The Basics of Chi-Square Tests for Categorical Data
Table of Contents
Introdução aos testes do qui-quadrado
Ao trabalhar com dados categóricos — variáveis que se enquadram em grupos distintos e não em escalas contínuas —, os pesquisadores precisam frequentemente determinar se a distribuição observada de contagens difere do esperado sob uma dada hipótese. O teste do qui-quadrado é o método mais utilizado para esse fim. Ele fornece uma forma de avaliar a significância estatística das associações entre duas ou mais variáveis categóricas, ou de comparar uma distribuição observada com uma teórica.Desenvolvido por Karl Pearson no início do século XX, o teste do qui-quadrado continua a ser uma pedra angular da estatística inferencial em campos que vão da saúde pública e epidemiologia a marketing e ciência política.
O teste opera com base no princípio de comparar as frequências observadas (as contagens reais coletadas) com as frequências esperadas (as contagens que se esperaria que não existissem relações entre as variáveis). Uma grande discrepância entre os valores observados e os valores esperados sugere que as variáveis não são independentes – que alguma associação subjacente está presente. Este artigo expande os conceitos fundamentais, procedimentos passo a passo, suposições e interpretações dos testes do Qui-quadrado, equipando-o com o conhecimento para aplicá-los corretamente em suas análises.
Compreender os Dados Categóricos
Os dados categóricos, também conhecidos como dados qualitativos, podem ser divididos em dois tipos principais: nominal e ordinal. As categorias nominais não têm ordem intrínseca (por exemplo, tipo sanguíneo: A, B, AB, O; cor favorita). As categorias ordinais têm ordem natural, mas não um intervalo fixo entre elas (por exemplo, escolaridade: ensino médio, bacharelado, mestrado, doutorado). Ambos os tipos são frequentemente resumidos como contagens ou proporções, em vez de médias ou medianas.
Exemplos de dados categóricos na investigação no mundo real incluem:
- Resultados do doente (recuperado, melhorado, sem alterações, piorado)
- Preferências de voto (candidato A, B, C)
- Avaliação da satisfação do cliente (muito satisfeito, satisfeito, neutro, insatisfeito)
- Tipos de veículos em uma cidade (carro, ônibus, bicicleta, caminhão)
Como as variáveis categóricas não podem ser médias significativamente da mesma forma que as variáveis contínuas, os testes estatísticos de associação devem depender de comparações de frequência, sendo o teste Qui-quadrado o instrumento clássico para tal análise.
Por que não usar apenas a correlação?
Os coeficientes de correlação (por exemplo, r de Pearson) são projetados para dados contínuos e assumem relações lineares. Para variáveis categóricas, o teste Qui-quadrado é apropriado porque funciona com dados de contagem e não requer normalidade ou variância igual. Também lida com mais de duas categorias facilmente.
Dois tipos de testes qui-quadrado
1. Teste Qui-quadrado de Bondade de Fito
Este teste compara a distribuição observada de uma única variável categórica com uma distribuição esperada. Por exemplo, um geneticista pode esperar uma proporção de 3:1 de traços dominantes com traços recessivos. O teste de bondade de ajuste determina se as contagens observadas de prole correspondem a essa proporção. Outro exemplo: um pesquisador de mercado que espera uma preferência igual entre três marcas coleta dados de levantamento; o teste de bondade de ajuste verifica se as preferências se afastam da uniformidade.
A fórmula para a estatística de bondade de ajuste é a mesma que a fórmula geral do Qui-quadrado:
χ2 = Ł [(O)i - Ei) 2 / Ei]
em que Oi é a frequência observada na categoria i, e Ei é a frequência esperada sob a hipótese nula. Os graus de liberdade são (k – 1), onde k é o número de categorias.
2. Teste Qui-quadrado da Independência
Este teste avalia se duas variáveis categóricas estão associadas, ou seja, se a distribuição de uma variável depende das categorias da outra. É a mais comum das duas. Os dados são dispostos em uma tabela de contingência (linhas = categorias de uma variável, colunas = categorias da outra). A hipótese nula afirma que as variáveis são independentes; os estados alternativos não são.
As frequências esperadas para cada célula são calculadas como:
Eij = (Total da linha)i × Total da colunaj) / Total geral
A estatística de ensaio é então calculada utilizando a mesma fórmula de soma, mas com graus de liberdade (r – 1) × (c – 1), onde r = número de linhas e c = número de colunas.
Assunções do Teste Qui-quadrado
A aplicação válida do teste Qui-quadrado exige que sejam cumpridos vários pressupostos:
- Independência das observações: Cada indivíduo ou item contribui para apenas uma célula da tabela de contingência. Dados pareados ou pareados (por exemplo, antes de medições sobre o mesmo indivíduo) requerem testes diferentes (como o teste de McNemar).
