Significância Estatística: Tamanho(s) da Amostra & Poder Estatístico - Para compreender o mundo que nos rodeia, os investigadores utilizam formalmente o método científico como uma forma de separar as verdades suspeitas das 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.

Isto significa que a neurociência cognitiva concebe experiências e recolhe dados a todos os níveis de análise. Os programas de investigação em todo o mundo que procuram aprofundar a nossa compreensão do mundo natural testam regularmente pressupostos, ou hipóteses, numa série bem planeada de experiências mais pequenas. Estas experiências tendem a investigar fatores específicos que podem ou não influenciar um resultado, ao mesmo tempo que minimizam a influência de fatores estranhos, tais como o ambiente, a orientação sexual, a raça ou o estatuto socioeconómico.

Cenário Um: Um Estudo sobre a Libertação de Dopamina

Na Neurociência Cognitiva, a dopamina é geralmente considerada um composto de "bem-estar". A sua libertação no Núcleo Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Estes podem incluir:

• Comer uma boa refeição

• Tempo com os entes queridos

• Sexo

• Açúcar

Digamos que gostaríamos de descobrir se os níveis máximos de dopamina no NuAc ocorrem antes, durante ou após a exposição a um estímulo visual desejado ou familiar. Podemos utilizar o design experimental de EEG adotado do estudo de Amatya Johanna Mackintosh. Podemos hipotetizar que a libertação de dopamina ocorre durante e atinge o pico ligeiramente após a exposição aos estímulos visuais familiares ou desejados.

Agora, o mais crítico, onde arranjamos sujeitos de teste?

Em situações experimentais, "população" refere-se ao grupo coletivo maior e total que está a ser estudado. É impraticável e improvável que o seu laboratório consiga conceber uma técnica para recrutar e recolher dados de libertação de dopamina em centenas de milhares ou milhões de pessoas.

Portanto, tentaremos recolher dados de um grupo ou amostra mais pequena e representativa para compreender a população. Para o fazer, teremos de responder a duas questões principais.

1. Quantos indivíduos precisam de ser incluídos na nossa amostra?

2. Como é que isto se relaciona com a significância prática e o poder estatístico?

Vamos detalhar isso abaixo.

Poder Estatístico e Efeito Real

O poder estatístico define-se como a probabilidade de um teste detetar uma diferença estatisticamente significativa quando essa diferença realmente existe. É também designado por efeito real.

O efeito real é a pedra angular do design experimental. O relatório de Cohen de 1988, prolífico pelas suas contribuições para o método científico, fundamentou que um estudo deve ser concebido para ter uma probabilidade de 80% de detetar um efeito real. Estes 80% representam um design de teste de alto poder (HP), enquanto qualquer valor próximo de 20% é um design de teste de baixo poder (LP).

Cohen sugeriu que os estudos devem ter sempre menos de 20% de probabilidade de cometer um erro do tipo II, conhecido como falso negativo. Ele também utiliza estas mesmas orientações para as descobertas não efetuadas, que ocorrem quando um investigador reporta incorretamente a ausência de um efeito significativo quando existe verdadeiramente uma diferença.

Porque é que o Poder Estatístico Importa?

Pense neste cenário. Se existir um efeito real em 100 estudos diferentes com 80% de poder, os testes estatísticos detetarão um efeito real em 80 dos 100. Contudo, quando um estudo tem um poder de investigação de 20%, se existirem 100 efeitos genuínos não nulos nos resultados, espera-se que estes estudos descubram apenas 20 deles.

Lacunas do Poder Estatístico na Investigação em Neurociências

Como seria de esperar, devido à natureza intensiva de recursos da investigação em neurociências, esta área tem um poder estatístico mediano de cerca de 21% e uma média que varia amplamente entre 8%-31%. O baixo poder estatístico na investigação em neurociências:

• Lança dúvidas sobre a replicabilidade das descobertas.

• Leva a uma dimensão do efeito exagerada.

• Reduz a probabilidade de resultados estatisticamente significativos que representem fielmente o efeito real.

