Significância Estatística: Tamanho(s) da Amostra e Poder Estatístico
Quoc Minh Lai
Atualizado em
Significância Estatística: Tamanho(s) da Amostra e Poder Estatístico
Quoc Minh Lai
Atualizado em
Significância Estatística: Tamanho(s) da Amostra e Poder Estatístico
Quoc Minh Lai
Atualizado em
Significância Estatística: Tamanho(s) da Amostra & Poder Estatístico - Para compreender o mundo ao nosso redor, pesquisadores usam formalmente o método científico como uma forma de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa compreender como os sistemas genéticos, neurológicos e comportamentais apoiam a capacidade de um organismo de sentir, interagir, navegar e pensar sobre o mundo ao seu redor.
Isso significa que a neurociência cognitiva projeta experimentos e coleta dados em todos os níveis de análise. Programas de pesquisa em todo o mundo que buscam aprofundar nossa compreensão do mundo natural testam regularmente suposições, ou hipóteses, em uma série bem planejada de experimentos menores. Esses experimentos tendem a investigar fatores específicos que podem ou não influenciar um resultado, ao mesmo tempo que minimizam a influência de fatores estranhos, como ambiente, orientação sexual, raça ou status socioeconômico.
Cenário Um: Um Estudo de Liberação de Dopamina
Na Neurociência Cognitiva, a dopamina é geralmente considerada um composto de "bem-estar". Sua liberação no Núcleo Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Estes podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis máximos de dopamina no NuAc ocorrem antes, durante ou depois da exposição a um estímulo visual desejado ou familiar. Podemos usar o design experimental de EEG adotado do estudo de Amatya Johanna Mackintosh. Podemos hipotetizar que a liberação de dopamina ocorre durante e atinge o pico um pouco após a exposição aos estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde tiramos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo total maior que está sendo estudado. É impraticável e improvável que seu laboratório consiga conceber uma técnica para recrutar e coletar dados de liberação de dopamina de centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativo para compreender a população. Para tanto, precisaremos responder a duas perguntas principais.
Quantos indivíduos precisam ser incluídos em nossa amostra?
Como isso se relaciona com a significância prática e o poder estatístico?
Vamos detalhar isso abaixo.
Poder Estatístico e Efeito Verdadeiro
O poder estatístico é definido como a probabilidade de um teste detectar uma diferença estatisticamente significativa quando tal diferença realmente existe. Também é conhecido como efeito verdadeiro.
O efeito verdadeiro é a pedra angular do design experimental. O relatório de Cohen de 1988, prolífico por suas contribuições ao método científico, argumentou que um estudo deve ser projetado para ter 80% de probabilidade de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (AP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (BP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro do tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador relata incorretamente nenhum efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico Importa?
Pense neste cenário. Se um efeito verdadeiro existe em 100 estudos diferentes com 80% de poder, os testes estatísticos detectarão um efeito verdadeiro em 80 dos 100. No entanto, quando um estudo tem um poder de pesquisa de 20%, se houver 100 efeitos genuínos não nulos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Limitações do Poder Estatístico na Pesquisa em Neurociência
Sem surpresa, devido à natureza de uso intensivo de recursos da pesquisa em neurociência, esta área tem um poder estatístico mediano de cerca de 21% e média em uma ampla faixa de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Coloca em dúvida a replicabilidade dos achados.
Leva a um tamanho de efeito exagerado.
Reduz a probabilidade de resultados estatisticamente significativos que representem com precisão o efeito verdadeiro.
Como tal, o estado atual da pesquisa em neurociência está preso ao problema do poder estatístico porque esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo de Amostra(s) Representativo
Meta do Cenário Um: Evitar erros de amostragem e erros do tipo I e II em nosso teste com amostragem inclusiva e ampla.
Quantos exames de cérebro humano precisam ser incluídos em nosso conjunto de amostras se quisermos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ou não ao mundo real.
