Introdução: Por que a análise de energia importa

Cada estudo de pesquisa começa com uma pergunta fundamental: quantos participantes eu preciso? Realizar um estudo com poucos participantes corre o risco de perder um efeito real (um falso negativo), enquanto um estudo excessivamente grande desperdiça tempo, dinheiro e recursos. análise de potência fornece uma resposta rigorosa e orientada para os dados, calculando o tamanho mínimo da amostra necessário para detectar de forma confiável um efeito de um determinado tamanho. Este artigo percorre o processo completo de realização de uma análise de potência, cobrindo seus componentes principais, métodos passo a passo, opções de software e armadilhas comuns. Se você está planejando um ensaio clínico, uma experiência de ciência social, ou um estudo de controle de qualidade industrial, a análise de poder de domínio garante que sua pesquisa seja eficiente e estatisticamente válida.

O que é análise de energia?

A análise de potência é uma técnica estatística utilizada para determinar o tamanho da amostra necessária para atingir uma probabilidade desejada de rejeitar corretamente uma hipótese falsa nula (ou seja, detectar um efeito verdadeiro). Ela equilibra quatro variáveis interligadas: tamanho do efeito, nível de significância (α), poder estatístico (1 – β) e tamanho da amostra. Ao especificar qualquer três, o quarto pode ser calculado. Na prática, os pesquisadores definem α e poder para valores convencionais (0,05 e 0,80, respectivamente), estimam o tamanho do efeito a partir de dados anteriores de trabalho ou piloto, e então resolvem para o tamanho da amostra necessário.

O conceito de poder estatístico foi formalizado por Jacob Cohen na década de 1960, um estudo com poder insuficiente pode não detectar diferenças significativas, levando a resultados inconclusivos e desperdícios de esforços, por outro lado, um estudo superprotegido pode detectar efeitos estatisticamente significativos, porém praticamente triviais, inflando custos e preocupações éticas, e uma análise de poder bem conduzida ajuda a evitar ambos os extremos.

Componentes-chave da análise de energia

Compreender os quatro pilares da análise de potência é essencial antes de realizar quaisquer cálculos. Cada componente interage com os outros; mudar um irá alterar o tamanho da amostra necessária.

Tamanho do Efeito (δ ou d de Cohen)

O tamanho do efeito quantifica a magnitude da diferença ou relação que você espera encontrar. As métricas comuns incluem:

  • Cohen's d para diferenças entre duas médias (pequeno = 0,2, médio = 0,5, grande = 0,8)
  • Cohen’s f para ANOVA ou regressão (pequeno = 0,10, médio = 0,25, grande = 0,40)
  • Razão de probabilidades ou rácio de risco para resultados categóricos
  • Coeficiente de correlação (r) para relações lineares (pequeno = 0,1, médio = 0,3, grande = 0,5)

Utilização tamanhos de efeito realistas É crítico. A superestimação do efeito (por exemplo, assumindo um efeito grande quando o efeito verdadeiro é pequeno) leva a um estudo pouco potente. Sempre que possível, derivar tamanhos de efeito de meta-análises, revisões sistemáticas ou estudos piloto bem desenhados. As convenções de Cohen podem servir como um guia áspero quando não existem dados anteriores, mas não devem substituir o conhecimento específico de domínio.

Nível de significância (Alpha, α)

Alfa é a probabilidade de um erro Tipo I — rejeitando uma hipótese nula verdadeira. A maioria dos campos adota α = 0,05, ou seja, existe um risco de 5% de concluir um efeito quando não existe. Em configurações de alto risco (por exemplo, ensaios de drogas), α pode ser reduzida para 0,01 ou 0,001. Por outro lado, estudos exploratórios podem usar α = 0,10. A escolha de α afeta diretamente o tamanho da amostra: menor α exige uma amostra maior.

Potência (1 – Beta)

Poder é a probabilidade de rejeitar corretamente uma hipótese falsa nula. O valor de referência convencional é de 0,80 (80% de potência), o que significa que você tem 80% de chance de detectar o efeito especificado se ele realmente existir. Poder superior (por exemplo, 0,90 ou 0,95) reduz o risco de um erro Tipo II, mas requer uma amostra maior. Em campos como a medicina clínica, as agências reguladoras geralmente exigem um poder mínimo de 0,80 ou 0,90.