Como tal, o estado atual da investigação em neurociências está refém do problema do poder estatístico, uma vez que estes valores estão muito abaixo do limiar teórico de Cohen.

Estabelecer um Grupo de Amostra(s) Representativo

Objetivo do Cenário Um: Evitar erros de amostragem e erros do tipo I e II no nosso teste com uma amostragem inclusiva e alargada.

Quantos exames cerebrais humanos precisam de ser incluídos no nosso conjunto de amostras se quisermos que a experiência tenha relevância prática? A relevância prática refere-se ao facto de os resultados de uma experiência se aplicarem ou não ao mundo real.

A capacidade de uma experiência de um neurocientista determinar efeitos (poder estatístico) está relacionada com o tamanho da amostra. Continuando com os parâmetros do cenário 1, o objetivo continua a ser recolher dados suficientes para podermos avaliar estatisticamente se existe um efeito real no tempo de libertação de dopamina após a apresentação de estímulos visuais emocionalmente carregados. Também precisamos de estabelecer critérios de inclusão na amostra que minimizem o potencial de erro de amostragem.

Como Evitar Erros de Amostragem

Dois termos são importantes de compreender antes de prosseguirmos.

1. Erro de amostragem: Ao fazer a amostragem, existe sempre a possibilidade de os dados recolhidos dos indivíduos selecionados não representarem a população.

2. Significância Estatística: Significância estatística significa que os nossos dados e os nossos efeitos observados são provavelmente efeitos reais. Na maioria das ciências biomédicas, a significância estatística é estabelecida com um nível de significância ou valor-p de 0,05. Essencialmente, isto significa que os cientistas estão 95% confiantes no efeito observado nas suas experiências.

Considere se os dados mostram uma relação (ou seja, libertação de dopamina). Existe uma probabilidade de 5% de o efeito ser fruto do acaso e não estar relacionado com a variável (estímulos visuais). Isto seria um erro do Tipo I. Alternativamente, existe uma probabilidade de 5% de os nossos dados recolhidos poderem não mostrar qualquer relação entre a libertação de dopamina e os estímulos visuais quando, de facto, existe um efeito real - um falso negativo ou erro do Tipo II.

Estabelecer cuidadosamente os critérios de inclusão é mais impactante porque existe um ponto de rendimentos decrescentes após um determinado tamanho de amostra.

Esperamos recolher dados que representem todos os seres humanos, e queremos que as nossas conclusões sejam simultaneamente práticas e estatisticamente significativas. Para conceber o nosso conjunto de amostras com sucesso, um erro de amostragem, um erro do tipo I (falso positivo) ou um erro do tipo II (falso negativo) deve ser tido em conta e evitado.

A nossa experiência está a testar a seguinte hipótese:

• Hipótese nula - Nenhuma relação ou efeito entre o tempo de libertação de dopamina no NAc e o estímulo visual emocionalmente valente.

• Hipótese - EXISTE uma relação entre o tempo de libertação de dopamina no NAc e o estímulo visual emocionalmente valente, e o pico de libertação de dopamina ocorre após a visualização dos estímulos visuais.

Existe uma relação entre o tempo de libertação de dopamina no NAc e os estímulos visuais de valência emocional. Quando os dados não são estatisticamente significativos:

• A nossa hipótese é rejeitada.

• Nenhum efeito ou diferença real é encontrado.

• Os nossos efeitos observados têm a mesma probabilidade de resultar do acaso.

Compreender a População?

Limitações práticas no design experimental.

Na investigação em neurociências, um critério de inclusão formal tenta tipicamente randomizar e/ou igualar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos de evitar selecionar indivíduos apenas por serem os mais próximos ou os mais acessíveis para recolha de dados, pois essa é a receita para um erro de amostragem.

A melhor abordagem para a geração de conjuntos de amostras é utilizar critérios de inclusão que equalizem aleatoriamente a probabilidade de seleção em toda a população. Por exemplo, utilizando dados do censo, poderíamos obter informações de contacto de 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isto minimizaria o viés de seleção, porque os nomes seriam escolhidos aleatoriamente de forma igual em todas as áreas geográficas.

