Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Significância Estatística: Tamanho(s) da Amostra e Poder Estatístico
Quoc Minh Lai
Compartilhar:
Significado Estatístico: Tamanho da Amostra(s) & Poder Estatístico - Para entender o mundo ao nosso redor, os pesquisadores formalmente usam o método científico como uma maneira de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa entender como 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 estão testando 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, minimizando a influência de fatores extrânicos, 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 "que faz sentir-se bem". Sua liberação no Nucleus Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Esses podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis de dopamina no NuAc ocorrem antes, durante ou após a 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 ligeiramente após a exposição a estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde obtemos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo maior total que está sendo estudado. É impraticável e improvável que seu laboratório consiga elaborar uma técnica para recrutar e coletar dados de liberação de dopamina em centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativa para entender a população. Para isso, 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 detalhá-lo 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 referido como um 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, ponderou que um estudo deveria ser projetado para ter uma probabilidade de 80% de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (HP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (LP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador reporta incorretamente que não há efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico é Importante?
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 não-nulos genuínos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Deficiências do Poder Estatístico na Pesquisa em Neurociência
Não surpreendentemente, devido à natureza intensiva em recursos da pesquisa em neurociência, este campo tem um poder estatístico mediano de cerca de 21% e uma média que varia amplamente de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Levanta dúvidas sobre a replicabilidade das descobertas.
Leva a um exagero no tamanho do efeito.
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 pelo problema do poder estatístico, pois esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo Amostral Representativo
Objetivo do Cenário Um: Evitar erros de amostragem e erros tipo I e II em nosso teste com amostragem inclusiva e grande.
Quantas varreduras cerebrais humanas precisam ser incluídas em nosso conjunto de amostra se queremos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ao mundo real.
A capacidade do experimento de um neurocientista de determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no timing da liberação de dopamina após mostrar estímulos visuais carregados emocionalmente. 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 prosseguir.
Erro de amostragem: Ao amostrar, há sempre a chance de que os dados coletados dos indivíduos selecionados não representem a população.
Significância Estatística: A 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 valor p 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). Há uma possibilidade de 5% de que o efeito seja do acaso e não relacionado à variável (estímulos visuais). Isso seria um erro tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro tipo II.
Estabelecer criteriosamente critérios de inclusão tem um impacto maior porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Estamos esperando coletar dados que represente todos os humanos, e queremos que nossas conclusões sejam tanto práticas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro tipo I (falso positivo) ou erro tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente.
Hipótese - Existe uma relação entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente, e o pico da liberação de dopamina ocorre após ver os estímulos visuais.
Há uma relação entre o timing da liberação de dopamina no NAc e os estímulos visuais emocionalmente valentes. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrada.
Nossos efeitos observados são tão prováveis quanto um resultado do acaso.
Entendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou equalizar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque estão mais próximos ou são mais acessíveis para coletar dados, pois essa é a receita para um erro de amostragem.
A melhor abordagem para a geração de conjuntos de amostras é usar critérios de inclusão que randomizem e equalizem a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato para 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de todas as áreas geográficas.
Estabelecer o design experimental, aumentar o tamanho da amostra e realizar plenamente critérios de inclusão não tendenciosos, randomizados e aplicados de maneira igual pode rapidamente esbarrar em limitações práticas. Este é um problema para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa totalmente desenvolvidas. Geralmente, limitações orçamentárias e de cronograma são as primeiras a forçar compromissos. Coletivamente, essas questões em torno da 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, levando à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que o campo 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:
Faça descobertas práticas.
Avance nossa compreensão dos inúmeros processos no cérebro.
Desenvolva terapias eficazes.
Superando Desafios na Pesquisa em Neurociência Contemporânea: A Plataforma EmotivLAB
Os designs experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos de grupos amostrais maiores e melhores critérios de inclusão para alcançar uma significância estatística confiável. Com acesso a uma plataforma habilitada para crowdsourcing como o EmotivLAB, os pesquisadores têm acesso a indivíduos sujeitos potencialmente muito mais diversos e representativos - melhorando o tamanho da amostra e a inclusão de todas as demografias com um esforço logístico mínimo para os grupos de pesquisa.