Tamanho da amostra (n)

O tamanho da amostra é o número de observações independentes (participantes, unidades) necessárias para alcançar o poder desejado. É a saída da análise de potência. Como os estudos reais muitas vezes perdem participantes para desistir ou dados em falta, você deve calcular o tamanho da amostra ajustado dividindo o n exigido por (1 – taxa de atrito esperada). Por exemplo, se a análise de potência produz n = 100 e você antecipa 20% de atrito, recrutar 100 / 0,80 = 125 participantes.

Passos para conduzir uma análise de energia

A realização de uma análise de potência pode ser dividida em seis etapas de concreto. O mesmo fluxo de trabalho aplica-se se você usa software especializado ou fórmulas manuais.

Passo 1: Defina sua pergunta de pesquisa e hipótese

Indica claramente o objetivo primário do seu estudo. Está a comparar dois grupos, testando uma correlação ou examinando os efeitos da interação? Especifique a hipótese nula (sem efeito) e a hipótese alternativa (um efeito existe). O tipo de teste estatístico (teste t, ANOVA, qui-quadrado, regressão) irá determinar a métrica de tamanho do efeito e o método de cálculo.

Passo 2: Estimar o tamanho do efeito

Obter uma estimativa do tamanho do efeito da literatura existente, meta-análises ou um estudo piloto. Se não houver dados disponíveis, use as convenções sugeridas por Cohen como último recurso, mas justifique sua escolha. Documente a fonte de sua estimativa para apoiar transparência e reprodutibilidade. Por exemplo, cite um estudo anterior que relatou um d de Cohen de 0,5 para uma intervenção semelhante.

Passo 3: Definir Alfa e Poder

Adote valores convencionais, a menos que o seu campo ou organismo de financiamento ditar o contrário. Na maioria das pesquisas em ciências sociais e de saúde, α = 0,05 (duas caudas) e poder = 0,80 são padrão. Se você estiver conduzindo um teste de não inferioridade ou uma análise secundária com comparações múltiplas, você pode precisar ajustar alfa (por exemplo, usando a correção de Bonferroni) e aumentar o poder em conformidade.

Passo 4: Escolha o teste estatístico correto

Coincidir com a sua hipótese com o teste apropriado.

  • Dois meios independentes → teste t de duas amostras (usar o d de Cohen)
  • Médias emparelhadas → teste t emparelhado (usar o d de Cohenz)
  • Grupos múltiplos → ANOVA (use Cohen's f ou η2)
  • Associação entre variáveis categóricas → teste qui-quadrado (tamanho de uso do efeito w ou V de Cramér)
  • Correlação → R de Pearson (use a transformação z de Fisher)
  • Modelo de regressão → Teste F para R2 (usar f2 = R2/(1-R2))

Passo 5: Execute a análise de energia usando o software

O software moderno torna a análise de energia direta. As ferramentas populares incluem:

  • G* Poder (aplicação gratuita do desktop): suporta testes t, testes F, qui-quadrado, correlações e muitos outros testes. Oferece tanto cálculos a priori (tamanho da amostra) e pós-hoc (poder alcançado).
  • Stata (comercial): comando com opções extensas para ensaios randomizados e análise de sobrevivência.
  • Pacotes R: , , . Exemplo: ] produz n por grupo.
  • Calculadoras online: Disponível a partir da ClinCalc ou UBC sites. Use com cuidado; certifique-se de que eles correspondem ao seu projeto de teste.
  • SPSS: Módulo de análise de potência incorporado (requer base estatística do SPSS ou opções adicionais).

Passo 6: Ajustar para as restrições do mundo real

Uma vez que você tem o tamanho inicial da amostra, considere fatores práticos:

  • Atrição e dados em falta: Inflar n dividindo por (1 – taxa de abandono antecipada). Para uma evasão de 20%, multiplicar por 1,25.
  • Agregação ou desenhos multinível: Uso de efeito de projeto (DE = 1 + (m – 1) × ICC) onde m é tamanho de cluster e ICC é correlação intraclasse.
  • Resultados primários múltiplos: Aplicar um Bonferroni ou outra correção para alfa e recalcular para cada desfecho; usar o maior n necessário.
  • Orçamento e viabilidade: Se o n calculado for muito alto, considere ajustes iterativos – reduz o tamanho esperado do efeito para um mais realista, menor potência para 0,75, ou aceita um alfa ligeiramente maior. Documente todos os tradeoffs.

