Se meu prof de metodologia lá no 2º período tivesse 1/3 da calma e didática de Feh, eu agora não estaria sofrendo tanto na metodologia. Entretanto ela é tão incrível que vem me ajudando bastante, obg Feh
Oi, Fê (já me acostumei a te chamar assim), tenho uma sugestão para uma próxima aula... cálculo do número amostral. Como medir, quais ferramentas utilizar e qual o tamanho de amostra estimado adequado para inferência sobre uma população tomando alguns parâmetros como tamanho de efeito e potência estatística. Parabéns pelo canal!
Obrigada!! Eu fiz uma discussão sobre isso no Instagram. Quero ainda trazer para o RUclips também, mas acho que vou demorar um pouco. Você me segue por lá? É instagram.com/estatisticaaplicada (E você pode me chamar de Fê, né, rs)
Fernanda, assisti aos 3 vídeos. Parabéns pela didática e pelo conteúdo esclarecedor. Tenho tentado aprender sobre testes de hipóteses considerando o teste qui-quadrado, e o seu conteúdo, mesmo enfatizando a distribuição T, me ajudou demais. Sou das Sociais Aplicadas e por não trabalhar com pesquisa de natureza quantitativa desse teor, fico um pouco perdido com a leitura dos gráficos de distribuição de probabilidades. Dificuldade para interpretá-los com relação às informações nos eixos Y e X. Ou ainda, quando há uma sobreposição de curvas de modo a evidenciar os campos alfa e beta no gráfico. Isso seria uma dica de video. Agradecido pelo conteúdo.
Mto louvável essa sua atitude de compartilhar conhecimentos tão complexos de forma brilhantemente didática. Parabéns pelo excelente trabalho! Seus vídeos são de extrema relevância para aqueles se aventuram por esse campo de estudo. Gratidão, gratidão, gratidão, gratidão, gratidão. Deus abençoe a sua vidaaaaaas!
Realmente vc faz um trabalho de utilidade publica ensino tudo isso e muito mais, acho que deveriam te pagar milhões por isso, é o grings da estatística
Parabéns pela aula! Legal que finalmente essa discussão está chegando de forma mais acessível às pessoas. É curioso notar que a "falácia da santificação" não era uma falácia para Jerzy e Neyman, que propuseram essa interpretação (i.e. de testes dicotômicos como regra de decisão); a "falácia" para eles estava na própria interpretação de "força da evidência" dada pelo Fisher! Acho que o que dá o maior nó na cabeça das pessoas aprendendo estatística frequentista clássica, seja usando P ou intervalos de confiança, é a constatação de que ela fala sobre como as coisas deveriam acontecer em uma longa série de repetições, e não sobre o que exatamente aconteceu na nossa amostra, que é o que a maioria de nós quer saber. Talvez por isso algumas áreas como ecologia, evolução, genética e epidemiologia estejam migrando gradual mas consistentemente para (diferentes encarnações de) máxima verossimilhança.
Sim, são conceitos confusos até pra quem estuda isso mais a fundo. Nem os idealizadores dos testes de hipóteses concordavam, né? Estamos desde então discordando e sofrendo para interpretá-los corretamente. Não entendo o suficiente sobre estatística Bayesiana, mas me parece que esse é também um dos caminhos futuros para a estatística, já que a partir dela começamos a calcular as probabilidades das hipóteses (que é o que de fato a gente gostaria de saber). Obrigada pela contribuição!
Não tenho nem palavras pra elogiar. Desejo todo sucesso! E endosso pedidos feitos aqui sobre abordar assuntos como o poder dos testes, tamanho amostral, tamanho de efeito. Valeu 💜
Professora pode me ajudar, minha cabeça está dando um nó. Em estatística, um dos parâmetros mais importantes é a análise da confiabilidade, baseada nos níveis de confiança necessários. Em estudos clínicos é comum que se admita um nível de confiança de 95%, com valor de p equivalente a 0,05. Compreender corretamente esse valor e a sua intepretação é essencial em bioestatística, não apenas para realizar estudos científicos, mas também para analisar resultados em artigos e trabalhos publicados. A partir dos conceitos apresentados, considere três situações.Estudo 1: valor-p calculado em 0,015; em nível de confiança 98%.Estudo 2: valor-p calculado em 0,7; em nível de confiança 95%.Estudo 3: valor-p calculado em 0,02; em nível de confiança 95%. Em qual(is) estudo(s) o valor-p é considerado “bom” e em qual(is) “ruim”? Justifique sua resposta.