A capacidade de um experimento de neurocientista determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando com os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no tempo de liberação da dopamina após mostrar estímulos visuais emocionalmente carregados. Também precisamos estabelecer critérios de inclusão na amostra que minimizem o potencial para um erro de amostragem.
Como Evitar Erros de Amostragem
Dois termos são importantes para entender antes de seguir em frente.
Erro de amostragem: Ao fazer a amostragem, sempre há uma chance de os dados coletados dos indivíduos selecionados não representarem a população.
Significância Estatística: Significância estatística significa que nossos dados e nossos efeitos observados são provavelmente efeitos verdadeiros. Na maioria das ciências biomédicas, a significância estatística é estabelecida com um nível de significância ou p-valor de 0.05. Essencialmente, isso significa que os cientistas estão 95% confiantes no efeito observado em seus experimentos.
Considere se os dados mostram uma relação (ou seja, liberação de dopamina). Existe uma probabilidade de 5% de que o efeito ocorra por acaso e não esteja relacionado à variável (estímulos visuais). Isso seria um erro do Tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar nenhuma relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro do Tipo II.
Estabelecer cuidadosamente os critérios de inclusão é mais impactante porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Esperamos coletar dados que representem todos os seres humanos, e queremos que nossas conclusões sejam tanto praticamente significativas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro do tipo I (falso positivo) ou erro do tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional.
Hipótese - EXISTE uma relação entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional, e o pico de liberação de dopamina ocorre após a visualização dos estímulos visuais.
Existe uma relação entre o tempo de liberação de dopamina no NAc e estímulos visuais de valência emocional. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrado.
Nossos efeitos observados têm a mesma chance de resultarem do mero acaso.
Compreendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou igualar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque são os mais próximos ou mais acessíveis para coletar dados, pois esta é a receita para um erro de amostragem.
A melhor abordagem para a geração do conjunto de amostras é usar critérios de inclusão que equalizem aleatoriamente a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato de 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de forma igual em todas as áreas geográficas.
Estabelecer o desenho experimental, aumentar o tamanho da amostra e realizar plenamente um critério de inclusão imparcial, randomizado e aplicado igualmente pode rapidamente deparar-se com limitações práticas. Esta é uma questão para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa consolidadas. Normalmente, as limitações orçamentárias e de cronograma são as primeiras a forçar o comprometimento. Coletivamente, essas questões relacionadas à significância estatística são áreas ativas de pesquisa.
Qual é o Tamanho do Efeito Verdadeiro?
Devido ao baixo poder estatístico da pesquisa em neurociência, tendemos a superestimar o tamanho do efeito verdadeiro, o que leva à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que a área de estudo pode adotar é aumentar o poder de um estudo aumentando o tamanho da amostra. Isso aumenta a probabilidade de detectar um efeito verdadeiro. Escolher um tamanho de amostra apropriado é vital para projetar pesquisas que:
Façam descobertas práticas.
Avançam nossa compreensão dos inúmeros processos no cérebro.
Desenvolvam terapias eficazes.
Superando Desafios na Pesquisa de Neurociência Contemporânea: A Plataforma EmotivLAB
Os desenhos experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos maiores de grupos de amostra e melhores critérios de inclusão para obter uma significância estatística confiável. Com o acesso a uma plataforma ativada por crowd-sourcing como a EmotivLAB, os pesquisadores recebem acesso a indivíduos potencialmente muito mais diversos e muito mais representativos - melhorando o tamanho da amostra e a inclusão de todos os dados demográficos com o mínimo esforço logístico adicional para os grupos de pesquisa.
A pesquisa moderna em neurociência pode tornar-se vulnerável a erros de amostragem devido aos recursos limitados disponíveis para recrutar um grupo diversificado para o conjunto de amostras experimental. O conceito de "grupo WEIRD" resume o problema. A maior parte das pesquisas universitárias é feita com um orçamento muito reduzido em indivíduos experimentais que, de modo geral, pertencem ao Ocidente, são Educados e de países Industrializados, Ricos e Democráticos. No entanto, equipamentos remotos de coleta de dados, como a plataforma de EEG da EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos de amostra que reflitam melhor a população.
