Se você deseja ganhar sua feira de ciências, analisar estatisticamente seus dados é uma ótima maneira de se destacar da concorrência, mas quando você conseguir o resultado - diga P = 0,04 - o que realmente significa mau? Você pode fazer toda a matemática do primeira parte deste post, mas se você não entende realmente os números que os testes estatísticos retornam, ainda não sabe o que seu experimento encontrou.
Por exemplo: você pode rejeitar o “hipótese nula”Com base no seu resultado? Afinal, o que isso quer dizer? É possível que sua descoberta se deva ao acaso? O que uma correlação diz a você sobre a relação entre duas variáveis? Esses são os tipos de perguntas que você precisa responder para obter a interpretação correta dos resultados da feira de ciências.
A Hipótese Nula
Sempre que você faz estatísticas, está jogando a "hipótese nula" contra a sua "hipótese experimental". A hipótese nula é sempre basicamente a mesma: não há relação entre as coisas que você é testando. Em experimentos científicos, você assume que a hipótese nula é verdadeira até que você tenha evidências suficientes para refutá-la. Em outras palavras, você não presume que obterá um determinado resultado de seus experimentos - você presume que sua hipótese não é verdadeira até que os resultados científicos lhe digam o contrário.
Confuso? Aqui está um exemplo. Digamos que você esteja fazendo um projeto de ciências para descobrir se os cães são destros ou canhotos. Sua hipótese nula pode ser que os cães não têm uma pata dominante. A partir daí, seus resultados dirão se sua hipótese nula é verdadeira ou se os cães parecem ser destros ou canhotos.
Mas como você pode saber a diferença entre os resultados reais e o que pode acontecer por puro acaso? Estatísticas, é claro!
Determinar qual evidência é "suficiente" é o trabalho dos testes estatísticos, e como você está testando a hipótese nula, é melhor definir exatamente o que é para o seu experimento. Você realmente deve fazer isso antes de começar seu trabalho, mas mesmo que tenha se concentrado em seu experimento hipótese (a relação que você suspeita pode realmente existir) é fácil montar uma hipótese nula após o fato.
Valores P e significância estatística
Se o seu experimento fornecer causa suficiente para rejeitar a hipótese nula, isso é chamado de resultado “estatisticamente significativo”. Mas, como acontece com a maioria das coisas na ciência, há uma definição muito específica do que isso realmente significa, e você deve deixar isso claro quando estiver olhando para os resultados da feira de ciências. A definição se resume ao significado do P valor que você obtém do seu teste estatístico.
O P valor é muitas vezes mal interpretado como significando "a probabilidade de que o resultado seja devido ao acaso" e, embora isso seja próximo do significado, é não é verdade. O P valor em vez disso informa a chance de que, se a hipótese nula fosse verdadeira, você obteria seu resultado devido ao ruído estatístico aleatório. Por exemplo, se você estiver testando se uma moeda tem peso desigual (com uma hipótese nula de que é uma moeda justa), um resultado de 45 caras a 55 coroas seria bastante provável de lançar uma moeda justa devido à variação estatística geral, e é isso que a P valor quantifica.
O "nível de significância" é um valor de corte para P - qualquer coisa abaixo disso é considerada suficientemente improvável para você rejeitar a hipótese nula. Isso geralmente é escolhido como P = 0,05 (então haveria apenas 5% de chance de que seus resultados fossem obtidos em um mundo onde a hipótese nula fosse verdadeira), mas no final das contas isso é apenas uma convenção. Em algumas circunstâncias, um nível de significância de P = 0,10 é perfeitamente normal, e em outros, os cientistas "elevam o padrão" um pouco e definem um corte mais estrito de P = 0.01. Normalmente é melhor apenas manter P = 0,05, mas entenda que às vezes há variação.
Interpretando Correlações
Se você estiver testando a diferença entre dois grupos, entender o significado da significância estatística é o suficiente, mas se o seu teste envolver correlações entre dois variáveis (por exemplo, a quantidade de luz que uma planta recebe e quão alto ela cresce, ou o número de tentativas anteriores e sua pontuação em um jogo), as coisas estão um pouco diferente. Os testes de correlações retornam valores entre -1 e +1, e entender esses valores e o que qualquer tipo de correlação implica em causalidade é essencial para interpretar seus resultados.
Em primeiro lugar, a pontuação de correlação é fácil de entender se você considerar os casos extremos. Qualquer valor de correlação positiva significa que ambas as variáveis aumentam juntos, e um valor de +1 é um perfeito correlação, onde o gráfico de uma variável em relação a outra é uma linha reta. Da mesma forma, qualquer valor de correlação negativo significa que quando uma variável aumenta, a outra diminui, e um valor de -1 é uma correlação negativa perfeita. Finalmente, um valor de 0 significa que não há correlação alguma. Claro, a maioria dos resultados será um decimal (como 0,65), com valores maiores (números maiores, positivos ou negativos) significando uma correlação mais forte.
No entanto, uma ressalva importante é que Correlação não implica em causa. Em outras palavras, só porque duas coisas estão correlacionadas não significa que uma causa a outra, e você não deve ficar tentado a tirar tal conclusão em seu artigo com base em uma correlação sozinho. Um bom exemplo é uma correlação entre dentes amarelos e câncer de pulmão: não são os dentes amarelos causa câncer de pulmão; é que fumar causa dentes amarelos e câncer de pulmão. Da mesma forma, seus resultados podem ser devido a outro fator que você não considerou, por isso é sempre arriscado fazer alegações causais sem evidências muito fortes além de uma correlação simples.
Com esses pontos em mente, seja qual for o seu projeto de feira de ciências, você deve ser capaz de fazer as estatísticas de que precisa para e explicar exatamente o que eles mostram. Você pode não ganhar, mas o que aprendeu fornece as ferramentas de que precisa para realmente chamar a atenção dos jurados.