Parabéns pelo canal! Conheci hoje e gostei bastante do seu conteúdo, especialmente desses vídeos teóricos. Será ótimo se você fizer os vídeos sobre poder e tamanho de efeito.
Parabéns Professora! O conteúdo de seu canal é excelente. Em especial essa aula sobre as falácias sobre o valor de p foi para mim inédita e muito esclarecedora. Muito obrigado.
Professora Fernanda, meu nome é Amaury Borges e gostaria de parabenizá-la pela qualidade da aula, em especial pela sua didática. Caso seja possível, gostaria que você preparasse uma aula sobre o poder dos testes estatísticos, acredito que complementaria a visão da Falácia 7.
Oi, ainda farei vídeos sobre isso, sim. Quero falar sobre poder e tamanho de efeito. Caso você ainda não me siga, no Instagram (instagram.com/estatisticaaplicada) eu já cheguei a falar um pouco sobre isso. No último post falo sobre a relação entre o poder e o tamanho da amostra. Obrigada pelo feedback! Fico feliz que os vídeos sejam úteis! Abraços!
Professora, parabéns pela abordagem. Sensacional. Eu só tenho uma dúvida: porque consideramos um valor igual ou mais extremo? Por que não igual ou menos extremo? Não entendo porque a área é calculado do valor t em direção aos valores mais extremos do que ele. Abraço!
Boa tarde Professora. Tenho assistido aos seus vídeos e estes são muito bons, muito práticos. Tenho uma dúvida que gostaria que me esclarecesse. Não tem diretamente a ver com este vídeo, mas não sabia onde colocar a questão. Aqui vai: Por que razão quando faço uma análise CAPTA no SPSS e recorro ao Optimal Scaling devido a ter variáveis qualitativas (Analyze>Dimension Reduction>Optimal Scaling), o output daí resultante é diferente daquele que resulta da análise por factor (Analyze>Dimension Reduction>Factor)? Por exemplo no primeiro obtenho gráficos Biplot que são excelentes para visualização, enquanto no 2º não. O 1º método também refere as "Dimensions" enquanto o 2º só refere componentes. Obrigado
Caracaaaa muito massa essa!! Como foi rápido, me deu muita curiosidade de ir a fundo no livro, instigou minha curiosidade! Com certeza irei revisitar esse video quando eu estiver lendo algo que eu comece a desconfiar que tem algo errado hehe E muito obrigada por esse conteúdo, muita qualidade! =)
Olá, Fernanda! Meu comentário é tardio (afinal você publicou essa aula lá em Apr/2020), mas, sim, a falácia #7 (baixo poder do teste/tamanho de efeito/tamanho da amostra) me é muito interessante. Quem sabe você consegue comentar um pouco sobre isso em alguma ocasião? :-) Ps.: Essa terceira aula da série me pegou em cheio rsrsrsrs! Muito obrigado!
Muito bom esse vídeo! Conheci seu canal agora e estou maratonando os vídeos. Parabéns pela qualidade dos seus vídeos, são ótimos e sua maneira de explicar é muito boa! Li alguns artigos que também citam não só as falácias, mas também os carências do uso do valor de p. Como a impossibilidade de se verificar a hipotese alternativa ou do resultado ser muito dependente do tamanho da amostra, por ex. Esses artigos apontam que alternativas para suprir essas carências é a utilização do tamanho de efeito, como vc apontou. Mas também a utilização de outros métodos, como o bayesiano ou abordagens de machine learning. Isso me deixou com algumas dúvidas... Eu sei que nenhum metodo estatístico é perfeito e que todos apresentam limites. Eu posso apenas estar trocando o tipo de limite estatístico para uma adequação mais conveniente. Mas qual método teria o melhor custo beneficio? Sei que o tópico do vídeo não é exatamente esse, mas está de certa maneira relacionado. Tenho uma sugestão, o uso do JASP em alguns grupos de pesquisa, assim como em artigos, está aumentando. Caso seja possível, poderia fazer alguns vídeos utilizando esta plataforma?