- Tamanho da amostra e frequências esperadas: Não mais de 20% das frequências esperadas devem ser inferiores a 5, e nenhuma frequência esperada deve ser inferior a 1. Quando essa suposição é violada, o teste exato de Fisher é uma alternativa mais adequada.
- Amostragem aleatória: Os dados devem provir de uma amostra aleatória para garantir que as contagens observadas representem a população.
- As categorias são mutuamente exclusivas: Cada observação deve pertencer a exatamente uma categoria para cada variável.
Quando estes pressupostos não forem cumpridos, o teste Qui-quadrado pode produzir erros tipo I inflacionados (falsos positivos) ou perder o poder estatístico. Verifique sempre as frequências esperadas antes de interpretar os resultados.
Procedimento passo a passo para um teste de independência
Passo 1: Hipóteses de Fórmulação
Hipótese nula (H0): As duas variáveis são independentes (sem associação).
Hipótese alternativa (H1): As duas variáveis são dependentes (existe uma associação).
Passo 2: Construa uma Tabela de Contingência
Suponhamos que examinemos a relação entre gênero (masculino, feminino) e preferência por um produto (como, não gostar). Os dados podem parecer como:
| Como | Deslizer | Total da linha | |
|---|---|---|---|
| Masculino | 30 | 20 | 50 |
| Mulheres | 40 | 10 | 50 |
| Total da Coluna | 70 | 30 | 100 |
As frequências observadas são as contagens em cada célula.
Etapa 3: Calcule as frequências esperadas
Para a célula “Male & Like”: (Row Total Masculino × Coluna Total Like) / Grand Total = (50 × 70) / 100 = 35. Repetir para todas as células:
- Masculino & Gosto: 35
- Masculino e desgosto: (50×30)/100 = 15
- Mulheres & Gostos: (50×70)/100 = 35
- Mulheres e desgostos: (50×30)/100 = 15
Passo 4: Calcular a estatística qui-quadrado
Aplicar a fórmula χ2 = Ł [(O – E)2 / E] para todas as células:
- Masculino & Gosto: (30-35)2/35 = 25/35 □ 0,714
- Masculino & Dislike: (20-15)2/15 = 25/15 □ 1.667
- Mulheres & Gosto: (40-35)2/35 = 25/35 □ 0,714
- Mulheres e desgostos: (10-15) 2/15 = 25/15 □ 1,667
Soma = 0,714 + 1,667 + 0,714 + 1,667 = 4. 762
Etapa 5: Determinar os Graus de Liberdade
df = (r – 1) × (c – 1) = (2 – 1) × (2 – 1) = 1.
Passo 6: Compare com o valor crítico
Para α = 0,05 e df = 1, o valor crítico de uma tabela de distribuição do Qui-quadrado é de 3.841. Como nosso χ2 calculado (4.762) excede 3.841, rejeitamos a hipótese nula. Alternativamente, podemos calcular o valor p (ver abaixo).
Passo 7: Interprete o resultado
Conclui-se que existe uma associação estatisticamente significativa entre gênero e preferência do produto, e os dados sugerem que as fêmeas da amostra têm maior probabilidade de relatar gostar do produto do que os homens.
Utilização de Valores-P e Níveis de Significado
Em vez de comparar a estatística do teste com um valor crítico, a maioria dos softwares estatísticos relata um valor de p. O valor de p é a probabilidade de obter uma estatística do Qui-quadrado tão extrema quanto, ou mais extrema que, a observada, assumindo que a hipótese nula é verdadeira. Se o valor de p é menor que o nível de significância escolhido (tipicamente 0,05), os resultados são considerados estatisticamente significativos.
Para o nosso exemplo, um Qui-quadrado de 4.762 com 1 df produz um valor de p de cerca de 0.029. < 0.05, we reject H₀. Always report both the test statistic and the p‑value:
“Houve associação significativa entre gênero e preferência do produto, χ2(1, N = 100) = 4,76, p = 0,029.”
Análise pós-Hoc e tamanho do efeito
Comparação dos Seguimentos
Quando um teste Qui-quadrado envolve mais de duas categorias, um resultado significativo não lhe diz quais categorias diferem. Testes pós-hoc (por exemplo, comparações Qui-quadrado em par com a correção de Bonferroni) podem identificar células específicas que contribuem para a associação global. Resíduos padronizados (diferença entre observada e esperada dividida pela raiz quadrada do esperado) ajudam a localizar grandes desvios: resíduos com valor absoluto > 2 são geralmente considerados dignos de nota.
Tamanho do efeito: Cramér’s V
A significância estatística não mede a força de uma associação. O V de Cramér é uma medida comum do tamanho do efeito para o teste de independência do Qui-quadrado. Ele varia de 0 (sem associação) a 1 (associação perfeita). A fórmula é:
V = sqrt [ χ2 / (N × min(r-1, c-1)]
Para o nosso exemplo 2×2: V = sqrt(4.762/ (100 × 1)) = sqrt(0.04762) . 0.218. As diretrizes sugerem: V .0.1 é um efeito pequeno, 0,3 médio, 0,5 grande. Nosso resultado indica um efeito pequeno a médio.
