Como realizar um teste U de Mann-Whitney em análise de dados psicológicos não paramétricos

Em pesquisas psicológicas, os dados frequentemente violam os pressupostos necessários para testes estatísticos paramétricos como o teste t de amostras independentes. Quando você está avaliando a diferença entre dois grupos independentes com baixo número de indivíduos em cada grupo (geralmente menos de 30), que não são normalmente distribuídos, e onde os dados são contínuos, o teste U de Mann-Whitney fornece uma alternativa robusta e confiável. Este guia abrangente irá te acompanhar através das bases teóricas, aplicações práticas e procedimentos passo a passo para realizar um teste U de Mann-Whitney na análise de dados psicológicos não paramétricos.

O que é o teste U de Mann-Whitney?

O teste U de Mann-Whitney, também conhecido como teste de Wilcoxon-Mann-Whitney, é um teste estatístico não paramétrico utilizado para avaliar a significância das diferenças entre dois grupos independentes, ao contrário do teste t de Student, que não requer a suposição de normalidade nas distribuições populacionais subjacentes, tornando-o adequado para dados que podem não seguir uma distribuição normal ou quando o tamanho das amostras é pequeno, o que o torna particularmente valioso em pesquisas psicológicas, onde os dados muitas vezes vêm de escalas, questionários ou medidas comportamentais que produzem distribuições ordinais ou distorcidas.

O teste compara as fileiras dos dados em vez de seus valores brutos, avaliando se um grupo tende a ter sistematicamente maior ou menor fileiras do que o outro.O teste U de Mann-Whitney testa uma hipótese nula de que a distribuição de probabilidade de uma observação sorteada de um grupo é a mesma que a distribuição de probabilidade de uma observação sorteada do outro grupo.

Antecedentes Históricos e Nomes Alternativos

Henry Mann e Donald Ransom Whitney desenvolveram o teste U de Mann-Whitney sob a hipótese de respostas contínuas, sendo a hipótese alternativa de que uma distribuição é estocasticamente maior do que a outra.O teste também é comumente referido como o teste de Wilcoxon rank-sum, embora o teste U de Mann-Whitney / teste de Wilcoxon rank-sum não seja o mesmo que o teste de Wilcoxon sign-sang, embora ambos sejam não paramétricos e envolvam somatório de postos.O teste U de Mann-Whitney é aplicado em amostras independentes.O teste de Wilcoxon sign-sang rank é aplicado em amostras pareadas ou dependentes.

Quando usar o teste U de Mann-Whitney em pesquisa psicológica

O teste U de Mann-Whitney é particularmente adequado para contextos de pesquisa psicológica onde certas condições estão presentes. Entender quando aplicar este teste é crucial para manter a integridade de sua análise estatística.

Cenários de Pesquisa Apropriados

O teste U de Mann-Whitney é o teste alternativo não paramétrico ao teste t da amostra independente, um teste não paramétrico que compara duas médias amostrais da mesma população e testes se as duas médias amostrais são iguais. Os pesquisadores geralmente utilizam o teste U de Mann-Whitney quando têm dados ordinais ou quando não conseguem atender aos pressupostos do teste t.

Aplicações comuns em psicologia incluem:

Comparando os níveis de tensão entre os grupos experimental e controle quando os dados são coletados utilizando escalas ordinais
Análise das respostas do inquérito a partir de itens do tipo Likert, onde os pressupostos de normalidade são violados
Avaliar medidas comportamentais com tamanhos de amostra pequenos ou distribuições distorcidas
Avaliar as diferenças de atitudes entre grupos demográficos quando os dados não são normalmente distribuídos
]Comparação dos tempos de reacção ou de outras medidas contínuas que apresentem valores de outliers substanciais

Pesquisadores usam o teste em todos os campos, mas frequentemente o aplicam em psicologia, saúde, enfermagem, negócios e muitas outras disciplinas. Por exemplo, em psicologia, é usado para comparar atitude ou comportamento.

Vantagens sobre os testes paramétricos

O teste U de Mann-Whitney é preferível ao teste t quando os dados são ordinais, mas não escalados, caso em que o espaçamento entre os valores adjacentes da escala não pode ser assumido como constante. Como compara as somas das fileiras, o teste U de Mann-Whitney é menos provável do que o teste t para indicar esporiamente significância devido à presença de outliers.

Essa robustez aos outliers torna o teste U de Mann-Whitney particularmente valioso em pesquisas psicológicas, onde valores extremos podem representar diferenças individuais genuínas em vez de erros de medição.Para pesquisadores interessados em aprender mais sobre métodos não paramétricos, a Estatísticas Como orientar testes não paramétricos fornece contexto adicional.

Assunções do Teste U de Mann-Whitney

Embora o teste U de Mann-Whitney seja menos restritivo do que alternativas paramétricas, ainda requer que certos pressupostos sejam cumpridos para interpretação válida dos resultados.

Assunto Principal

Assuposição #1: Você tem uma variável dependente que é medida no nível contínuo ou ordinal. Exemplos de variáveis contínuas incluem tempo de revisão (medido em horas), inteligência (medida usando o escore de QI), desempenho do exame (medida de 0 a 100), peso (medida em kg), e assim por diante. Exemplos de variáveis ordinais incluem itens Likert (por exemplo, uma escala de 7 pontos de "concordo fortemente" até "discordo fortemente"), entre outras formas de classificação categorias.

Assuposição #2: Você tem uma variável independente que consiste em dois grupos categóricos independentes (ou seja, uma variável dicotômica). Se você tiver mais de dois grupos, deve ser usada uma análise de variância de Kruskal-Wallis One-Way (ANOVA).