Parabéns pelos vídeos Professora, utilizo muito eles com alunos e de graduação. Se for possível, faça um vídeo explicando como ocorrem as diferenças significativas dos testes, pois muitas vezes, alunos pensam que não há diferenças significativas quando há sobreposição dos DPs ou IC95%. A ideia do vídeo de Tamanho do Efeito também é excelente, assim como um de n amostral, uma vez que tudo está relacionado. Continue assim, tornando a estatística acessível a todos. PARABÉNS!!
Oi, Danilo. Fico feliz que você divulgue para os seus alunos! :) Ainda preciso fazer vídeo sobre IC 95% mesmo. Não sei se você já assistiu os dois vídeos anteriores a esse, da playlist de vídeos teóricos, mas neles eu discuto o cálculo do p e a interpretação de significância estatística. Ainda vai ter vídeo sobre tamanho de efeito, sim! Abraços!
Muito obrigado pelas aulas. Melhor conteúdo que encontrei sobre esse assunto em todas as minhas pesquisas. Só um conceito que estou tendo dificuldade em entender: se, considerando a hipótese nula verdadeira e que as médias entre os grupos são iguais, por quais motivos eu poderia obter um resultado extremo se não o acaso? Seria pelo "azar" de ter coletado uma amostra que me indica um resultado mais extremo que o esperado, que seria que os dois grupos deveriam ter médias iguais? Poderia citar alguns exemplos em que isso aconteceria? Obrigado!
Então, a lógica é a seguinte: estamos calculando a probabilidade do resultado considerando que a hipótese nula é verdadeira (as médias são iguais). O valor de p calculado não corresponde à probabilidade de o resultado ser provocado pelo acaso porque qualquer resultado dentro daquela distribuição de probabilidades seria resultado do acaso. Eu explico isso melhor, e cito as referências discutindo isso, nesse post: fernandafperes.com.br/blog/falacias-valor-de-p/
Sensacionais seus vídeos, super explicativos, consegue tornar a bioestatística muito mais acessível. Procurei no seu canal algo sobre a Curva de ROC - Sensibilidade e Especificidade. Poderia algum dia falar algo sobre =)
Oi, Fernanda! Está na lista de vídeos para produzir esse semestre :) Obrigada pelo feedback!!! Fico super feliz de saber que estou ajudando a tornar a bioestatística mais acessível ♥️
Oi Fernanda! Parabéns pelos vídeos! São realmente maravilhosos e têm me ajudado muito! Queria te fazer um pedido... vc poderia fazer um vídeo sobre cálculo amostral? Desde já te agradeço! Vc salva muitos pós-graduandos! Rsrs
Oi, Roberto, ainda vou gravar vídeo sobre cálculo amostral, sim. Mas no Instagram eu tenho um post legal sobre, se interessar: instagram.com/estatisticaaplicada
Eu estaria interessado nessa anti-santificação do tamanho do efeito. Atualmente, acho que seja o meu viés - já me vi livre da do valor de p. :P Mas esta semana li um artigo que falava, para minha surpresa, pela falta de validade de alguns métodos baseados em MBI.
Na educação física pode dizer que a "santificação" foi quebrada, ou pelo menos está avançando, nas áreas fisiológicas e desportivas aceitamos uma "janela" aceitável.
Oi! A janela é o intervalo de confiança? De fato, algumas áreas já tem esse hábito. A área médica também tem. Já é bem melhor! Mas acho que a tendência é começarmos a mostrar o tamanho de efeito também. Isso ainda é mais raro, na maioria das áreas...
O valor de p é apenas a probabilidade de não rejeitar a hipótese nula (não rejeitar, pois considera-se que ela seja verdadeira). Por exemplo, se tenho um valor de p = 0.03, tenho uma probabilidade de 3% de não rejeitar a hipótese nula. Se o p for igual a 0.50, tenho probabilidade de 50% de não rejeitar H0. É bem complexo porque tem muitas falácias por aí, espero que eu esteja certa no raciocínio.
Olá, Fernanda. A série de vídeos é muito boa. Vídeo curtido e inscrição feita! Obrigado pelo conteúdo. Permita-me manifestar duas dúvidas. *1.* Min. 13:57. Não foi esse o pensamento aplicado no primeiro vídeo da série (ruclips.net/video/kOUZw-wMmXU/видео.html), para descartar a hipótese nula em favor das habilidades da Dra. Bristol? *2.* O que é mencionado em 18:12 não está contradizendo o que está dito em ruclips.net/video/kOUZw-wMmXU/видео.html? Agradeço a atenção.