A plataforma da EmotivLAB e os equipamentos remotos de EEG não estão apenas ajudando os pesquisadores a expandir a diversidade de indivíduos incluídos nos grupos de amostragem experimental. Também intermedeiam as questões relativas ao tamanho geral da amostra e ao alcance geográfico nas populações-alvo.
A plataforma EmotivLAB liberta os pesquisadores das restrições atuais, permitindo que foquem sua energia no design de experimentos e na análise dos resultados. Nossa plataforma combina o experimento com os indivíduos mais adequados no banco de participantes. Não há necessidade de gastar tempo recrutando participantes, coordenando-os, agendando-os e realizando a coleta de dados no laboratório. Tudo o que é necessário é especificar as características demográficas desejadas na plataforma online, e a EmotivLAB disponibilizará o experimento para os colaboradores que melhor atendam aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, utilizando seus próprios equipamentos. A familiaridade deles com o dispositivo de cabeça elimina a necessidade de os pesquisadores fornecerem instruções de uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação automatizada de dados de gravação de EEG. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros amostrais ou estatísticos em desenhos experimentais. Ter acesso a mais dados de alta qualidade, no entanto, fornece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o que a Plataforma EmotivLAB Pode Fazer Pela Sua Pesquisa?
A EmotivLAB permite que você construa seu experimento, implemente seu experimento com segurança, recrute a partir de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo a partir de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.
Significância Estatística: Tamanho(s) da Amostra & Poder Estatístico - Para compreender o mundo ao nosso redor, pesquisadores usam formalmente o método científico como uma forma de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa compreender como os sistemas genéticos, neurológicos e comportamentais apoiam a capacidade de um organismo de sentir, interagir, navegar e pensar sobre o mundo ao seu redor.
Isso significa que a neurociência cognitiva projeta experimentos e coleta dados em todos os níveis de análise. Programas de pesquisa em todo o mundo que buscam aprofundar nossa compreensão do mundo natural testam regularmente suposições, ou hipóteses, em uma série bem planejada de experimentos menores. Esses experimentos tendem a investigar fatores específicos que podem ou não influenciar um resultado, ao mesmo tempo que minimizam a influência de fatores estranhos, como ambiente, orientação sexual, raça ou status socioeconômico.
Cenário Um: Um Estudo de Liberação de Dopamina
Na Neurociência Cognitiva, a dopamina é geralmente considerada um composto de "bem-estar". Sua liberação no Núcleo Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Estes podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis máximos de dopamina no NuAc ocorrem antes, durante ou depois da exposição a um estímulo visual desejado ou familiar. Podemos usar o design experimental de EEG adotado do estudo de Amatya Johanna Mackintosh. Podemos hipotetizar que a liberação de dopamina ocorre durante e atinge o pico um pouco após a exposição aos estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde tiramos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo total maior que está sendo estudado. É impraticável e improvável que seu laboratório consiga conceber uma técnica para recrutar e coletar dados de liberação de dopamina de centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativo para compreender a população. Para tanto, precisaremos responder a duas perguntas principais.
Quantos indivíduos precisam ser incluídos em nossa amostra?
Como isso se relaciona com a significância prática e o poder estatístico?
Vamos detalhar isso abaixo.
Poder Estatístico e Efeito Verdadeiro
O poder estatístico é definido como a probabilidade de um teste detectar uma diferença estatisticamente significativa quando tal diferença realmente existe. Também é conhecido como efeito verdadeiro.
O efeito verdadeiro é a pedra angular do design experimental. O relatório de Cohen de 1988, prolífico por suas contribuições ao método científico, argumentou que um estudo deve ser projetado para ter 80% de probabilidade de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (AP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (BP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro do tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador relata incorretamente nenhum efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico Importa?