Assunção #3: Você deve ter independência de observações, o que significa que não há relação entre as observações em cada grupo da variável independente ou entre os grupos. Por exemplo, deve haver participantes diferentes em cada grupo sem participante estar em mais de um grupo. Isto é mais uma questão de desenho de estudo do que algo que você pode testar, mas é uma suposição importante do teste U de Mann-Whitney.

Considerações sobre o Tamanho da Amostra

Para um teste válido, é necessário um tamanho amostral suficiente, geralmente mais de 5 observações em cada grupo. Para amostras maiores, com tamanho amostral maior que 80, ou quando cada tamanho amostral excede 30, a distribuição da estatística U aproxima-se de uma distribuição normal, o que permite cálculos de p-valor mais precisos utilizando a aproximação normal.

Distribuição Forma e Interpretação

Uma consideração importante ao interpretar os resultados do teste U de Mann-Whitney diz respeito à forma das distribuições que estão sendo comparadas. Para comparar as medianas, a distribuição dos escores de engajamento para homens e mulheres deve ter a mesma forma (incluindo dispersão). Se a sua distribuição tiver uma forma diferente, você só pode usar o teste U de Mann-Whitney para comparar as médias.

Esta distinção é crucial para os pesquisadores psicológicos: quando as distribuições têm formas semelhantes, você pode fazer declarações sobre diferenças nas medianas entre os grupos. Quando as distribuições diferem em forma, você deve interpretar resultados em termos de dominância estocástica ou diferenças nas classificações médias em vez de diferenças medianas.

Compreender as Hipóteses

A formulação adequada de suas hipóteses nulas e alternativas é essencial para a condução e interpretação correta do teste U de Mann-Whitney.

Hipóteses Nulas e Alternativas

A hipótese nula (H0) é que as duas populações são iguais. A hipótese alternativa (H1) é que as duas populações não são iguais. Mais especificamente, sob a hipótese nula H0, as distribuições de ambas as populações são idênticas.

Alguns pesquisadores interpretam isso como comparando as medianas entre as duas populações (em contraste, testes paramétricos comparam as médias entre dois grupos independentes). Em certas situações, onde os dados são formatados de forma semelhante (ver pressupostos), isso é válido – mas deve-se notar que as medianas não estão realmente envolvidas no cálculo da estatística do teste U de Mann-Whitney.

O que o teste realmente mede

O teste t testa uma hipótese nula de médias iguais em dois grupos contra uma alternativa de médias desiguais, portanto, exceto em casos especiais, o teste U de Mann-Whitney e o teste t não testam as mesmas hipóteses e devem ser comparados com isso em mente.O teste U de Mann-Whitney avalia se as observações de um grupo tendem a ser sistematicamente maiores ou menores do que as observações do outro grupo, com base em suas fileiras no conjunto de dados combinados.

Procedimento passo a passo para a realização do teste U de Mann-Whitney

Compreender o processo de cálculo manual ajuda os pesquisadores a compreender o que o teste está realmente fazendo, mesmo que eles, em última análise, usem software estatístico para análise.

Passo 1: Colete e organize seus dados

Certifique-se de que você tem duas amostras independentes de sua experiência psicológica ou estudo. Por exemplo, você pode ter escores de estresse de um grupo de controle e um grupo experimental que recebeu uma intervenção de redução de estresse. Verifique se seus dados atendem às premissas descritas anteriormente, particularmente independência de observações.

Passo 2: Combine e rank todos os pontos de dados

Atribuir classificações numéricas a todas as observações (coloque as observações de ambos os grupos em um conjunto), começando com 1 para o menor valor. Esta é a operação fundamental que faz do teste U de Mann-Whitney um procedimento não paramétrico baseado em classificação.

Ao classificar seus dados:

Combine todas as observações de ambos os grupos em um único conjunto de dados
Ordenar todos os valores do mais baixo ao mais alto
Atribuir a classificação 1 ao menor valor, a classificação 2 ao próximo menor, e assim por diante
Lidar com valores amarrados atribuindo-lhes a média das fileiras que teriam ocupado

Passo 3: Lidar com as posições amarradas

Para calcular as estatísticas de U, o conjunto combinado de dados é primeiramente organizado em ordem ascendente com escores amarrados recebendo uma classificação igual à posição média desses escores na sequência ordenada (ou seja, adicionar os dois escores de empate e dividir por dois para dar uma classificação compartilhada para ambos). Por exemplo, se duas observações ambos têm o valor 15 e ocupariam as fileiras 7 e 8, ambos recebem a classificação 7,5.

As fileiras amarradas são comuns em pesquisas psicológicas, particularmente quando se usam escalas Likert ou outras medidas ordinais com opções de resposta limitadas. A maioria dos pacotes de software estatísticos lidam automaticamente com laços usando fórmulas de correção apropriadas.

Passo 4: Calcular a soma de classificações para cada grupo

Após atribuirem as fileiras a todas as observações, calculem a soma das fileiras separadamente para cada grupo. Estas fileiras formam a base para a computação da estatística U. O grupo com valores sistematicamente mais elevados tenderá a ter uma soma maior de fileiras.

Passo 5: Calcular a estatística U

A estatística do teste de Mann-Whitney é então calculada usando U = n1 n2 + {n1 (n1 + 1)/2} - T, onde n1 e n2 são os tamanhos da primeira e segunda amostras respectivamente, e T representa a soma das fileiras para a primeira amostra. Você realmente calcula dois valores de U (um para cada grupo), e para o valor de U de Mann-Whitney, o menor valor de U1 e U2 é usado.

Passo 6: Determinar o significado estatístico

No caso de pequenas amostras, a distribuição é tabulada. Para tamanhos de amostras acima de ~ 20, a aproximação usando a distribuição normal é bastante boa. Para amostras pequenas, você compara o seu valor de U calculado com valores críticos em uma tabela U de Mann- Whitney. Para amostras maiores, a estatística de U é convertida para um escore z e comparada com a distribuição normal padrão.