A pesquisa moderna em neurociência pode ser vulnerável a erros de amostragem devido a recursos limitados disponíveis para recrutar um grupo diverso para o conjunto de amostra experimental. O conceito de "grupo WEIRD" encapsula a questão. A maioria das pesquisas universitárias é realizada com orçamento reduzido em sujeitos experimentais que, de maneira geral, são ocidentais, educados e de países industrializados, ricos e democráticos. No entanto, equipamentos de coleta de dados remotos, como a plataforma de EEG do EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos amostrais que melhor refletem a população.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados.
A plataforma do EmotivLABs e os equipamentos de EEG remotos não estão apenas ajudando os pesquisadores a expandir a diversidade dos indivíduos incluídos nos grupos amostrais experimentais. Ela também medeia as questões relacionadas ao tamanho da amostra geral e ao alcance geográfico em populações-alvo.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados. Nossa plataforma combina a experiência com os indivíduos mais adequados no pool de sujeitos. Não há necessidade de perder tempo recrutando participantes, coordenando e agendando-os, e realizando a coleta de dados em laboratório. Tudo o que é necessário é que a demografia desejada seja especificada na plataforma online, e o EmotivLABs tornará o experimento disponível para colaboradores que mais se adequem aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, usando seus próprios equipamentos. A familiaridade deles com o dispositivo remove a necessidade de os pesquisadores fornecerem instruções sobre seu uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação de dados de gravação de EEG automatizados. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros de amostragem ou estatísticos nos designs experimentais. Ter acesso a mais dados de alta qualidade, contudo, oferece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o Que a Plataforma EmotivLABs Pode Fazer Pela Sua Pesquisa?
O EmotivLABS permite que você construa seu experimento, implante seu experimento de forma segura e protegida, recrute de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.
Significado Estatístico: Tamanho da Amostra(s) & Poder Estatístico - Para entender o mundo ao nosso redor, os pesquisadores formalmente usam o método científico como uma maneira de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa entender como 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 estão testando 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, minimizando a influência de fatores extrânicos, 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 "que faz sentir-se bem". Sua liberação no Nucleus Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Esses podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis de dopamina no NuAc ocorrem antes, durante ou após a 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 ligeiramente após a exposição a estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde obtemos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo maior total que está sendo estudado. É impraticável e improvável que seu laboratório consiga elaborar uma técnica para recrutar e coletar dados de liberação de dopamina em centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativa para entender a população. Para isso, 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 detalhá-lo 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 referido como um 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, ponderou que um estudo deveria ser projetado para ter uma probabilidade de 80% de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (HP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (LP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador reporta incorretamente que não há efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico é Importante?
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 não-nulos genuínos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Deficiências do Poder Estatístico na Pesquisa em Neurociência
Não surpreendentemente, devido à natureza intensiva em recursos da pesquisa em neurociência, este campo tem um poder estatístico mediano de cerca de 21% e uma média que varia amplamente de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Levanta dúvidas sobre a replicabilidade das descobertas.
Leva a um exagero no tamanho do efeito.
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 pelo problema do poder estatístico, pois esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo Amostral Representativo
Objetivo do Cenário Um: Evitar erros de amostragem e erros tipo I e II em nosso teste com amostragem inclusiva e grande.
Quantas varreduras cerebrais humanas precisam ser incluídas em nosso conjunto de amostra se queremos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ao mundo real.
A capacidade do experimento de um neurocientista de determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no timing da liberação de dopamina após mostrar estímulos visuais carregados emocionalmente. 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 prosseguir.
Erro de amostragem: Ao amostrar, há sempre a chance de que os dados coletados dos indivíduos selecionados não representem a população.
Significância Estatística: A 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 valor p 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). Há uma possibilidade de 5% de que o efeito seja do acaso e não relacionado à variável (estímulos visuais). Isso seria um erro tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro tipo II.
Estabelecer criteriosamente critérios de inclusão tem um impacto maior porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Estamos esperando coletar dados que represente todos os humanos, e queremos que nossas conclusões sejam tanto práticas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro tipo I (falso positivo) ou erro tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente.
Hipótese - Existe uma relação entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente, e o pico da liberação de dopamina ocorre após ver os estímulos visuais.
Há uma relação entre o timing da liberação de dopamina no NAc e os estímulos visuais emocionalmente valentes. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrada.
Nossos efeitos observados são tão prováveis quanto um resultado do acaso.
Entendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou equalizar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque estão mais próximos ou são mais acessíveis para coletar dados, pois essa é a receita para um erro de amostragem.
A melhor abordagem para a geração de conjuntos de amostras é usar critérios de inclusão que randomizem e equalizem a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato para 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de todas as áreas geográficas.
Estabelecer o design experimental, aumentar o tamanho da amostra e realizar plenamente critérios de inclusão não tendenciosos, randomizados e aplicados de maneira igual pode rapidamente esbarrar em limitações práticas. Este é um problema para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa totalmente desenvolvidas. Geralmente, limitações orçamentárias e de cronograma são as primeiras a forçar compromissos. Coletivamente, essas questões em torno da 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, levando à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que o campo 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:
Faça descobertas práticas.
Avance nossa compreensão dos inúmeros processos no cérebro.
Desenvolva terapias eficazes.
Superando Desafios na Pesquisa em Neurociência Contemporânea: A Plataforma EmotivLAB
Os designs experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos de grupos amostrais maiores e melhores critérios de inclusão para alcançar uma significância estatística confiável. Com acesso a uma plataforma habilitada para crowdsourcing como o EmotivLAB, os pesquisadores têm acesso a indivíduos sujeitos potencialmente muito mais diversos e representativos - melhorando o tamanho da amostra e a inclusão de todas as demografias com um esforço logístico mínimo para os grupos de pesquisa.
A pesquisa moderna em neurociência pode ser vulnerável a erros de amostragem devido a recursos limitados disponíveis para recrutar um grupo diverso para o conjunto de amostra experimental. O conceito de "grupo WEIRD" encapsula a questão. A maioria das pesquisas universitárias é realizada com orçamento reduzido em sujeitos experimentais que, de maneira geral, são ocidentais, educados e de países industrializados, ricos e democráticos. No entanto, equipamentos de coleta de dados remotos, como a plataforma de EEG do EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos amostrais que melhor refletem a população.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados.
A plataforma do EmotivLABs e os equipamentos de EEG remotos não estão apenas ajudando os pesquisadores a expandir a diversidade dos indivíduos incluídos nos grupos amostrais experimentais. Ela também medeia as questões relacionadas ao tamanho da amostra geral e ao alcance geográfico em populações-alvo.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados. Nossa plataforma combina a experiência com os indivíduos mais adequados no pool de sujeitos. Não há necessidade de perder tempo recrutando participantes, coordenando e agendando-os, e realizando a coleta de dados em laboratório. Tudo o que é necessário é que a demografia desejada seja especificada na plataforma online, e o EmotivLABs tornará o experimento disponível para colaboradores que mais se adequem aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, usando seus próprios equipamentos. A familiaridade deles com o dispositivo remove a necessidade de os pesquisadores fornecerem instruções sobre seu uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação de dados de gravação de EEG automatizados. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros de amostragem ou estatísticos nos designs experimentais. Ter acesso a mais dados de alta qualidade, contudo, oferece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o Que a Plataforma EmotivLABs Pode Fazer Pela Sua Pesquisa?
O EmotivLABS permite que você construa seu experimento, implante seu experimento de forma segura e protegida, recrute de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.
Significado Estatístico: Tamanho da Amostra(s) & Poder Estatístico - Para entender o mundo ao nosso redor, os pesquisadores formalmente usam o método científico como uma maneira de separar verdades suspeitas de falsidades. A Neurociência Cognitiva visa entender como 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 estão testando 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, minimizando a influência de fatores extrânicos, 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 "que faz sentir-se bem". Sua liberação no Nucleus Accumbens (NuAc) é desencadeada por comportamentos ou coisas que nos motivam a agir. Esses podem incluir:
Comer uma boa refeição
Tempo com entes queridos
Sexo
Açúcar
Digamos que gostaríamos de descobrir se os níveis de dopamina no NuAc ocorrem antes, durante ou após a 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 ligeiramente após a exposição a estímulos visuais familiares ou desejados.
Agora, o mais crítico, de onde obtemos os sujeitos de teste?
Em situações experimentais, "população" refere-se ao grupo coletivo maior total que está sendo estudado. É impraticável e improvável que seu laboratório consiga elaborar uma técnica para recrutar e coletar dados de liberação de dopamina em centenas de milhares ou milhões de pessoas.