1. Não, é como eu explico no vídeo do chá: o p é a probabilidade de ela ter acertado aquela quantidade de xícaras, considerado que a hipótese nula é verdadeira (ou seja, ela não consegue diferenciar as duas preparações). Mas não pensamos em acaso. Porque quando calculamos o valor de p, já estamos considerando um cenário em que a hipótese nula seja verdadeira, e portanto todos os resultados são decorrentes do acaso. Eu explico isso melhor aqui: fernandafperes.com.br/blog/falacias-valor-de-p/ 2. Não. Nós nunca temos confirmação da hipótese de pesquisa, nós tomamos uma decisão (por exemplo, acreditar ou não na capacidade de diferenciação das xícaras na Dra. Muriel) com base em probabilidades, mas nunca há certezas. Há sempre uma chance de estarmos cometendo um erro ao rejeitar ou não rejeitar a hipótese nula.
Olá, @@FernandaPeres. Confesso que estou tendo dificuldades para entender o erro na falácia 3, mas aos poucos vou me familiarizando. Obrigado pelas respostas.
Duas perguntas: (1) a falácia 10 pode ser "controlada" pela construção de intervalos de confiança para a tomada de decisões, que, para o caso dessa falácia, ajudam a manter a avaliação num contexto. Isso faz sentido para você? E (2) o valor-p é a probabilidade de se obter os resultados da amostra, dada a H0, ok. No entanto, e não importa a magnitude desse p, se há 1% de probabilidade dos dados serem obtidos sob a H0 eles podem ser obtidos! E isso poderia se dar por fatores não controlados, por erro na coleta dos dados e até pelo acaso - ou variabilidade da população (você deu azar ao observar a população). O quero dizer é que p não é a probabilidade do acaso, mas sua ocorrência poderia se original dele, não?
1) Não necessariamente. O intervalo de confiança 95% equivale a compararmos o valor de p com um nível de significância de 5%. Por exemplo, para uma razão de chances (OR), avaliamos se o IC 95% inclui o 1. Se o valor de p for inferior a 0,05, o IC 95% não conterá o 1. Se for superior, conterá. Então ao escolher um nível de confiança para o IC estamos usando essa dicotomia de alguma forma. Incluir, além de um parâmetro de significância estatística (como o p ou o IC), uma medida de tamanho de efeito já é um passo importante para não cair nessa falácia. 2) Não também. Não estamos nessa conta considerando possíveis erros na coleta dos dados. A conta está assumindo que a hipótese nula é verdadeira (não há efeito). Imagine que temos uma moeda e queremos saber se ela é viciada. Nossa hipótese nula é que ela é honesta. Para testar, podemos jogar a moeda, por exemplo, 20 vezes. Dessas 20 vezes, todas saíram cara. Qual a probabilidade de isso acontecer, dado que a hipótese nula (honestidade da moeda) é verdadeira? Baixíssima, mas diferente de zero (nunca será zero). Não dá para dizer que o valor de p corresponde à probabilidade de aquele resultado ter sido obtido ao acaso, porque todos os resultados que possamos obter no cenário da hipótese nula serão determinados pelo acaso. No artigo que eu cito no vídeo e na descrição, há uma frase que resume isso: "Specifically, because the null is assumed to be true, random sampling (i.e., chance) is the only explanation for any result." Recomendo a leitura da referências que eu deixei na descrição.
![[Meetup] Como escolher o teste estatístico adequado? Uma discussão para te ajudar nessa decisão.](http://i.ytimg.com/vi/EtV3_3aN884/mqdefault.jpg)
Se meu prof de metodologia lá no 2º período tivesse 1/3 da calma e didática de Feh, eu agora não estaria sofrendo tanto na metodologia. Entretanto ela é tão incrível que vem me ajudando bastante, obg Feh
Obrigada, Lício!! :)
Oi, Fê (já me acostumei a te chamar assim), tenho uma sugestão para uma próxima aula... cálculo do número amostral. Como medir, quais ferramentas utilizar e qual o tamanho de amostra estimado adequado para inferência sobre uma população tomando alguns parâmetros como tamanho de efeito e potência estatística. Parabéns pelo canal!