Interpretando resultados qui-quadrados em contexto
É crucial lembrar que o teste do Qui-quadrado indica associação, não causação. Mesmo que duas variáveis pareçam fortemente relacionadas, a relação poderia ser influenciada por uma terceira variável não medida. Por exemplo, um teste do Qui-quadrado pode mostrar uma associação significativa entre as vendas de sorvetes e ataques de tubarões, mas ambas são impulsionadas pelo confundidor da estação (calor de verão). Além disso, o teste não revela a direção da relação – apenas que as distribuições não são independentes.
Ao relatar os resultados, sempre incluir a tabela de contingência (ou pelo menos as percentagens), a estatística Qui-quadrado, graus de liberdade, tamanho da amostra, valor p- e tamanho do efeito. Isso dá aos leitores uma imagem completa dos achados e permite metanálise mais tarde.
Limitações e armadilhas comuns
Embora o teste Qui-quadrado seja simples, ele tem várias limitações que os analistas devem considerar:
- Sensibilidade ao tamanho da amostra: Com amostras muito grandes, mesmo associações triviais tornam-se estatisticamente significativas. Com amostras pequenas, o teste pode não ter poder para detectar efeitos reais.
- Frequências baixas esperadas: Como observado, frequências esperadas abaixo de 5 podem invalidar a aproximação à distribuição do Qui-quadrado. Nesses casos, use o teste exato de Fisher (para 2 × 2 tabelas) ou combinar categorias esparsas (com cautela).
- Perda de informação: Ao converter variáveis contínuas em categorias, você perde granularidade e poder estatístico. Evite dicotomizar variáveis contínuas apenas para usar um teste Qui-quadrado.
- Sobreinterpretação de resultados não significativos: Não rejeitar a hipótese nula não prova independência – significa simplesmente que os dados não fornecem evidências suficientes para concluir a dependência.
Exemplo prático: Um experimento de sala de aula
Imagine se um professor de biologia do ensino médio quer testar se a mão-de-obra (esquerda, direita) está associada com a forma preferida de dobrar aviões de papel (dobrar ao meio longitudinal vs. transversal). O professor examina 120 alunos e obtém a seguinte tabela de contingência:
| Comprimento | Transversal | Total | |
|---|---|---|---|
| Canhoto | 15 | 10 | 25 |
| Destro | 50 | 45 | 95 |
| Total | 65 | 55 | 120 |
Frequências esperadas: Para canhoto & longitudinalmente: (25×65)/120 .13,54; esquerda & transversal: (25×55)/120 .11,46; direita & longitudinalmente: (95×65)/120 .51,46; direita & transversal: (95×55)/120 .43,54.
Computação χ2: (15-13.54)2/13.54 + (10-11.46)2/11.46 + (50-51.46)2/51.46 + (45-43.542/43.54 = 0,157 + 0,187 + 0,041 + 0,049 = 0,434 (aprox). df = 1. Valor crítico em α=0,05 = 3.841. < 3.841, we fail to reject H₀. The data do not provide enough evidence to conclude an association between handedness and folding preference. The p‑value would be about 0.51.
Software e Implementação
A maioria dos pacotes estatísticos pode realizar testes do Qui-quadrado. Em R, use em duas variáveis de fatores. Em Python, use . No SPSS ou Excel, o procedimento está em “Crosstabs” ou “Descritive Statistics”. Para uma compreensão mais profunda, tente calcular manualmente uma pequena tabela – esclarece a mecânica.
Para mais leitura, veja o livro de Alan Agresti, Análise dos Dados Categóricos (Wiley, 2013), ou o guia prático Estatísticas para os Experimentadores por Box, Hunter e Hunter (Wiley, 2005). Recursos online como Visão geral do teste Qui-quadrado da JMP fornecer explicações claras e tutoriais em vídeo.
Conclusão
O teste Qui-quadrado é uma ferramenta versátil e acessível para analisar dados categóricos. Ao compreender seus pressupostos, computação e interpretação, os analistas podem desenhar insights significativos sobre associações em resultados de pesquisas, resultados experimentais e estudos observacionais. Quer você esteja testando uma hipótese genética ou examinando o comportamento do consumidor, dominar o teste Qui-quadrado fortalece seu kit de ferramentas estatísticas e permite conclusões mais rigorosas e baseadas em evidências. Sempre complemente o teste com medidas de tamanho de efeito e cuidadosa consideração do desenho do estudo para evitar armadilhas comuns. Com a prática, o teste Qui-quadrado torna-se um primeiro passo natural na exploração de relações entre variáveis categóricas.