A regra de decisão é simples: se o seu valor de p é menor que o seu nível de alfa predeterminado (tipicamente 0,05), você rejeita a hipótese nula e conclui que os dois grupos diferem significativamente em suas distribuições.

Realizando o teste U de Mann-Whitney usando software estatístico

Embora entender o cálculo manual seja valioso, a maioria dos pesquisadores usa software estatístico para realizar o teste U de Mann-Whitney de forma eficiente e precisa. Veja como realizar o teste nos pacotes estatísticos mais comumente usados em pesquisas psicológicas.

Usando o SPSS

O SPSS oferece várias vias para a realização do teste U de Mann-Whitney. A abordagem mais direta é através do menu "Analyze":

Navegar para Analisar → Testes não paramétricos → Diálogos Legados → 2 Amostras Independentes
Mova sua variável dependente (por exemplo, escores de estresse) para a caixa "Lista de Variáveis de Teste"
Mova sua variável de agrupamento (por exemplo, associação de grupo) para a caixa "Variável de agrupamento"
Clique em "Definir grupos" e especifique os valores que identificam seus dois grupos
Certifique-se de que "Mann-Whitney U" está selecionado em "Tipo de Teste"
Clique em "OK" para executar a análise

O SPSS irá fornecer o resultado incluindo a estatística U, Wilcoxon W (soma de fileiras), o escore z (para amostras maiores) e o significado assintótico (valor- p). Ao contrário do teste t de amostras independentes, o teste U de Mann- Whitney permite- lhe tirar conclusões diferentes sobre os seus dados, dependendo das suposições que faz sobre a distribuição dos seus dados. Estas conclusões podem variar entre simplesmente indicar se as duas populações diferem até determinar se existem diferenças nas medianas entre os grupos. Estas conclusões diferentes dependem da forma das distribuições dos seus dados.

Usar R

R fornece uma função simples e flexível para o teste U de Mann-Whitney. A sintaxe básica é:

wilcox.test(variable ~ group, data = dataset, exact = FALSE)

Por exemplo, se você tiver escores de estresse em uma variável chamada "stress" e associação de grupo em uma variável chamada "condition" dentro de um quadro de dados chamado "mydata", você usaria:

wilcox.test(stress ~ condition, data = mydata, exact = FALSE)

O argumento diz a R para usar a aproximação normal para calcular o valor p, que é apropriado para amostras maiores. Para amostras pequenas, você pode definir para obter valores p exatos com base na distribuição de permutação.

Argumentos úteis adicionais incluem:

(padrão), , ou para especificar hipóteses direcionais
para obter um intervalo de confiança para a mudança de localização
para especificar o nível de confiança

Usando Python

A biblioteca SciPy do Python fornece a função para conduzir o teste. Primeiro, importa a biblioteca necessária:

from scipy.stats import mannwhitneyu

Em seguida, realizar o teste:

statistic, p_value = mannwhitneyu(group1_data, group2_data, alternative='two-sided')

A função retorna a estatística U e o valor- p. O parâmetro pode ser definido como 'dois lados' (padrão), 'menos' ou 'maior' dependendo de sua hipótese. Para pesquisa psicológica, um teste de dois lados é mais comum a menos que você tenha fortes razões teóricas para prever uma direção específica de efeito.

Exemplo Python com código completo:

import numpy as np
from scipy.stats import mannwhitneyu

# Example data: stress scores for control and experimental groups
control_group = np.array([45, 52, 48, 55, 50, 47, 53, 49])
experimental_group = np.array([38, 42, 35, 40, 37, 41, 39, 36])

# Perform Mann-Whitney U test
statistic, p_value = mannwhitneyu(control_group, experimental_group, alternative='two-sided')

print(f"U statistic: {statistic}")
print(f"P-value: {p_value}")

Utilizar jamovi

Para pesquisadores que preferem uma interface gráfica, mas querem software de código aberto, o jamovi oferece uma excelente opção:

Navegar para Análises → T-Testes → Teste independente de amostras T-T
Mova sua variável dependente para a caixa "Variáveis Dependentes"
Mova sua variável de agrupamento para a caixa "Variável de agrupamento"
Em "Teste", desmarque "Estudante" e verifique "Mann-Whitney U"
Em "Estatísticas Adicionais", você pode solicitar medidas de tamanho de efeito

jamovi fornece automaticamente a estatística de U, valor p e medidas de tamanho de efeito opcionais em um formato fácil de ler.

Calculando e interpretando tamanhos de efeito

A significância estatística por si só não conta a história completa. Os tamanhos de efeito quantificam a magnitude da diferença entre os grupos, fornecendo informações cruciais sobre a importância prática de seus achados.

O tamanho do efeito r

O tamanho de efeito mais relatado após a realização de um teste U de Mann-Whitney é o tamanho de efeito r. Seu cálculo é simples e requer apenas os valores de z e N. Aqui, z é a estatística de teste padronizada do teste U de Mann-Whitney, que é fornecido pela maioria dos pacotes de software estatístico. A fórmula é:

r = z / √N

onde z é a estatística de teste padronizada e N é o tamanho total da amostra (n1 + n2), de acordo com os limiares de Cohen, este representa um pequeno tamanho de efeito quando r .0.1, um tamanho médio de efeito quando r . . 0,3, e um grande tamanho de efeito quando r . 0.5.

Tamanho comum do efeito da linguagem e probabilidade de superioridade

Após a realização de um teste U de Mann-Whitney, os pesquisadores podem calcular as estatísticas de Vargha e Delaney A (VDA), uma variante do Tamanho do Efeito da Língua Comum (CLES), também conhecida como probabilidade de superioridade. Esta métrica oferece uma interpretação intuitiva: representa a probabilidade de que um sujeito selecionado aleatoriamente de um grupo tenha um valor observado maior do que um sujeito selecionado aleatoriamente do outro grupo.