Estabelecer o design experimental, aumentar o tamanho da amostra e concretizar plenamente critérios de inclusão imparciais, randomizados e aplicados de forma igualitária pode colidir rapidamente com limitações práticas. Esta é uma questão para a investigação científica a todos os níveis, desde exercícios académicos a universidades de investigação de pleno direito. Normalmente, as limitações orçamentais e de prazos são as primeiras a forçar um compromisso. Coletivamente, estas questões em torno da significância estatística são áreas ativas de investigação.

Qual é a Dimensão Real do Efeito?

Devido ao baixo poder estatístico da investigação em neurociências, tendemos a sobrestimar a dimensão real do efeito, o que leva à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente à investigação em neurociências torna o poder estatístico crítico.

Um método que a área pode adotar é aumentar o poder de um estudo através do aumento do tamanho da amostra. Isto aumenta a probabilidade de detetar um efeito real. Escolher um tamanho de amostra adequado é vital para conceber investigações que:

• Façam descobertas práticas.

• Avancem a nossa compreensão dos inúmeros processos no cérebro.

• Desenvolvam terapias eficazes.

Superar Desafios na Investigação em Neurociências Contemporânea: A Plataforma EmotivLAB

Os designs experimentais da investigação em neurociências devem esforçar-se por estabelecer tamanhos de grupos de amostra maiores e melhores critérios de inclusão, a fim de alcançar uma significância estatística fiável. Com o acesso a uma plataforma baseada em crowdsourcing como o EmotivLAB, os investigadores têm acesso a indivíduos potencialmente muito mais diversos e representativos - melhorando o tamanho da amostra e a inclusão de todos os dados demográficos com um esforço logístico adicional mínimo para os grupos de investigação.

A investigação moderna em neurociências pode ser vulnerável a erros de amostragem devido aos recursos limitados disponíveis para recrutar um grupo diversificado para o conjunto de amostras experimentais. O conceito de "grupo WEIRD" resume o problema. A maior parte da investigação universitária é feita com um orçamento muito reduzido em sujeitos experimentais que são, genericamente falando, ocidentais, instruídos e de países industrializados, ricos e democráticos. No entanto, o equipamento de recolha remota de dados, como a plataforma de EEG do EmotivLAB, permite aos investigadores ir além do campus universitário para recrutar grupos de amostra que reflitam melhor a população.

A plataforma EmotivLAB liberta os investigadores dos constrangimentos atuais e permite-lhes focar a sua energia na conceção de experiências e na análise dos resultados.

A plataforma EmotivLAB e o equipamento de EEG remoto não estão apenas a ajudar os investigadores a alargar a diversidade de indivíduos incluídos em grupos de amostras experimentais. Também medeiam os problemas relativos ao tamanho global da amostra e ao alcance geográfico nas populações-alvo.

A plataforma EmotivLAB liberta os investigadores das restrições atuais e, em vez disso, permite-lhes concentrar a sua energia na conceção de experiências e na análise dos resultados. A nossa plataforma combina a experiência com os indivíduos mais adequados no grupo de sujeitos. Não há necessidade de gastar tempo a recrutar participantes, a coordená-los e agendá-los, e a realizar a recolha de dados em laboratório. Tudo o que é necessário é especificar o grupo demográfico pretendido na plataforma online, e o EmotivLAB disponibilizará a experiência aos colaboradores que melhor se adaptem aos parâmetros pretendidos. Os participantes podem realizar as experiências nas suas próprias casas, utilizando o seu próprio equipamento. A sua familiaridade com o headset elimina a necessidade de os investigadores fornecerem instruções sobre a sua utilização.

Para além disso, a plataforma EmotivLAB fornece controlo de qualidade e avaliação automatizados dos dados de registo de EEG. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros de amostragem ou estatísticos em designs 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 Poderia Fazer Pela Sua Investigação?

O EmotivLAB permite-lhe construir a sua experiência, implementá-la de forma segura, recrutar a partir de um painel global de participantes verificados e recolher dados de EEG de alta qualidade, tudo a partir de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.