Pense neste cenário. Se um efeito verdadeiro existe em 100 estudos diferentes com 80% de poder, os testes estatísticos detectarão um efeito verdadeiro em 80 dos 100. No entanto, quando um estudo tem um poder de pesquisa de 20%, se houver 100 efeitos genuínos não nulos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Limitações do Poder Estatístico na Pesquisa em Neurociência
Sem surpresa, devido à natureza de uso intensivo de recursos da pesquisa em neurociência, esta área tem um poder estatístico mediano de cerca de 21% e média em uma ampla faixa de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Coloca em dúvida a replicabilidade dos achados.
Leva a um tamanho de efeito exagerado.
Reduz a probabilidade de resultados estatisticamente significativos que representem com precisão o efeito verdadeiro.
Como tal, o estado atual da pesquisa em neurociência está preso ao problema do poder estatístico porque esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo de Amostra(s) Representativo
Meta do Cenário Um: Evitar erros de amostragem e erros do tipo I e II em nosso teste com amostragem inclusiva e ampla.
Quantos exames de cérebro humano precisam ser incluídos em nosso conjunto de amostras se quisermos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ou não ao mundo real.
A capacidade de um experimento de neurocientista determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando com os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no tempo de liberação da dopamina após mostrar estímulos visuais emocionalmente carregados. Também precisamos estabelecer critérios de inclusão na amostra que minimizem o potencial para um erro de amostragem.
Como Evitar Erros de Amostragem
Dois termos são importantes para entender antes de seguir em frente.
Erro de amostragem: Ao fazer a amostragem, sempre há uma chance de os dados coletados dos indivíduos selecionados não representarem a população.
Significância Estatística: Significância estatística significa que nossos dados e nossos efeitos observados são provavelmente efeitos verdadeiros. Na maioria das ciências biomédicas, a significância estatística é estabelecida com um nível de significância ou p-valor de 0.05. Essencialmente, isso significa que os cientistas estão 95% confiantes no efeito observado em seus experimentos.
Considere se os dados mostram uma relação (ou seja, liberação de dopamina). Existe uma probabilidade de 5% de que o efeito ocorra por acaso e não esteja relacionado à variável (estímulos visuais). Isso seria um erro do Tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar nenhuma relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro do Tipo II.
Estabelecer cuidadosamente os critérios de inclusão é mais impactante porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Esperamos coletar dados que representem todos os seres humanos, e queremos que nossas conclusões sejam tanto praticamente significativas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro do tipo I (falso positivo) ou erro do tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional.
Hipótese - EXISTE uma relação entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional, e o pico de liberação de dopamina ocorre após a visualização dos estímulos visuais.
Existe uma relação entre o tempo de liberação de dopamina no NAc e estímulos visuais de valência emocional. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrado.
Nossos efeitos observados têm a mesma chance de resultarem do mero acaso.
Compreendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou igualar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque são os mais próximos ou mais acessíveis para coletar dados, pois esta é a receita para um erro de amostragem.
A melhor abordagem para a geração do conjunto de amostras é usar critérios de inclusão que equalizem aleatoriamente a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato de 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de forma igual em todas as áreas geográficas.
Estabelecer o desenho experimental, aumentar o tamanho da amostra e realizar plenamente um critério de inclusão imparcial, randomizado e aplicado igualmente pode rapidamente deparar-se com limitações práticas. Esta é uma questão para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa consolidadas. Normalmente, as limitações orçamentárias e de cronograma são as primeiras a forçar o comprometimento. Coletivamente, essas questões relacionadas à significância estatística são áreas ativas de pesquisa.
Qual é o Tamanho do Efeito Verdadeiro?
Devido ao baixo poder estatístico da pesquisa em neurociência, tendemos a superestimar o tamanho do efeito verdadeiro, o que leva à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que a área de estudo pode adotar é aumentar o poder de um estudo aumentando o tamanho da amostra. Isso aumenta a probabilidade de detectar um efeito verdadeiro. Escolher um tamanho de amostra apropriado é vital para projetar pesquisas que:
Façam descobertas práticas.