Portanto, tentaremos reunir dados de um grupo ou amostra menor e representativa para entender a população. Para isso, 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 detalhá-lo 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 referido como um 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, ponderou que um estudo deveria ser projetado para ter uma probabilidade de 80% de detectar um efeito verdadeiro. Esses 80% representam um design de teste de alto poder (HP), enquanto qualquer valor próximo a 20% é um design de teste de baixo poder (LP).
Cohen sugeriu que os estudos deveriam sempre ter menos de 20% de probabilidade de cometer um erro tipo II, conhecido como falso negativo. Ele também usa essas mesmas faixas de diretrizes para descobertas perdidas, que ocorrem quando um pesquisador reporta incorretamente que não há efeito significativo quando uma diferença realmente existe.
Por que o Poder Estatístico é Importante?
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 não-nulos genuínos nos resultados, espera-se que esses estudos descubram apenas 20 deles.
Deficiências do Poder Estatístico na Pesquisa em Neurociência
Não surpreendentemente, devido à natureza intensiva em recursos da pesquisa em neurociência, este campo tem um poder estatístico mediano de cerca de 21% e uma média que varia amplamente de 8%-31%. O baixo poder estatístico na pesquisa em neurociência:
Levanta dúvidas sobre a replicabilidade das descobertas.
Leva a um exagero no tamanho do efeito.
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 pelo problema do poder estatístico, pois esses valores estão muito abaixo do limite teórico de Cohen.
Estabelecendo um Grupo Amostral Representativo
Objetivo do Cenário Um: Evitar erros de amostragem e erros tipo I e II em nosso teste com amostragem inclusiva e grande.
Quantas varreduras cerebrais humanas precisam ser incluídas em nosso conjunto de amostra se queremos que o experimento tenha significância prática? A significância prática refere-se a se os resultados de um experimento se aplicam ao mundo real.
A capacidade do experimento de um neurocientista de determinar efeitos (poder estatístico) está relacionada ao tamanho da amostra. Continuando os parâmetros do cenário 1, o objetivo ainda é coletar dados suficientes para que possamos avaliar estatisticamente se há um efeito verdadeiro no timing da liberação de dopamina após mostrar estímulos visuais carregados emocionalmente. 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 prosseguir.
Erro de amostragem: Ao amostrar, há sempre a chance de que os dados coletados dos indivíduos selecionados não representem a população.
Significância Estatística: A 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 valor p 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). Há uma possibilidade de 5% de que o efeito seja do acaso e não relacionado à variável (estímulos visuais). Isso seria um erro tipo I. Alternativamente, há uma probabilidade de 5% de que nossos dados coletados possam não mostrar relação entre a liberação de dopamina e os estímulos visuais quando, na verdade, existe um efeito verdadeiro - um falso negativo ou erro tipo II.
Estabelecer criteriosamente critérios de inclusão tem um impacto maior porque há um ponto de retornos decrescentes após um certo tamanho de amostra.
Estamos esperando coletar dados que represente todos os humanos, e queremos que nossas conclusões sejam tanto práticas quanto estatisticamente significativas. Para projetar nosso conjunto de amostra com sucesso, um erro de amostragem, erro tipo I (falso positivo) ou erro tipo II (falso negativo) deve ser considerado e evitado.
Nosso experimento está testando a seguinte hipótese:
Hipótese nula - Nenhuma relação ou efeito entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente.
Hipótese - Existe uma relação entre o timing da liberação de dopamina no NAc e o estímulo visual emocionalmente valente, e o pico da liberação de dopamina ocorre após ver os estímulos visuais.
Há uma relação entre o timing da liberação de dopamina no NAc e os estímulos visuais emocionalmente valentes. Quando os dados não são estatisticamente significativos:
Nossa hipótese é rejeitada.
Nenhum efeito ou diferença verdadeira é encontrada.
Nossos efeitos observados são tão prováveis quanto um resultado do acaso.
Entendendo a População?
Limitações práticas no design experimental.
Na pesquisa em neurociência, um critério de inclusão formal normalmente tenta randomizar e/ou equalizar a probabilidade de inclusão em toda a população para evitar erros de amostragem. Precisamos evitar selecionar indivíduos apenas porque estão mais próximos ou são mais acessíveis para coletar dados, pois essa é a receita para um erro de amostragem.