Este tamanho de efeito é particularmente útil para comunicar resultados a públicos não estatísticos. Por exemplo, você pode relatar: "Há uma probabilidade de 72% de que um participante selecionado aleatoriamente do grupo experimental tenha um escore de estresse menor do que um participante selecionado aleatoriamente do grupo controle."

Correlação Biserial de Classe

Um método de relato do tamanho do efeito para o teste U de Mann-Whitney é com f, o tamanho do efeito da linguagem comum. Como estatística de amostra, o tamanho do efeito da linguagem comum é calculado formando todos os pares possíveis entre os dois grupos, encontrando-se então a proporção de pares que suportam uma direção. A correlação entre o rank e o bisserial estende esse conceito e varia de -1 a +1.

No contexto do teste U de Mann-Whitney, rg é equivalente ao tamanho do efeito delta de Cliff (δ). Estes tamanhos de efeito são transformações lineares das estatísticas VDA e estendem o intervalo de valores possíveis de -1 para 1. Um valor de 0 para rg ou δ indica que não há diferença entre os dois grupos. Um valor de 1 significa que todas as observações no Grupo 1 excedem as do Grupo 2, enquanto um valor de -1 indica que todas as observações no Grupo 2 excedem as do Grupo 1.

De acordo com Vargha e Delaney, o valor absoluto de δ pode ser interpretado como pequeno (≥ 0,11), médio (≥ 0,28) ou grande (≥ 0,43), embora esses limiares devam ser interpretados no contexto do seu domínio específico de pesquisa.

Calculando o Tamanho do Efeito de U

Uma abordagem alternativa calcula o tamanho do efeito diretamente da estatística U. Uma estatística chamada ρ que está linearmente relacionada com U e amplamente utilizada em estudos de categorização (aprendizagem da discriminação envolvendo conceitos), e em outros lugares, é calculada dividindo U pelo seu valor máximo para os tamanhos de amostra em questão, que é simplesmente n1×n2. ρ é, portanto, uma medida não paramétrica da sobreposição entre duas distribuições; pode tomar valores entre 0 e 1, e estima P(Y > X) + 0,5 P(Y = X), onde X e Y são aleatoriamente escolhidas observações das duas distribuições. Ambos os valores extremos representam separação completa das distribuições, enquanto um ρ de 0,5 representa sobreposição completa.

Interpretar e comunicar resultados

A interpretação e a notificação corretas dos resultados dos testes de Mann-Whitney U garantem que seus achados sejam compreendidos corretamente e possam ser avaliados por outros pesquisadores.

Compreender o Valor P

Um valor de p significativo (tipicamente p < 0,05) indica que os dois grupos diferem significativamente nas suas distribuições. Contudo, lembre- se que o valor de p só lhe diz sobre a probabilidade de observar os seus dados (ou dados mais extremos) se a hipótese nula for verdadeira. Ela não lhe diz sobre o tamanho ou a importância prática do efeito.

Ao interpretar os valores de p do teste U de Mann-Whitney, considere:

Se você usou um teste de uma ou duas caudas
Se o valor p é exato ou baseado na aproximação normal
Se foram aplicadas correcções para as filas empatadas
A relação entre significância estatística e significância prática

O que relatar

Uma medida das tendências centrais dos dois grupos (meios ou medianas; uma vez que o teste U de Mann-Whitney é um teste ordinal, as medianas são geralmente recomendadas), o valor de U (talvez com alguma medida de tamanho de efeito, como tamanho de efeito de linguagem comum ou correlação entre o nível de significância devem ser incluídos no seu relatório.

Um relato típico pode ser executado, "As latências medianas nos grupos E e C foram 153 e 247 ms; as distribuições nos dois grupos diferiram significativamente (Mann-Whitney U = 10,5, n1 = n2 = 8, P < 0,05 bicaudal)".

Relatório de Estilo APA

Relatar os resultados do teste U de Mann-Whitney de acordo com o estilo APA (American Psychological Association) requer apresentar estatísticas e achados fundamentais de forma clara e concisa. "Foi realizado um teste U de Mann-Whitney para comparar os escores entre o Grupo A e o Grupo B. O teste revelou diferença significativa entre os dois grupos, U = 105, n1 = 30, n2 = 25, p = 0,0045, com tamanho médio de efeito, r = 0,34, sugerindo que o Grupo A apresenta escores significativamente maiores do que o Grupo B".

Elementos-chave a incluir no relatório de tipo APA:

Nome do ensaio (teste U de Mann-Whitney)
Objetivo do teste (o que você estava comparando)
O valor estatístico de U
Tamanhos de amostra para ambos os grupos
O valor exato de p (ou p < .001 para valores muito pequenos)
Tamanho do efeito com interpretação
Direcção do efeito

Interpretando Resultados Não-Significantes

Quando o seu teste U de Mann- Whitney produz um resultado não significativo (p & gt; . 05), isto não prova que os grupos são idênticos. Ao contrário, indica que não tem provas suficientes para concluir que diferem. Os resultados não significativos podem ocorrer devido a:

Potência estatística insuficiente (pequenas dimensões das amostras)
Distribuição genuinamente semelhante entre os grupos
Alta variabilidade entre grupos mascaramento entre grupos diferenças
Tamanhos de efeito muito pequenos para detectar com o tamanho da amostra

Relate sempre resultados não significativos, juntamente com estatísticas descritivas e tamanhos de efeito para fornecer uma imagem completa de suas descobertas.

Exemplo prático: Comparando níveis de ansiedade entre grupos de tratamento

Vamos trabalhar através de um exemplo completo para ilustrar todo o processo de condução e interpretação de um teste U de Mann-Whitney em pesquisa psicológica.

