as estatísticas de hoje fornecem a base para a inferência na maioria das pesquisas médicas. No entanto, por falta de exposição à teoria e prática estatística, continua a ser considerado como o calcanhar de Aquiles por todos os envolvidos no ciclo de pesquisa e publicação – os pesquisadores (autores), revisores, editores e leitores.a maioria de nós está familiarizada com medidas estatísticas descritivas, tais como as de tendência central e as de dispersão. No entanto, vacilamos nas estatísticas inferenciais., Não é necessário que assim seja, em especial com a disponibilidade generalizada de software estatístico poderoso e, ao mesmo tempo, de fácil utilização. Como referimos abaixo, algumas considerações fundamentais levarão a selecionar o teste estatístico apropriado para o teste de hipóteses. No entanto, é importante que a análise estatística adequada seja decidida antes de iniciar o estudo, na fase de planeamento propriamente dita, e que a dimensão da amostra escolhida seja a melhor. Estas não podem ser decididas arbitrariamente após o fim do estudo e os dados já foram recolhidos.,a grande maioria dos estudos pode ser abordada através de um cabaz de cerca de 30 testes de mais de 100 que estão em uso. O teste a ser usado depende do tipo da pergunta da pesquisa que está sendo feita. Os outros fatores determinantes são o tipo de dados em análise e o número de grupos ou conjuntos de dados envolvidos no estudo. Os seguintes regimes, baseados em cinco questões genéricas de investigação, deverão ajudar.Pergunta 1: Existe uma diferença entre grupos que não estão emparelhados?, Os grupos ou conjuntos de dados são considerados não emparelhados se não houver possibilidade de os valores num conjunto de dados estarem relacionados ou serem influenciados pelos valores nos outros conjuntos de dados. São necessários testes diferentes para os dados quantitativos ou numéricos e para os dados qualitativos ou categóricos, como indicado na Fig. 1. Para dados numéricos, é importante decidir se eles seguem os parâmetros da curva de distribuição normal (curva Gaussiana), caso em que Testes Paramétricos são aplicados. Se a distribuição dos dados não é normal ou se não se tem certeza sobre a distribuição, é mais seguro usar testes não paramétricos., Ao comparar mais de dois conjuntos de dados numéricos, deve usar-se primeiro um teste de comparação de vários grupos, como a análise de Sentido Único da variância (ANOVA) ou o teste Kruskal-Wallis. Se eles retornarem um valor de p estatisticamente significante (geralmente significando p < 0,05) então apenas eles devem ser seguidos por um teste post hoc para determinar exatamente quais dois conjuntos de dados a diferença está. A aplicação repetida do teste t ou da sua contraparte não paramétrica, o teste de Mann-Whitney U, a uma situação de grupo múltiplo aumenta a possibilidade de rejeitar incorretamente a hipótese nula.,

Tests to address the question: Is there a difference between groups – Unpair (parallel and independent groups) situation?Pergunta 2: Existe uma diferença entre grupos que estão emparelhados? Emparelhamento significa que os conjuntos de dados são derivados de medições repetidas (por exemplo, medições anteriores ou múltiplas ao longo do Tempo) no mesmo conjunto de indivíduos. Emparelhamento também ocorrerá se os grupos de assuntos são diferentes, mas os valores em um grupo estão de alguma forma ligados ou relacionados a valores no outro grupo (e.g., estudos de gémeos, estudos de irmãos, estudos de progenitores-descendentes). A concepção de um estudo transversal também requer a aplicação de testes de grupo emparelhados para comparar os efeitos de diferentes intervenções sobre os mesmos assuntos. Por vezes, os indivíduos são deliberadamente emparelhados para corresponder às características iniciais, tais como idade, sexo, gravidade ou duração da doença. Um esquema semelhante ao Fig. Segue-se o teste do conjunto de dados emparelhado, tal como descrito na Fig. 2. Mais uma vez, a comparação de múltiplos conjuntos de dados deve ser feita através de testes de múltiplos grupos apropriados seguidos de testes post hoc.,