Obrigada!! Eu fiz uma discussão sobre isso no Instagram. Quero ainda trazer para o RUclips também, mas acho que vou demorar um pouco.
Você me segue por lá? É instagram.com/estatisticaaplicada
(E você pode me chamar de Fê, né, rs)
Gostei muito da aula!! Está me ajudando demais!!
Estou maratonando seus vídeos!! Seu conteúdo é fantástico e vc tbm :)
Parabéns pelo canal e pelas explicações. Conteúdo excelente!
Melhor aula sobre o significado do P valor! Obrigada pela aula! Ótimo conteúdo!
Fernanda, assisti aos 3 vídeos. Parabéns pela didática e pelo conteúdo esclarecedor. Tenho tentado aprender sobre testes de hipóteses considerando o teste qui-quadrado, e o seu conteúdo, mesmo enfatizando a distribuição T, me ajudou demais. Sou das Sociais Aplicadas e por não trabalhar com pesquisa de natureza quantitativa desse teor, fico um pouco perdido com a leitura dos gráficos de distribuição de probabilidades. Dificuldade para interpretá-los com relação às informações nos eixos Y e X. Ou ainda, quando há uma sobreposição de curvas de modo a evidenciar os campos alfa e beta no gráfico. Isso seria uma dica de video. Agradecido pelo conteúdo.
Mto louvável essa sua atitude de compartilhar conhecimentos tão complexos de forma brilhantemente didática. Parabéns pelo excelente trabalho! Seus vídeos são de extrema relevância para aqueles se aventuram por esse campo de estudo. Gratidão, gratidão, gratidão, gratidão, gratidão. Deus abençoe a sua vidaaaaaas!
Virei fã... muito obrigado pela ajuda!!!!
Deus lhe conserve com todo esse conhecimento e generosidade! Muito Obrigado!
A falácia da sanctificação kkkkkk, gostei muito. Muito obrigado Prfa Fernanda, é máximo mesmo!!!!
Realmente vc faz um trabalho de utilidade publica ensino tudo isso e muito mais, acho que deveriam te pagar milhões por isso, é o grings da estatística
Hahahaha! Obrigada!!
(Não conhecia o Grings, vou ver uns vídeos ♥️)
Ótimo vídeo! Parabéns! Sugiro um vídeo sobre "poder" e "robustez" do teste estatístico. Abraço
Parabéns pela aula! Legal que finalmente essa discussão está chegando de forma mais acessível às pessoas. É curioso notar que a "falácia da santificação" não era uma falácia para Jerzy e Neyman, que propuseram essa interpretação (i.e. de testes dicotômicos como regra de decisão); a "falácia" para eles estava na própria interpretação de "força da evidência" dada pelo Fisher! Acho que o que dá o maior nó na cabeça das pessoas aprendendo estatística frequentista clássica, seja usando P ou intervalos de confiança, é a constatação de que ela fala sobre como as coisas deveriam acontecer em uma longa série de repetições, e não sobre o que exatamente aconteceu na nossa amostra, que é o que a maioria de nós quer saber. Talvez por isso algumas áreas como ecologia, evolução, genética e epidemiologia estejam migrando gradual mas consistentemente para (diferentes encarnações de) máxima verossimilhança.
Sim, são conceitos confusos até pra quem estuda isso mais a fundo. Nem os idealizadores dos testes de hipóteses concordavam, né? Estamos desde então discordando e sofrendo para interpretá-los corretamente.
Não entendo o suficiente sobre estatística Bayesiana, mas me parece que esse é também um dos caminhos futuros para a estatística, já que a partir dela começamos a calcular as probabilidades das hipóteses (que é o que de fato a gente gostaria de saber).
Obrigada pela contribuição!
Não tenho nem palavras pra elogiar. Desejo todo sucesso! E endosso pedidos feitos aqui sobre abordar assuntos como o poder dos testes, tamanho amostral, tamanho de efeito. Valeu 💜
Muito obrigada, Laís! Vai existir vídeo sobre esses outros assuntos, sim! ♥️
Excelente, vídeo! Parabéns!!
Parabéns! Excelente a aula!!!
Fernanda, que bom que voltaste a atualizar o canal. Tuas aulas são excelentes, parabéns!