Cenário da Pesquisa

Um psicólogo clínico quer avaliar se uma nova intervenção baseada na atenção plena reduz a ansiedade em relação a uma condição de controle da lista de espera. Vinte participantes com ansiedade moderada são aleatoriamente designados para a intervenção de atenção plena (n = 10) ou para o controle da lista de espera (n = 10). Após oito semanas, a ansiedade é medida por meio de um questionário padronizado que produz escores de 0 a 100, com escores mais elevados indicando maior ansiedade.

O pesquisador examina os dados e verifica que os escores de ansiedade não são normalmente distribuídos em nenhum dos grupos (confirmados pelos testes de Shapiro-Wilk), fazendo do teste U de Mann-Whitney a escolha adequada para análise.

Dados

Grupo de Mente: ] Controle de Lista de Espera: 58, 62, 55, 60, 57, 63, 59, 61, 56, 64

Análise passo a passo

Passo 1: Declare as hipóteses

H0: A distribuição dos escores de ansiedade é a mesma em ambos os grupos

H1: A distribuição dos escores de ansiedade difere entre os grupos

Passo 2: Combine e rank todas as pontuações

Quando combinamos todas as 20 pontuações e as classificamos de menor a maior, as pontuações do grupo mindfulness ocupam as fileiras mais baixas (1-10) enquanto as pontuações de controle da lista de espera ocupam as fileiras mais altas (11-20). Essa separação clara sugere uma diferença substancial entre os grupos.

Passo 3: Calcular os montantes das posições

Número de grupos de atenção plena soma: 55

Número de espera da lista de controlo: 155

[[FLT: 0]]Passo 4: Calcular a estatística U

Usando a fórmula U = n1n2 + [n1(n1 + 1)/2] - R1, onde R1 é a soma das fileiras para o primeiro grupo:[
U = (10)(10) + [10(11)/2] - 55 = 100 + 55 - 55 = 100

Para o segundo grupo: U = 0 (o menor dos dois valores de U)

Passo 5: Determinar o significado

Com U = 0, n1 = 10 e n2 = 10, esse resultado é altamente significativo (p < .001). A separação completa das fileiras indica que cada participante do grupo de atenção plena apresentou menor escore de ansiedade do que cada participante do grupo de controle da lista de espera.

Passo 6: Calcular o tamanho do efeito

Utilizando a correlação entre o nível e o nível de prosperidade: r = 1 - (2U)/(n1 × n2) = 1 - (2 × 0)/(10 × 10) = 1,0

Isto representa um tamanho perfeito de efeito, indicando separação completa entre os grupos.

Relatar os resultados

"Foi realizado um teste U de Mann-Whitney para comparar os escores de ansiedade entre os participantes que receberam intervenção baseada na atenção plena (Mdn = 39,5) e aqueles na condição de controle da lista de espera (Mdn = 59,5).O teste revelou uma diferença estatisticamente significativa entre os dois grupos, U = 0, n1 = 10, n2 = 10, p < .001, com um grande tamanho de efeito, r = 1,0.Esses resultados sugerem que a intervenção baseada na atenção plena foi associada a escores de ansiedade substancialmente menores em relação à condição de controle da lista de espera."

Pistas comuns e como evitá - las

Compreender erros comuns na aplicação e interpretação do teste U de Mann-Whitney ajuda a garantir a validade de suas conclusões de pesquisa.

Violando as Assunções de Independência

Um dos erros mais graves é usar o teste U de Mann-Whitney com amostras dependentes ou pareadas. Se os seus dados envolverem medidas repetidas, pares pareados ou qualquer forma de dependência entre as observações, você deve usar o teste de Wilcoxon de patente assinada. Se os dados estiverem disponíveis em pares (amostras dependentes), o teste de patente assinada de Wilcoxon pode ser usado em vez do teste U de Mann-Whitney.

Interpretando mal o que os testes medem

Os pesquisadores às vezes assumem incorretamente que o teste U de Mann-Whitney sempre compara as medianas, como discutido anteriormente, isso só é apropriado quando as distribuições têm formas semelhantes.Quando as distribuições diferem em forma ou propagação, o teste detecta qualquer diferença sistemática nas distribuições, não especificamente diferenças na tendência central.

Ignorando Tamanhos de Efeito

Relatar apenas valores-p sem tamanhos de efeito fornece uma imagem incompleta dos seus resultados. 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 um estudo pouco potente em vez de nenhuma diferença verdadeira.

Usando o teste errado para vários grupos

O teste U de Mann-Whitney foi desenhado para comparar exatamente dois grupos independentes. Se mais de dois grupos precisarem ser comparados, o teste de Kruskal-Wallis deve ser usado. Realizar múltiplos testes de Mann-Whitney para comparar vários grupos infla a taxa de erro Tipo I e deve ser evitado.

Tamanho insuficiente da amostra

Embora o teste U de Mann-Whitney possa ser usado com amostras pequenas, tamanhos de amostra muito pequenos (menos de 5 observações por grupo) podem não ter poder suficiente para detectar diferenças significativas. Cada amostra deve ter pelo menos 5 observações para conclusões estatísticas válidas. Tamanhos de amostra menores podem levar a resultados não confiáveis, pois pode não haver dados suficientes para detectar uma diferença verdadeira entre os grupos.

Considerações e extensões avançadas

Testes de uma contra duas contra duas contra três

A maioria das pesquisas psicológicas usa testes bicaudal porque queremos detectar diferenças em qualquer direção. No entanto, quando você tem uma base teórica forte para prever a direção do efeito, um teste unicaudal pode ser apropriado. Testes unicaudal têm maior poder para detectar efeitos na direção prevista, mas não pode detectar efeitos na direção oposta.