Avançam nossa compreensão dos inúmeros processos no cérebro.
Desenvolvam terapias eficazes.
Superando Desafios na Pesquisa de Neurociência Contemporânea: A Plataforma EmotivLAB
Os desenhos experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos maiores de grupos de amostra e melhores critérios de inclusão para obter uma significância estatística confiável. Com o acesso a uma plataforma ativada por crowd-sourcing como a EmotivLAB, os pesquisadores recebem acesso a indivíduos potencialmente muito mais diversos e muito mais representativos - melhorando o tamanho da amostra e a inclusão de todos os dados demográficos com o mínimo esforço logístico adicional para os grupos de pesquisa.
A pesquisa moderna em neurociência pode tornar-se vulnerável a erros de amostragem devido aos recursos limitados disponíveis para recrutar um grupo diversificado para o conjunto de amostras experimental. O conceito de "grupo WEIRD" resume o problema. A maior parte das pesquisas universitárias é feita com um orçamento muito reduzido em indivíduos experimentais que, de modo geral, pertencem ao Ocidente, são Educados e de países Industrializados, Ricos e Democráticos. No entanto, equipamentos remotos de coleta de dados, como a plataforma de EEG da EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos de amostra que reflitam melhor a população.
A plataforma da EmotivLAB e os equipamentos remotos de EEG não estão apenas ajudando os pesquisadores a expandir a diversidade de indivíduos incluídos nos grupos de amostragem experimental. Também intermedeiam as questões relativas ao tamanho geral da amostra e ao alcance geográfico nas populações-alvo.
A plataforma EmotivLAB liberta os pesquisadores das restrições atuais, permitindo que foquem sua energia no design de experimentos e na análise dos resultados. Nossa plataforma combina o experimento com os indivíduos mais adequados no banco de participantes. Não há necessidade de gastar tempo recrutando participantes, coordenando-os, agendando-os e realizando a coleta de dados no laboratório. Tudo o que é necessário é especificar as características demográficas desejadas na plataforma online, e a EmotivLAB disponibilizará o experimento para os colaboradores que melhor atendam aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, utilizando seus próprios equipamentos. A familiaridade deles com o dispositivo de cabeça elimina a necessidade de os pesquisadores fornecerem instruções de uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação automatizada de dados de gravação de EEG. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros amostrais ou estatísticos em desenhos experimentais. Ter acesso a mais dados de alta qualidade, no entanto, fornece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o que a Plataforma EmotivLAB Pode Fazer Pela Sua Pesquisa?
A EmotivLAB permite que você construa seu experimento, implemente seu experimento com segurança, recrute a partir de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo a partir de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.
Significância Estatística: Tamanho(s) da Amostra & Poder Estatístico - Para compreender o mundo ao nosso redor, pesquisadores usam formalmente o método científico como uma forma de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa compreender como os sistemas genéticos, neurológicos e comportamentais apoiam a capacidade de um organismo de sentir, interagir, navegar e pensar sobre o mundo ao seu redor.
Isso significa que a neurociência cognitiva projeta experimentos e coleta dados em todos os níveis de análise. Programas de pesquisa em todo o mundo que buscam aprofundar nossa compreensão do mundo natural testam regularmente suposições, ou hipóteses, em uma série bem planejada de experimentos menores. Esses experimentos tendem a investigar fatores específicos que podem ou não influenciar um resultado, ao mesmo tempo que minimizam a influência de fatores estranhos, como ambiente, orientação sexual, raça ou status socioeconômico.