Obrigada, Karina!! ☺️
Professora pode me ajudar, minha cabeça está dando um nó.
Em estatística, um dos parâmetros mais importantes é a análise da confiabilidade, baseada nos níveis de confiança necessários. Em estudos clínicos é comum que se admita um nível de confiança de 95%, com valor de p equivalente a 0,05. Compreender corretamente esse valor e a sua intepretação é essencial em bioestatística, não apenas para realizar estudos científicos, mas também para analisar resultados em artigos e trabalhos publicados. A partir dos conceitos apresentados, considere três situações.Estudo 1: valor-p calculado em 0,015; em nível de confiança 98%.Estudo 2: valor-p calculado em 0,7; em nível de confiança 95%.Estudo 3: valor-p calculado em 0,02; em nível de confiança 95%.
Em qual(is) estudo(s) o valor-p é considerado “bom” e em qual(is) “ruim”? Justifique sua resposta.
Oi. Se você voltar nos dois vídeos anteriores dessa playlist teórica, você vai encontrar a resposta.
Parabéns pelo canal! Conheci hoje e gostei bastante do seu conteúdo, especialmente desses vídeos teóricos. Será ótimo se você fizer os vídeos sobre poder e tamanho de efeito.
Obrigada! Farei, sim!! :)
Parabéns Professora! O conteúdo de seu canal é excelente. Em especial essa aula sobre as falácias sobre o valor de p foi para mim inédita e muito esclarecedora. Muito obrigado.
Muito obrigada!!
Informações importantíssimas, muito obrigado.
Professora Fernanda, meu nome é Amaury Borges e gostaria de parabenizá-la pela qualidade da aula, em especial pela sua didática. Caso seja possível, gostaria que você preparasse uma aula sobre o poder dos testes estatísticos, acredito que complementaria a visão da Falácia 7.
Oi, ainda farei vídeos sobre isso, sim. Quero falar sobre poder e tamanho de efeito. Caso você ainda não me siga, no Instagram (instagram.com/estatisticaaplicada) eu já cheguei a falar um pouco sobre isso. No último post falo sobre a relação entre o poder e o tamanho da amostra.
Obrigada pelo feedback! Fico feliz que os vídeos sejam úteis! Abraços!
Excelente explicação. Fiquei curioso em saber se foi afinal feito também um vídeo para o tamanho de efeito.
Professora, parabéns pela abordagem. Sensacional. Eu só tenho uma dúvida: porque consideramos um valor igual ou mais extremo? Por que não igual ou menos extremo? Não entendo porque a área é calculado do valor t em direção aos valores mais extremos do que ele. Abraço!
Seus vídeos são simplesmente sensacionais.
Muito obrigada!!
Professora, muito obrigado! Muito bom mesmo. Eu me vi caindo em falácias.
Boa tarde Professora. Tenho assistido aos seus vídeos e estes são muito bons, muito práticos. Tenho uma dúvida que gostaria que me esclarecesse. Não tem diretamente a ver com este vídeo, mas não sabia onde colocar a questão. Aqui vai:
Por que razão quando faço uma análise CAPTA no SPSS e recorro ao Optimal Scaling devido a ter variáveis qualitativas (Analyze>Dimension Reduction>Optimal Scaling), o output daí resultante é diferente daquele que resulta da análise por factor (Analyze>Dimension Reduction>Factor)?
Por exemplo no primeiro obtenho gráficos Biplot que são excelentes para visualização, enquanto no 2º não.
O 1º método também refere as "Dimensions" enquanto o 2º só refere componentes.
Obrigado
Caracaaaa muito massa essa!! Como foi rápido, me deu muita curiosidade de ir a fundo no livro, instigou minha curiosidade! Com certeza irei revisitar esse video quando eu estiver lendo algo que eu comece a desconfiar que tem algo errado hehe E muito obrigada por esse conteúdo, muita qualidade! =)
Ahh, obrigada!! Recomendo também meu Instagram, comecei a discutir as falácias por lá, e aprofundei algumas ;)
instagram.com/estatisticaaplicada
Olá, Fernanda! Meu comentário é tardio (afinal você publicou essa aula lá em Apr/2020), mas, sim, a falácia #7 (baixo poder do teste/tamanho de efeito/tamanho da amostra) me é muito interessante. Quem sabe você consegue comentar um pouco sobre isso em alguma ocasião? :-) Ps.: Essa terceira aula da série me pegou em cheio rsrsrsrs! Muito obrigado!