Utilizar testes unicaudal apenas quando:

Você tem fortes razões teóricas ou empíricas para prever uma direção específica
Um efeito na direção oposta seria teoricamente sem sentido ou impossível
Você especifica a hipótese direcional antes de coletar dados

Valores P exatos vs. Assintóticos

Para amostras pequenas, os valores exatos de p baseados na distribuição de permutação são mais precisos do que os valores de p assintóticos baseados na aproximação normal. A maioria dos softwares estatísticos pode calcular valores de p exatos, embora isso se torne computacionalmente intensivo para amostras maiores. Como regra geral, use valores exatos de p quando ambos os tamanhos de amostra são menores que 20, e valores de p assintóticos para amostras maiores.

Intervalos de Confiança para Mudança de Localização

Além do teste de hipóteses, você pode estimar um intervalo de confiança para a mudança de localização entre os grupos. Isto fornece uma gama de valores plausíveis para a diferença entre os grupos e oferece mais informações do que um valor- p simples. O estimador Hodges- Lehmann é comumente usado para este fim e está disponível na maioria dos pacotes de software estatísticos.

Lidando com Extremos Apagadores

Enquanto o teste U de Mann-Whitney é robusto para outliers em comparação com testes paramétricos, outliers extremos ainda podem influenciar os resultados afetando a ordem de classificação. Antes de realizar o teste, examine seus dados para outliers e considere se eles representam observações genuínas ou erros de entrada de dados. Se outliers são legítimos, mas extremos, a abordagem baseada em classificação do teste U de Mann-Whitney irá minimizar sua influência em comparação com testes baseados em médias.

Alternativas e Testes Relacionados

Quando usar o teste independente de amostras T-T

A escolha entre o teste t de Student e o teste U de Mann-Whitney baseia-se principalmente na suposição de normalidade dos dados, sendo que, se os dados seguem uma distribuição normal, o teste t de Student deve ser preferido. Entretanto, se os dados não atenderem a essa suposição, o teste U de Mann-Whitney é o teste adequado a ser utilizado. Embora o teste de Mann-Whitney possa ser empregado mesmo com dados normalmente distribuídos, pode resultar em perda de poder estatístico, o que pode prejudicar a detecção de diferenças entre os grupos.

Se seus dados atenderem aos pressupostos de normalidade e homogeneidade da variância, o teste t de amostras independentes geralmente é mais poderoso e deve ser preferido. No entanto, para dados ordinais ou distribuições substancialmente não normais, o teste U de Mann-Whitney é a melhor escolha.

Teste de Kruskal-Wallis para Grupos Múltiplos

O teste de Kruskal-Wallis, também chamado de teste H de Kruskal-Wallis, às vezes, é um procedimento estatístico não paramétrico utilizado para avaliar se existem diferenças significativas entre três ou mais grupos independentes com base em dados dependentes ordinais ou contínuos. Muitas vezes, é considerado uma extensão do teste U de Mann-Whitney, que se limita a comparar dois grupos.O teste de Kruskal-Wallis avalia se as distribuições de postos dentro dos grupos são estatisticamente equivalentes ou se pelo menos um grupo se desvia significativamente dos outros.

Teste de Wilcoxon com Rank Assinado para Dados emparelhados

Quando você tiver observações pareadas ou pareadas (como as medidas pré-teste e pós-teste dos mesmos participantes), o teste de Wilcoxon de patente assinada é a alternativa adequada não paramétrica. Este teste representa a dependência entre as observações pareadas e é conceitualmente semelhante ao teste t de amostras pareadas.

Teste Brunner- Munzel

Um teste mais poderoso é o teste Brunner-Munzel, superando o teste U de Mann-Whitney em caso de violação da suposição de trocabilidade. Este teste é particularmente útil quando os dois grupos têm variações ou formas diferentes, situações em que o teste U padrão de Mann-Whitney pode ser menos apropriado.

Tamanho da amostra e Considerações de Poder

Determinar tamanhos de amostra adequados antes de realizar seu estudo é crucial para garantir o poder estatístico adequado para detectar efeitos significativos.

Realizando a Análise de Potência

A análise de potência para o teste U de Mann-Whitney pode ser realizada usando software como G*Power. Sob o menu de teste estatístico drop-down, selecione Meios: Wilcoxon-Mann-Whitney test (dois grupos). Sob o menu Tipo de análise de potência drop-down, selecione A priori: Compute o tamanho da amostra necessário - dado o alfa, potência e tamanho do efeito.

Para realizar uma análise de poder, você precisa especificar:

Tamanho esperado do efeito: Com base em dados anteriores de investigação ou de piloto
Nível alfa: Tipicamente .05 para pesquisa psicológica
Potência desejada: Convencionalmente .80, significando 80% de chance de detectar um efeito verdadeiro
Rácio de atribuição: A razão de tamanhos de amostra entre grupos (1:1 para grupos iguais)

Interpretando os Resultados da Análise de Energia

Com base no exemplo e nas etapas acima apresentadas, com um teste bicaudal baseado em uma distribuição normal com essas médias e desvios-padrão, um alfa de 0,55 e poder de .80 e grupos de tamanho igual, os pesquisadores necessitariam de um total de 14 participantes do estudo com sete em cada grupo, o que ilustra como a análise de potência fornece orientações concretas para o planejamento do estudo.

Análise de energia pós-Hoc

Embora controversa, análise de potência pós-hoc pode ajudar a interpretar resultados não significativos. Se o seu estudo teve baixo poder (por exemplo, menos de 0,50), um resultado não significativo pode simplesmente refletir o tamanho insuficiente da amostra em vez de uma verdadeira ausência de efeito. No entanto, análise de poder pós-hoc deve ser interpretada com cautela e nunca usado para justificar estudos subpotentes.

Visualizando os resultados do teste U de Mann-Whitney

A visualização eficaz ajuda a comunicar seus achados e fornece informações sobre a natureza das diferenças de grupo.