Cenário Um: Um Estudo de Liberação de Dopamina
Na Neurociência Cognitiva, a dopamina é geralmente considerada um composto de "bem-estar". Sua liberação no Núcleo Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Estes podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis máximos de dopamina no NuAc ocorrem antes, durante ou depois da exposição a um estímulo visual desejado ou familiar. Podemos usar o design experimental de EEG adotado do estudo de Amatya Johanna Mackintosh. Podemos hipotetizar que a liberação de dopamina ocorre durante e atinge o pico um pouco após a exposição aos estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde tiramos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo total maior que está sendo estudado. É impraticável e improvável que seu laboratório consiga conceber uma técnica para recrutar e coletar dados de liberação de dopamina de centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativo para compreender a população. Para tanto, precisaremos responder a duas perguntas principais.
Quantos indivíduos precisam ser incluídos em nossa amostra?
Como isso se relaciona com a significância prática e o poder estatístico?
Vamos detalhar isso abaixo.
Poder Estatístico e Efeito Verdadeiro
O poder estatístico é definido como a probabilidade de um teste detectar uma diferença estatisticamente significativa quando tal diferença realmente existe. Também é conhecido como efeito verdadeiro.
O efeito verdadeiro é a pedra angular do design experimental. O relatório de Cohen de 1988, prolífico por suas contribuições ao método científico, argumentou que um estudo deve ser projetado para ter 80% de probabilidade de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (AP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (BP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro do tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador relata incorretamente nenhum efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico Importa?
Pense neste cenário. Se um efeito verdadeiro existe em 100 estudos diferentes com 80% de poder, os testes estatísticos detectarão um efeito verdadeiro em 80 dos 100. No entanto, quando um estudo tem um poder de pesquisa de 20%, se houver 100 efeitos genuínos não nulos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Limitações do Poder Estatístico na Pesquisa em Neurociência
Sem surpresa, devido à natureza de uso intensivo de recursos da pesquisa em neurociência, esta área tem um poder estatístico mediano de cerca de 21% e média em uma ampla faixa de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Coloca em dúvida a replicabilidade dos achados.
Leva a um tamanho de efeito exagerado.
Reduz a probabilidade de resultados estatisticamente significativos que representem com precisão o efeito verdadeiro.
Como tal, o estado atual da pesquisa em neurociência está preso ao problema do poder estatístico porque esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo de Amostra(s) Representativo
Meta do Cenário Um: Evitar erros de amostragem e erros do tipo I e II em nosso teste com amostragem inclusiva e ampla.
Quantos exames de cérebro humano precisam ser incluídos em nosso conjunto de amostras se quisermos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ou não ao mundo real.
A capacidade de um experimento de neurocientista determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando com os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no tempo de liberação da dopamina após mostrar estímulos visuais emocionalmente carregados. Também precisamos estabelecer critérios de inclusão na amostra que minimizem o potencial para um erro de amostragem.
Como Evitar Erros de Amostragem
Dois termos são importantes para entender antes de seguir em frente.
Erro de amostragem: Ao fazer a amostragem, sempre há uma chance de os dados coletados dos indivíduos selecionados não representarem a população.
Significância Estatística: Significância estatística significa que nossos dados e nossos efeitos observados são provavelmente efeitos verdadeiros. Na maioria das ciências biomédicas, a significância estatística é estabelecida com um nível de significância ou p-valor de 0.05. Essencialmente, isso significa que os cientistas estão 95% confiantes no efeito observado em seus experimentos.
Considere se os dados mostram uma relação (ou seja, liberação de dopamina). Existe uma probabilidade de 5% de que o efeito ocorra por acaso e não esteja relacionado à variável (estímulos visuais). Isso seria um erro do Tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar nenhuma relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro do Tipo II.
Estabelecer cuidadosamente os critérios de inclusão é mais impactante porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Esperamos coletar dados que representem todos os seres humanos, e queremos que nossas conclusões sejam tanto praticamente significativas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro do tipo I (falso positivo) ou erro do tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional.
Hipótese - EXISTE uma relação entre o tempo de liberação de dopamina no NAc e o estímulo visual de valência emocional, e o pico de liberação de dopamina ocorre após a visualização dos estímulos visuais.
Existe uma relação entre o tempo de liberação de dopamina no NAc e estímulos visuais de valência emocional. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrado.