Muito bom esse vídeo! Conheci seu canal agora e estou maratonando os vídeos. Parabéns pela qualidade dos seus vídeos, são ótimos e sua maneira de explicar é muito boa!
Li alguns artigos que também citam não só as falácias, mas também os carências do uso do valor de p. Como a impossibilidade de se verificar a hipotese alternativa ou do resultado ser muito dependente do tamanho da amostra, por ex. Esses artigos apontam que alternativas para suprir essas carências é a utilização do tamanho de efeito, como vc apontou. Mas também a utilização de outros métodos, como o bayesiano ou abordagens de machine learning.
Isso me deixou com algumas dúvidas...
Eu sei que nenhum metodo estatístico é perfeito e que todos apresentam limites. Eu posso apenas estar trocando o tipo de limite estatístico para uma adequação mais conveniente. Mas qual método teria o melhor custo beneficio?
Sei que o tópico do vídeo não é exatamente esse, mas está de certa maneira relacionado.
Tenho uma sugestão, o uso do JASP em alguns grupos de pesquisa, assim como em artigos, está aumentando. Caso seja possível, poderia fazer alguns vídeos utilizando esta plataforma?
muito bom, obrigada por compartilhar de forma tão didática! parabéns
Amei, obrigado.
gente, eu sou amigo dela! eu sou amigo professora Fernanda Peres
Hahahahah! Obrigada, querido! ♥️😍
Parabéns pelos vídeos Professora, utilizo muito eles com alunos e de graduação. Se for possível, faça um vídeo explicando como ocorrem as diferenças significativas dos testes, pois muitas vezes, alunos pensam que não há diferenças significativas quando há sobreposição dos DPs ou IC95%. A ideia do vídeo de Tamanho do Efeito também é excelente, assim como um de n amostral, uma vez que tudo está relacionado. Continue assim, tornando a estatística acessível a todos. PARABÉNS!!
Oi, Danilo. Fico feliz que você divulgue para os seus alunos! :)
Ainda preciso fazer vídeo sobre IC 95% mesmo.
Não sei se você já assistiu os dois vídeos anteriores a esse, da playlist de vídeos teóricos, mas neles eu discuto o cálculo do p e a interpretação de significância estatística.
Ainda vai ter vídeo sobre tamanho de efeito, sim!
Abraços!
@@FernandaPeres Olá Fernanda. Assisti sim!!! Sempre procuro novos meios de entendimento sobre esses aspectos teóricos e falácias do p. Abraços!
Muito obrigado pelas aulas. Melhor conteúdo que encontrei sobre esse assunto em todas as minhas pesquisas.
Só um conceito que estou tendo dificuldade em entender: se, considerando a hipótese nula verdadeira e que as médias entre os grupos são iguais, por quais motivos eu poderia obter um resultado extremo se não o acaso? Seria pelo "azar" de ter coletado uma amostra que me indica um resultado mais extremo que o esperado, que seria que os dois grupos deveriam ter médias iguais? Poderia citar alguns exemplos em que isso aconteceria? Obrigado!
Então, a lógica é a seguinte: estamos calculando a probabilidade do resultado considerando que a hipótese nula é verdadeira (as médias são iguais). O valor de p calculado não corresponde à probabilidade de o resultado ser provocado pelo acaso porque qualquer resultado dentro daquela distribuição de probabilidades seria resultado do acaso.
Eu explico isso melhor, e cito as referências discutindo isso, nesse post:
fernandafperes.com.br/blog/falacias-valor-de-p/
Você dá aula em algum curso de pós graduação reconhecido pelo MEC? Procuro um.. e gosto da tua didática.
Sensacional, como sempre! Parabéns e muito obrigado, Fernanda.
Obrigada!!
ai adorando suas aulas
🥰
muito boa suas aulas, continue por favor
Sensacionais seus vídeos, super explicativos, consegue tornar a bioestatística muito mais acessível. Procurei no seu canal algo sobre a Curva de ROC - Sensibilidade e Especificidade. Poderia algum dia falar algo sobre =)
Oi, Fernanda! Está na lista de vídeos para produzir esse semestre :)
Obrigada pelo feedback!!! Fico super feliz de saber que estou ajudando a tornar a bioestatística mais acessível ♥️
muito obrigado pela aula
Ótima aula! Muito obrigado!