Gráficos de Caixas

Os gráficos de caixas são ideais para exibir os resultados do teste U de Mann-Whitney, pois mostram a mediana, os quartis e a faixa de cada grupo. Eles também revelam a forma da distribuição e identificam potenciais outliers. Ao criar gráficos de caixas para pesquisa psicológica, incluem pontos de dados individuais sobrepostos nas caixas para mostrar a distribuição completa dos dados, especialmente com tamanhos de amostra menores.

Lotes de violino

Os gráficos de violino combinam gráficos de caixas com a estimativa da densidade do kernel, mostrando tanto estatísticas de resumos como a forma completa da distribuição. Estes são particularmente úteis quando você deseja ilustrar diferenças na forma da distribuição entre grupos, o que é relevante para interpretar se você pode comparar medianas ou apenas as médias.

Gráficos de Distribuição de Rankings

Criar um gráfico que mostre as posições de classificação das observações de cada grupo pode ilustrar o grau de sobreposição ou separação entre grupos. Essa visualização representa diretamente o que o teste U de Mann-Whitney está avaliando e pode ser particularmente informativo para entender a natureza das diferenças de grupo.

Relatar em diferentes contextos

Artigos do Jornal

Ao relatar os resultados do teste de Mann-Whitney U em artigos de periódicos, incluir todas as informações estatísticas essenciais no texto e fornecer estatísticas descritivas (medianos, faixas ou intervalos interquartis) em tabelas. Considere incluir uma figura que mostre as distribuições de ambos os grupos para dar aos leitores uma compreensão visual do efeito.

Teses e Dissertações

Na escrita acadêmica de longa duração, você tem mais espaço para explicar sua escolha do teste U de Mann-Whitney, descrever procedimentos de verificação de suposição e fornecer interpretação detalhada dos resultados.Incluir informações sobre teste de normalidade, justificação do tamanho da amostra e consideração de análises alternativas.

Apresentações da Conferência

Para apresentações de conferências, concentre-se na visualização clara dos resultados e interpretação direta. Use gráficos de caixas ou gráficos de violino para mostrar as diferenças de grupo visualmente, e relate as estatísticas principais (U, valor p, tamanho do efeito) em um formato simples e acessível. Evite sobrecarregar seu público com detalhes técnicos sobre o procedimento de teste.

Considerações éticas na análise estatística

O uso responsável do teste U de Mann-Whitney envolve várias considerações éticas que os pesquisadores psicológicos devem ter em mente.

Pré-Registro e Transparência

Pré-registrar seu plano de análise, incluindo sua escolha de usar o teste U de Mann-Whitney e se você vai usar testes de uma cauda ou duas caudas, aumenta a transparência e reduz o risco de práticas de pesquisa questionáveis. Documente claramente seu processo de tomada de decisão para escolher testes não paramétricos em detrimento de alternativas paramétricas.

Evitar o P-Hacking

Não mude entre testes paramétricos e não paramétricos com base nos quais produz resultados significativos. A sua escolha de teste deve basear- se nas características dos seus dados e critérios pré- definidos, não nos valores de p produzidos. Se realizar ambos os testes para fins de comparação, relate ambos os conjuntos de resultados.

Relatórios Completos

Relatar todas as análises realizadas, incluindo resultados não significativos.Relatar seletivos de achados significativos apenas contribui para viés de publicação e distorce a literatura científica. Ao utilizar o teste U de Mann-Whitney, relatar estatísticas descritivas, estatísticas de testes, valores de p e tamanhos de efeito para todas as comparações feitas.

Resolver Problemas Comuns

Lidar com gravatas excessivas

Quando os seus dados contêm muitos valores amarrados (com escalas Likert ou outras medidas ordinais com poucas opções de resposta), o teste padrão de Mann-Whitney U pode ser menos poderoso. A maioria dos softwares estatísticos aplica automaticamente correções para laços, mas esteja ciente de que laços excessivos podem reduzir a capacidade do teste de detectar diferenças. Considere se a sua escala de medição tem granularidade suficiente para sua pergunta de pesquisa.

Tamanhos de Amostras Iniguais

O teste U de Mann-Whitney pode acomodar tamanhos de amostra desiguais entre os grupos sem modificação. No entanto, desequilíbrio substancial (por exemplo, um grupo três vezes maior do que o outro) pode reduzir o poder. Ao planejar estudos, objetivar aproximadamente tamanhos de amostra iguais, quando possível, mas não se preocupar com desequilíbrios menores.

Discrepâncias de Software

Pacotes estatísticos diferentes podem relatar valores- p ligeiramente diferentes para o teste U de Mann- Whitney, particularmente com amostras pequenas ou muitos laços. Estas discrepâncias geralmente surgem de diferentes métodos de manipulação de laços ou aproximações diferentes. Ao reportar os resultados, indique qual o software que você usou e se os valores exatos ou assintóticos de p foram calculados.

Integração com outras abordagens estatísticas

Combinando com Estatísticas Descritivas

O teste U de Mann-Whitney deve ser sempre acompanhado de estatísticas descritivas completas. Reporte medianas, intervalos interquartis e intervalos para cada grupo. Considere também reportar médias e desvios padrão para fins de comparação, embora o teste em si seja baseado em classificações. Isto fornece aos leitores uma imagem completa dos seus dados.

Complementar com Intervalos de Confiança

Os intervalos de confiança para a diferença entre os grupos fornecem informações valiosas além do teste de hipóteses.O estimador Hodges-Lehmann fornece uma estimativa robusta da mudança de localização entre os grupos, juntamente com um intervalo de confiança.Essa abordagem se alinha com a prática estatística moderna que enfatiza a estimação sobre o teste de hipóteses puras.