Nossos efeitos observados têm a mesma chance de resultarem do mero acaso.
Compreendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou igualar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque são os mais próximos ou mais acessíveis para coletar dados, pois esta é a receita para um erro de amostragem.
A melhor abordagem para a geração do conjunto de amostras é usar critérios de inclusão que equalizem aleatoriamente a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato de 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de forma igual em todas as áreas geográficas.
Estabelecer o desenho experimental, aumentar o tamanho da amostra e realizar plenamente um critério de inclusão imparcial, randomizado e aplicado igualmente pode rapidamente deparar-se com limitações práticas. Esta é uma questão para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa consolidadas. Normalmente, as limitações orçamentárias e de cronograma são as primeiras a forçar o comprometimento. Coletivamente, essas questões relacionadas à significância estatística são áreas ativas de pesquisa.
Qual é o Tamanho do Efeito Verdadeiro?
Devido ao baixo poder estatístico da pesquisa em neurociência, tendemos a superestimar o tamanho do efeito verdadeiro, o que leva à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que a área de estudo pode adotar é aumentar o poder de um estudo aumentando o tamanho da amostra. Isso aumenta a probabilidade de detectar um efeito verdadeiro. Escolher um tamanho de amostra apropriado é vital para projetar pesquisas que:
Façam descobertas práticas.
Avançam nossa compreensão dos inúmeros processos no cérebro.
Desenvolvam terapias eficazes.
Superando Desafios na Pesquisa de Neurociência Contemporânea: A Plataforma EmotivLAB
Os desenhos experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos maiores de grupos de amostra e melhores critérios de inclusão para obter uma significância estatística confiável. Com o acesso a uma plataforma ativada por crowd-sourcing como a EmotivLAB, os pesquisadores recebem acesso a indivíduos potencialmente muito mais diversos e muito mais representativos - melhorando o tamanho da amostra e a inclusão de todos os dados demográficos com o mínimo esforço logístico adicional para os grupos de pesquisa.
A pesquisa moderna em neurociência pode tornar-se vulnerável a erros de amostragem devido aos recursos limitados disponíveis para recrutar um grupo diversificado para o conjunto de amostras experimental. O conceito de "grupo WEIRD" resume o problema. A maior parte das pesquisas universitárias é feita com um orçamento muito reduzido em indivíduos experimentais que, de modo geral, pertencem ao Ocidente, são Educados e de países Industrializados, Ricos e Democráticos. No entanto, equipamentos remotos de coleta de dados, como a plataforma de EEG da EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos de amostra que reflitam melhor a população.
A plataforma da EmotivLAB e os equipamentos remotos de EEG não estão apenas ajudando os pesquisadores a expandir a diversidade de indivíduos incluídos nos grupos de amostragem experimental. Também intermedeiam as questões relativas ao tamanho geral da amostra e ao alcance geográfico nas populações-alvo.
A plataforma EmotivLAB liberta os pesquisadores das restrições atuais, permitindo que foquem sua energia no design de experimentos e na análise dos resultados. Nossa plataforma combina o experimento com os indivíduos mais adequados no banco de participantes. Não há necessidade de gastar tempo recrutando participantes, coordenando-os, agendando-os e realizando a coleta de dados no laboratório. Tudo o que é necessário é especificar as características demográficas desejadas na plataforma online, e a EmotivLAB disponibilizará o experimento para os colaboradores que melhor atendam aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, utilizando seus próprios equipamentos. A familiaridade deles com o dispositivo de cabeça elimina a necessidade de os pesquisadores fornecerem instruções de uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação automatizada de dados de gravação de EEG. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros amostrais ou estatísticos em desenhos experimentais. Ter acesso a mais dados de alta qualidade, no entanto, fornece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o que a Plataforma EmotivLAB Pode Fazer Pela Sua Pesquisa?
A EmotivLAB permite que você construa seu experimento, implemente seu experimento com segurança, recrute a partir de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo a partir de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.
Continue lendo