friedman.test () e procedimentos relacionados. A documentação do SPSS explica os algoritmos usados e a saída produzida. A documentação do Python scipy.stats descreve a função friedmanchisquare () e seus parâmetros.

Oportunidades de Desenvolvimento Profissional

Muitas universidades e organizações profissionais oferecem oficinas e cursos curtos sobre estatística não paramétrica. Essas experiências de aprendizagem intensiva oferecem oportunidades para fazer perguntas, trabalhar através de exemplos e receber feedback de instrutores experientes. As conferências profissionais em psicologia muitas vezes incluem sessões de metodologia onde novos desenvolvimentos em análise não paramétrica são apresentados e discutidos.

Conclusão

O teste de Friedman representa uma ferramenta poderosa e flexível para analisar medidas repetidas ou amostras combinadas em pesquisas psicológicas. Sua natureza não paramétrica torna-o particularmente valioso quando se trabalha com dados ordinais ou quando se violam pressupostos paramétricos - situações que frequentemente surgem em estudos psicológicos. Ao entender quando usar o teste, como conduzi-lo corretamente, e como interpretar e relatar resultados de forma abrangente, os pesquisadores podem extrair insights significativos de seus dados, mantendo o rigor estatístico.

O sucesso com o teste de Friedman requer atenção aos pressupostos, preparação cuidadosa dos dados, adequação do teste pós-hoc quando se encontram resultados significativos e interpretação ponderada que considere tanto a significância estatística quanto a prática, devendo ser visto não como um procedimento simples para obtenção de um valor-p, mas como parte de uma estratégia analítica abrangente que inclua estimação do tamanho do efeito, visualização e interpretação contextual.

Como a pesquisa psicológica continua a evoluir para uma maior transparência e reprodutibilidade, dominar técnicas analíticas robustas como o teste de Friedman torna-se cada vez mais importante. Se você está comparando intervenções terapêuticas, acompanhando mudanças de desenvolvimento ou avaliando manipulações experimentais, o teste de Friedman fornece um método confiável para detectar diferenças significativas em amostras relacionadas. Ao aplicar os princípios e práticas delineados neste guia, você pode usar este teste com confiança para avançar o conhecimento psicológico e contribuir para a compreensão baseada em evidências do comportamento humano e processos mentais.

Lembre-se que a análise estatística está a serviço de responder a questões de pesquisa substantivas. O teste Friedman é um meio para esse fim – uma ferramenta que, quando usada de forma apropriada e interpretada com reflexão, ajuda a iluminar padrões em seus dados e suporta inferências válidas sobre fenômenos psicológicos. Continue desenvolvendo sua experiência estatística, mantenha-se atual com desenvolvimentos metodológicos e sempre priorize a integridade e transparência de suas práticas de pesquisa.