Exemplo prático: Teste t de dois amostras

Imagine se você está testando se um novo método de ensino melhora as pontuações dos testes. Você espera um efeito médio (D = 0,5 de Cohen), definido α = 0,05 (duas caudas), potência = 0,80, e planeja usar um teste t de amostras independentes. Usando G* Poder:

  1. Selecione "testes t" > "Médias: Diferença entre dois meios independentes (dois grupos)".
  2. Definir “Tail(s)” = Dois, “Effect size d” = 0,5, “α err prob” = 0,05, “Power (1-β err prob)” = 0,80, “Alocação ratio” = 1.
  3. Clique em "Cálculo". Resultado: tamanho total da amostra = 128 (64 por grupo).

Contando com 15% de abandono: 128 / 0,85 . 151, então recrutar 76 por grupo. Se o orçamento limita você a 100 total, você pode recalcular com poder = 0,70 ou aceitar um menor tamanho de efeito esperado se estudos anteriores o apoiarem.

Erros comuns e como evitá - los

A análise de energia é tão boa quanto as entradas. Observe estes erros frequentes:

  • Usando os congressos de Cohen sem justificação: Sempre tente encontrar estimativas baseadas na literatura. Convenções não são substitutos para o conhecimento de domínio.
  • Assumindo um teste unicaudal sem uma hipótese direcional clara: Testes bicaudal são mais seguros a menos que você tenha fortes razões teóricas para uma direção específica.
  • Ignorar a incerteza do tamanho do efeito: Execute análises de sensibilidade com uma gama de tamanhos de efeito plausível (por exemplo, 0,3, 0,5, 0,7) para ver como o tamanho da amostra muda.
  • Análise de potência pós-hoc em dados observados: Calcular a potência após um estudo usando o tamanho do efeito observado é circular e enganosa. Use a priori análise de potência apenas.
  • Esquecendo de ajustar para múltiplos testes ou grupos múltiplos: Cada comparação adicional infla erro Tipo I; ajuste alfa ou use um método como Bonferroni ou Sidak.
  • Não contabilizar a não independência: Em projetos agrupados (por exemplo, alunos dentro de salas de aula), ignorar o ICC pode subestimar drasticamente o tamanho da amostra.

Considerações Avançadas

Para projetos complexos de estudo, o framework básico de análise de energia se estende a:

  • Análise de sobrevivência: Use logrank poder de teste, tipicamente baseado em razões de perigo esperado e períodos de exercício. Software: em R.
  • Medidas longitudinais ou repetidas: O poder depende do número de medições, correlação entre os pontos de tempo e padrão de atrito. G* Power’s “ANOVA: Repetidas medidas” ou pacotes R especializados como .
  • Ensaios de equivalência e não inferioridade: Estes requerem especificar uma margem de equivalência (Δ) em vez de um efeito zero. O poder é calculado usando abordagens de intervalo de confiança.
  • Análise de potência bayesiana: Em vez de parâmetros fixos, incorporar distribuições prévias para o tamanho do efeito. Ferramentas como ou em R podem simular probabilidades posteriores de detectar um efeito.

Relatando sua análise de energia

Uma secção de análise de poder transparente numa proposta de subvenção ou manuscrito deve incluir:

  1. Hipótese primária da pesquisa e teste estatístico planejado.
  2. Nível Alfa e potência desejada.
  3. Estimativa do tamanho do efeito e sua fonte (por exemplo, “Baseada em uma meta-análise de Smith et al. (2020), esperávamos o d = 0,40 de Cohen”).
  4. O tamanho da amostra foi calculado e o software utilizado.
  5. Ajustes para efeitos de atrito ou design.
  6. Qualquer análise de sensibilidade que mostre robustez a diferentes pressupostos.

Por exemplo: “Planeamos um teste t de amostras independentes (α = 0,05, bicaudal, potência = 0,80) para detectar um efeito médio (d = 0,5). Usando G*Power 3.1, foram necessários 64 participantes por grupo. Contando com 20% de abandono, objetivamos recrutar 80 por grupo (total N = 160).”

Conclusão

Realizar uma análise de poder não é um obstáculo burocrático, mas um passo crítico no design que alinha seus recursos com rigor científico. Ao estimar sistematicamente os tamanhos de efeito, escolher níveis de alfa e de potência adequados e usar software validado, você garante que seu estudo tenha uma alta probabilidade de detectar efeitos significativos ao mesmo tempo que evita desperdícios. Lembre-se que a análise de poder é iterativa: revisite suas suposições à medida que mais informações se torna disponível e documente sempre suas decisões de reprodutibilidade.Quando em dúvida, consulte um bioestatístico, especialmente para projetos complexos, para evitar erros caros. Um estudo bem-propulsionado é a base de pesquisas confiáveis e impactantes.