Quer entender melhor bioestatística?

Pesquisa, reprodutibilidade e confiabilidade. Essas três palavras são fundamentais quando se trata de boa ciência. Como cientistas, nós nos esforçamos para provar que nossos resultados são significativamente diferentes. Meu colega frequentemente desejava um "Jornal de resultados negativos", que publicasse os experimentos que não funcionaram. Isso economizaria seu tempo tentando experimentos que outros pesquisadores já haviam descoberto e que apresentavam resultados negativos. Infelizmente, muitas vezes não publicamos nossos resultados "não significativos" e nos esforçamos para encontrar uma diferença significativa em nossos experimentos para que nosso trabalho seja publicável...

É aqui que os pesquisadores às vezes erram. Eles confundem regras estatísticas básicas, que fazem seus resultados parecerem reproduzíveis e mais significativos. No entanto, muitas vezes esses métodos não são estatisticamente corretos. Certifique-se de não cometer nenhum dos seguintes erros estatísticos em seu manuscrito (10 BOAS DICAS).

1. Grupo controle

Ao estudar o efeito de uma intervenção em vários momentos, é crucial ter um grupo controle. Muitas outras variáveis ​​se infiltram em experimentos nos quais você pode não ter pensado, como os sujeitos se acostumando com o estudo e relatando mais eficiência do que quando começaram. Os indivíduos também aprendem à medida que participam de um experimento e se tornam mais eficientes nas tarefas ao longo do tempo. Isso precisa ser controlado. Os grupos controle precisam ter o mesmo tamanho que os grupos experimentais e precisam ser amostrados aleatoriamente ao mesmo tempo que os grupos experimentais. Lógico que se perdem dados no meio do caminho, mas isso está ok...

2. Comparando dois efeitos sem compará-los diretamente

Isso acontece quando dois efeitos são comparados a um grupo controle, mas não entre si. Por exemplo, você tem dois grupos e deseja comparar duas intervenções diferentes. Pode parecer que a intervenção A teve um efeito maior do que a intervenção B, mas sua análise estatística prova que eles não são significativamente diferentes. No entanto, você descobre que cada intervenção é significativamente diferente do grupo controle. A única conclusão que você pode tirar é que ambas as intervenções mostraram uma diferença estatística em comparação com o grupo controle. Você não pode afirmar que eles são estatisticamente diferentes entre si. Importante isso a considerar...

3. Número de observações vs número de sujeitos

Quanto mais repetições você tiver em seus experimentos, mais confiável será sua análise estatística. Não fique tentado inflar artificialmente suas unidades de análise usando o número de observações/repetições em vez do número de sujeitos que você testou. Para verificar, observe o objetivo do seu experimento. Se você pretendia testar o efeito de uma intervenção em um grupo, a unidade de análise é o número de sujeitos.

4. Lidando com Outliers

Você pode pensar que precisa remover "outliers" extremos porque supõe que algo deu errado com aquele ponto de dados que ficou diferente do resto. Você pode pensar que não é possível que um ou dois de seus pontos de dados sejam tão diferentes de suas outras observações. No entanto, os outliers podem ser observações genuínas. Se você remover um ponto de dados, deverá mencioná-lo e também justificá-lo com bons motivos estatísticos, ou via coleta de dados, etc. Esse tipo de transparência é essencial para uma boa ciência.

5. Amostra pequena

Nos casos em que as amostras são raras e, portanto, limitadas, apenas grandes efeitos serão detectáveis ​​estatisticamente. Além disso, um efeito genuíno pode não ser detectado. Se você se encontrar nesta situação, poderá contornar o pequeno tamanho da amostra executando replicações dentro e entre as amostras e incluindo controles suficientes. Caso específico aqui...

6. Análise circular

Você completa um conjunto de experimentos em que compara o efeito de uma intervenção antes e depois. Você descobre que os resultados não são significativamente diferentes entre os grupos. No entanto, durante sua análise, você nota uma mudança no comportamento de suas amostras. Você fica tentado a subdividir seus grupos e eliminar os dados básicos para provar sua suposição. Isso é conhecido como análise circular, e pode ser meramente uma observação de ruído de fundo. Para provar sua suposição, você teria que executar novamente o experimento com critérios de análise recém-definidos e os controles apropriados.

7. P-Hacking

Essa “flexibilidade de análise” ocorre quando os pesquisadores aumentam artificialmente a probabilidade de alcançar um valor p significativo adicionando covariáveis, excluindo sujeitos experimentais ou trocando os parâmetros analisados. 

Isso pode funcionar dando a você um resultado estatisticamente significativo, porque quanto mais testes você executar, maior será a probabilidade de encontrar um resultado falso positivo. É assim que a probabilidade funciona. Se você se encontra nesta posição, seja transparente e use seus dados em mãos para justificar pesquisas adicionais.

8. Falha ao corrigir para múltiplas comparações

Múltiplas comparações ocorrem quando dois grupos são comparados usando mais de uma variável. Por exemplo, você estuda o efeito de um medicamento em voluntários e mede o resultado de vários sintomas. Nesses tipos de teste, quanto maior o número de fatores, maior a probabilidade de um falso positivo para uma das variáveis. Certifique-se de corrigir as várias comparações para um grupo com um grande conjunto de variáveis ​​usando as estatísticas relevantes para o seu experimento.

9. Interpretação de resultados não significativos

A significância do valor p de 0,05 pode ser arbitrária e um corte numérico pode ser biologicamente relevante ou não. O p apenas confirma a alta probabilidade de um resultado ocorrer de forma consistente dentro de uma população. Para que o valor de p seja significativo, ele pode ser relatado com o tamanho do efeito e o intervalo de confiança de 95%. Isso permitirá aos leitores compreender a escala do efeito e decidir se os resultados podem ser extrapolados para a população relevante, com base nos resultados da população da amostra. Não se prenda somente ao p e o valor exato de 0,05.

10. Correlação e causa confusas

A relação entre duas variáveis ​​é frequentemente analisada por meio de correlações entre os fatores. Se uma correlação for encontrada entre as duas variáveis, isso não significa que uma causa efeito na outra. Mais testes devem ser realizados para provar a relação. Cuidado com isso...

📌 Espero que tenha ajudado e facilite a conversa com um estatístico, levando em conta o seu ponto de vista da biologia e do seu estudo e não somente dos números da estatística ⚖️.