A melhor abordagem para a geração de conjuntos de amostras é usar critérios de inclusão que randomizem e equalizem a probabilidade de seleção em toda a população. Por exemplo, usando dados do censo, poderíamos obter informações de contato para 50 indivíduos selecionados aleatoriamente em cada condado de Ohio. Isso minimizaria o viés de seleção porque os nomes seriam escolhidos aleatoriamente de todas as áreas geográficas.
Estabelecer o design experimental, aumentar o tamanho da amostra e realizar plenamente critérios de inclusão não tendenciosos, randomizados e aplicados de maneira igual pode rapidamente esbarrar em limitações práticas. Este é um problema para a pesquisa científica em todos os níveis, desde exercícios acadêmicos até universidades de pesquisa totalmente desenvolvidas. Geralmente, limitações orçamentárias e de cronograma são as primeiras a forçar compromissos. Coletivamente, essas questões em torno da 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, levando à baixa reprodutibilidade de muitos estudos. Além disso, a complexidade inerente da pesquisa em neurociência torna o poder estatístico crítico.
Um método que o campo 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:
Faça descobertas práticas.
Avance nossa compreensão dos inúmeros processos no cérebro.
Desenvolva terapias eficazes.
Superando Desafios na Pesquisa em Neurociência Contemporânea: A Plataforma EmotivLAB
Os designs experimentais da pesquisa em neurociência devem se esforçar para estabelecer tamanhos de grupos amostrais maiores e melhores critérios de inclusão para alcançar uma significância estatística confiável. Com acesso a uma plataforma habilitada para crowdsourcing como o EmotivLAB, os pesquisadores têm acesso a indivíduos sujeitos potencialmente muito mais diversos e representativos - melhorando o tamanho da amostra e a inclusão de todas as demografias com um esforço logístico mínimo para os grupos de pesquisa.
A pesquisa moderna em neurociência pode ser vulnerável a erros de amostragem devido a recursos limitados disponíveis para recrutar um grupo diverso para o conjunto de amostra experimental. O conceito de "grupo WEIRD" encapsula a questão. A maioria das pesquisas universitárias é realizada com orçamento reduzido em sujeitos experimentais que, de maneira geral, são ocidentais, educados e de países industrializados, ricos e democráticos. No entanto, equipamentos de coleta de dados remotos, como a plataforma de EEG do EmotivLAB, permitem que os pesquisadores alcancem além do campus universitário para recrutar grupos amostrais que melhor refletem a população.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados.
A plataforma do EmotivLABs e os equipamentos de EEG remotos não estão apenas ajudando os pesquisadores a expandir a diversidade dos indivíduos incluídos nos grupos amostrais experimentais. Ela também medeia as questões relacionadas ao tamanho da amostra geral e ao alcance geográfico em populações-alvo.
A plataforma EmotivLABs liberta os pesquisadores das restrições atuais e, em vez disso, permite que eles se concentrem em projetar experimentos e analisar os resultados. Nossa plataforma combina a experiência com os indivíduos mais adequados no pool de sujeitos. Não há necessidade de perder tempo recrutando participantes, coordenando e agendando-os, e realizando a coleta de dados em laboratório. Tudo o que é necessário é que a demografia desejada seja especificada na plataforma online, e o EmotivLABs tornará o experimento disponível para colaboradores que mais se adequem aos parâmetros desejados. Os participantes podem realizar os experimentos em suas próprias casas, usando seus próprios equipamentos. A familiaridade deles com o dispositivo remove a necessidade de os pesquisadores fornecerem instruções sobre seu uso.
Além disso, a plataforma EmotivLAB fornece controle de qualidade e avaliação de dados de gravação de EEG automatizados. Grandes quantidades de dados de baixa qualidade não ajudam a superar erros de amostragem ou estatísticos nos designs experimentais. Ter acesso a mais dados de alta qualidade, contudo, oferece uma solução para ajudar a evitar erros em:
Amostragem
População
Significância estatística
Quer Saber Mais Sobre o Que a Plataforma EmotivLABs Pode Fazer Pela Sua Pesquisa?
O EmotivLABS permite que você construa seu experimento, implante seu experimento de forma segura e protegida, recrute de um painel global de participantes verificados e colete dados de EEG de alta qualidade, tudo de uma única plataforma. Clique aqui para saber mais ou solicitar uma demonstração.