Utilização em pesquisa de métodos mistos

Em pesquisas psicológicas mistas, os resultados dos testes de Mann-Whitney U podem ser integrados aos achados qualitativos para proporcionar uma compreensão mais completa das diferenças de grupos.Os resultados quantitativos do teste podem identificar quais grupos diferem, enquanto os dados qualitativos podem ajudar a explicar por que essas diferenças existem e o que significam em termos práticos.

Desenvolvimentos recentes e orientações futuras

A metodologia estatística continua evoluindo, e os pesquisadores devem estar cientes dos recentes desenvolvimentos relacionados ao teste U de Mann-Whitney e métodos não paramétricos de forma mais ampla.

Alternativas Bayesianas

As abordagens bayesianas do teste U de Mann-Whitney estão se tornando mais acessíveis por meio de pacotes de software como o JASP, que fornecem fatores de Bayes que quantificam evidências para a hipótese nula versus a hipótese alternativa, oferecendo vantagens sobre os valores de p tradicionais para interpretação de resultados não significativos e quantificação de evidências.

Métodos Robustos

Métodos estatísticos robustos modernos oferecem alternativas que combinam o poder dos testes paramétricos com a robustez de abordagens não paramétricas. Meios aparados, bootstrapping e outras técnicas robustas podem fornecer melhor potência do que o teste U de Mann-Whitney em algumas situações, mantendo proteção contra violações de pressupostos de normalidade.

Integração de Aprendizagem de Máquina

Como a pesquisa psicológica incorpora cada vez mais métodos de aprendizagem de máquina, os princípios subjacentes ao teste U de Mann-Whitney (particularmente o conceito de comparação baseada em postos) aparecem em vários algoritmos de aprendizagem de máquina. Compreender esses conceitos estatísticos fundamentais aumenta a capacidade dos pesquisadores de trabalhar com abordagens analíticas modernas.

Dicas práticas para pesquisadores psicológicos

Verifique suposições antes de escolher o seu teste: Examine sempre os seus dados quanto à normalidade e considere a escala de medição antes de decidir entre testes paramétricos e não paramétricos
Visualize seus dados primeiro: Crie gráficos de seus dados antes de realizar testes estatísticos para entender as distribuições e identificar problemas potenciais
Tamanhos de efeitos de relatório: Sempre calcular e relatar tamanhos de efeitos de efeito ao lado de valores de p para fornecer informações sobre a magnitude das diferenças
Considere significado prático: Avaliar se as diferenças estatisticamente significativas são suficientemente grandes para serem significativas no seu contexto de pesquisa
Documente suas decisões: Mantenha registros claros de por que você escolheu o teste U de Mann-Whitney e como você lidou com problemas como laços ou outliers
Use software apropriado: Escolha software estatístico que você entende bem e que fornece toda a saída necessária para relatórios completos
Consulte estatísticos: Quando tiver dúvidas sobre se o teste U de Mann-Whitney é apropriado para os seus dados, consulte um especialista em estatística

Recursos para uma aprendizagem mais aprofundada

Para aprofundar sua compreensão do teste U de Mann-Whitney e das estatísticas não paramétricas de forma mais ampla, considere explorar esses recursos:

Textbooks:] Os livros didáticos de estatística não paramétrica abrangentes fornecem cobertura detalhada das bases teóricas e aplicações práticas do teste U de Mann-Whitney
Tutoriais online: O Estatísticas Como Fazer o Website oferece explicações acessíveis de conceitos estatísticos para investigadores em todos os níveis
Documentação de software: Documentação oficial para SPSS, R, Python e outros pacotes estatísticos fornece orientações detalhadas sobre a implementação do teste
Serviços de consultoria estatística: Muitas universidades oferecem serviços de consultoria estatística que podem ajudar com questões específicas sobre a aplicação do teste U de Mann-Whitney à sua pesquisa
Obras e cursos: Procure oficinas sobre estatísticas não paramétricas oferecidas por organizações profissionais ou universidades

Conclusão

O teste U de Mann-Whitney é uma ferramenta inestimável na ferramenta estatística do pesquisador psicológico, cuja capacidade de comparar dois grupos independentes sem supor normalidade o torna particularmente adequado para os dados ordinais e não distribuídos normalmente comumente encontrados na pesquisa psicológica. Ao entender quando usar o teste, como realizá-lo corretamente e como interpretar e relatar os resultados adequadamente, os pesquisadores podem realizar análises rigorosas que contribuam para o avanço da ciência psicológica.

As principais conclusões para pesquisadores psicológicos incluem a importância de verificar suposições antes de selecionar testes estatísticos, o valor dos tamanhos de efeito de notificação ao lado dos valores de p e a necessidade de interpretar resultados no contexto de sua pergunta de pesquisa específica e referencial teórico. A abordagem baseada em classificação do teste U de Mann-Whitney fornece robustez contra outliers e violações da normalidade, mantendo um bom poder estatístico para detectar diferenças significativas entre os grupos.

À medida que os métodos estatísticos continuam a evoluir, os princípios fundamentais subjacentes ao teste U de Mann-Whitney – comparando distribuições através de classificações e não valores brutos – permanecem relevantes e valiosos. Quer você esteja analisando respostas de pesquisa, medidas comportamentais ou resultados clínicos, dominar este teste não paramétrico aumenta sua capacidade de tirar conclusões válidas de dados psicológicos que não atendem aos pressupostos rigorosos de alternativas paramétricas.

Seguindo as diretrizes e as melhores práticas descritas neste artigo, você pode aplicar confiantemente o teste U de Mann-Whitney à sua pesquisa, interpretar resultados com precisão e comunicar os resultados de forma eficaz tanto para o público estatístico quanto para o público não estatístico. Essa abordagem analítica robusta irá servir você em diversas áreas da pesquisa psicológica, desde psicologia clínica à psicologia social, neurociência cognitiva à psicologia do desenvolvimento, onde a comparação de dois grupos independentes é central para suas questões de pesquisa.