Tests to address the question: Is there a difference between groups – pared situation?Pergunta 3: Existe alguma associação entre variáveis? Os vários testes aplicáveis são descritos na Fig. 3. Note-se que os testes destinados aos dados numéricos são para testar a associação entre duas variáveis. Estes são testes de correlação e expressam a força da Associação como um coeficiente de correlação. Uma correlação inversa entre duas variáveis é representada por um sinal menos., Todos os coeficientes de correlação variam em magnitude de 0 (nenhuma correlação) a 1 (correlação perfeita). Uma correlação perfeita pode indicar, mas não necessariamente significa causalidade. Quando duas variáveis numéricas estão linearmente relacionadas uma com a outra, uma análise de regressão linear pode gerar uma equação matemática, que pode prever a variável dependente com base num dado valor da variável independente. As razões de probabilidade e os riscos relativos são a base dos estudos epidemiológicos e expressam a associação entre dados categóricos que podem ser resumidos como uma tabela de contingência 2 × 2., Regressão logística é na verdade um método de análise multivariado que expressa a força da associação entre uma variável dependente binária e duas ou mais variáveis independentes como razões de probabilidade ajustadas.

Tests to address the question: Is there an association between variables?Pergunta 4: Existe acordo entre conjuntos de dados?, Isto pode ser uma comparação entre uma nova técnica de triagem com o teste padrão, novo teste de diagnóstico com o padrão-ouro disponível ou acordo entre as classificações ou pontuações dadas por diferentes observadores. Como visto da Fig. 4, acordo entre variáveis numéricas pode ser expresso quantitativamente pelo coeficiente de correlação intraclass ou graficamente pela construção de um gráfico Bland-Altman no qual a diferença entre duas variáveis x e y é plotada contra a média de x e Y., No caso de dados categóricos, a estatística Kappa de Cohen é frequentemente usada, com kappa (que varia de 0 para nenhum acordo em tudo para 1 Para acordo perfeito) indicando forte acordo quando é 0.7. É inadequado concluir que não existe diferença estatisticamente significativa entre os meios ou calcular um coeficiente de correlação.

testes para abordar a questão: Existe um acordo entre as técnicas de avaliação (rastreio / classificação / diagnóstico)?,Pergunta 5: existe uma diferença entre as tendências do tempo para o evento ou as parcelas de sobrevivência? Esta questão é específica à análise de sobrevivência(o parâmetro para tal análise pode ser a morte ou qualquer evento que possa ocorrer após um período de tempo) que se caracteriza pela censura dos dados, o que significa que uma proporção considerável dos indivíduos do estudo original pode não atingir o parâmetro em questão no momento em que o estudo termina. Conjuntos de dados para tendências de sobrevivência são sempre considerados não paramétricos., Se houver dois grupos, então os testes aplicáveis são o teste Cox-Mantel, teste Gehan (generalized Wilcoxon) ou teste log-rank. No caso de mais de dois grupos, o teste Peto e o teste Peto ou teste log-rank pode ser aplicado para procurar diferença significativa entre as tendências de tempo para evento.

pode ser apreciado a partir do esboço acima que a distinção entre dados paramétricos e não paramétricos é importante. Os testes de normalidade (por exemplo, o teste de Kolmogorov-Smirnov ou o teste de aptidão de Shapiro-Wilk) podem ser aplicados em vez de se fazerem suposições., Alguns dos outros pré-requisitos de testes paramétricos são que as amostras têm a mesma variância i.e. extraídas da mesma população, observações dentro de um grupo são independentes e que as amostras tenham sido extraídas aleatoriamente da população.

a one-tailed test calculates the possibility of deviation from the null hypothesis in a specific direction, whereas a two-tailed test calculates the possibility of deviation from the null hypothesis in either direction., Quando a intervenção A é comparada com a intervenção B em uma trilha clínica, a hipótese nula assume que não há diferença entre as duas intervenções. Desvio desta hipótese pode ocorrer em favor de qualquer intervenção em um teste de duas caudas, mas em um teste de uma caulada presume-se que apenas uma intervenção pode mostrar superioridade sobre a outra. Apesar de, para um dado conjunto de dados, um teste de cauda única retornar um valor p menor do que um teste de duas caudas, este último é geralmente preferido, a menos que haja um caso estanque para um teste de cauda única.,

é óbvio que não podemos nos referir a todos os testes estatísticos em um editorial. No entanto, os esquemas delineados abrangerão as exigências dos testes de hipótese da maioria dos estudos observacionais, bem como os estudos intervencionais. Por último, não podemos esquecer que não há substituto para trabalhar de facto em conjunto com conjuntos de dados fictícios ou reais, e para procurar o conselho de um estatístico, a fim de aprender as nuances do teste estatístico de hipóteses.