Muito obrigado
Seus vídeos são muito didáticos, meus parabéns. Apenas a nível de curiosidade, seria possível ter distribuição normal com n = 12?
Oi Fernanda! Parabéns pelos vídeos! São realmente maravilhosos e têm me ajudado muito! Queria te fazer um pedido... vc poderia fazer um vídeo sobre cálculo amostral? Desde já te agradeço! Vc salva muitos pós-graduandos! Rsrs
Oi, Roberto, ainda vou gravar vídeo sobre cálculo amostral, sim. Mas no Instagram eu tenho um post legal sobre, se interessar: instagram.com/estatisticaaplicada
Obrigado.
Olá Fernanda. Aqui presente!
Eu estaria interessado nessa anti-santificação do tamanho do efeito. Atualmente, acho que seja o meu viés - já me vi livre da do valor de p. :P Mas esta semana li um artigo que falava, para minha surpresa, pela falta de validade de alguns métodos baseados em MBI.
Na educação física pode dizer que a "santificação" foi quebrada, ou pelo menos está avançando, nas áreas fisiológicas e desportivas aceitamos uma "janela" aceitável.
Oi! A janela é o intervalo de confiança? De fato, algumas áreas já tem esse hábito. A área médica também tem. Já é bem melhor!
Mas acho que a tendência é começarmos a mostrar o tamanho de efeito também. Isso ainda é mais raro, na maioria das áreas...
O valor de p é apenas a probabilidade de não rejeitar a hipótese nula (não rejeitar, pois considera-se que ela seja verdadeira). Por exemplo, se tenho um valor de p = 0.03, tenho uma probabilidade de 3% de não rejeitar a hipótese nula. Se o p for igual a 0.50, tenho probabilidade de 50% de não rejeitar H0. É bem complexo porque tem muitas falácias por aí, espero que eu esteja certa no raciocínio.
Olá, Fernanda. A série de vídeos é muito boa.
Vídeo curtido e inscrição feita! Obrigado pelo conteúdo.
Permita-me manifestar duas dúvidas.
*1.* Min. 13:57. Não foi esse o pensamento aplicado no primeiro vídeo da série (ruclips.net/video/kOUZw-wMmXU/видео.html), para descartar a hipótese nula em favor das habilidades da Dra. Bristol?
*2.* O que é mencionado em 18:12 não está contradizendo o que está dito em ruclips.net/video/kOUZw-wMmXU/видео.html?
Agradeço a atenção.
1. Não, é como eu explico no vídeo do chá: o p é a probabilidade de ela ter acertado aquela quantidade de xícaras, considerado que a hipótese nula é verdadeira (ou seja, ela não consegue diferenciar as duas preparações). Mas não pensamos em acaso. Porque quando calculamos o valor de p, já estamos considerando um cenário em que a hipótese nula seja verdadeira, e portanto todos os resultados são decorrentes do acaso. Eu explico isso melhor aqui: fernandafperes.com.br/blog/falacias-valor-de-p/
2. Não. Nós nunca temos confirmação da hipótese de pesquisa, nós tomamos uma decisão (por exemplo, acreditar ou não na capacidade de diferenciação das xícaras na Dra. Muriel) com base em probabilidades, mas nunca há certezas. Há sempre uma chance de estarmos cometendo um erro ao rejeitar ou não rejeitar a hipótese nula.
Olá, @@FernandaPeres. Confesso que estou tendo dificuldades para entender o erro na falácia 3, mas aos poucos vou me familiarizando. Obrigado pelas respostas.
Muito bom
👏👏👏👏
👏🏾👏🏾
Seria legal fazer o vídeo tamanho de efeito
Vai ter ainda, sim!
Duas perguntas: (1) a falácia 10 pode ser "controlada" pela construção de intervalos de confiança para a tomada de decisões, que, para o caso dessa falácia, ajudam a manter a avaliação num contexto. Isso faz sentido para você? E (2) o valor-p é a probabilidade de se obter os resultados da amostra, dada a H0, ok. No entanto, e não importa a magnitude desse p, se há 1% de probabilidade dos dados serem obtidos sob a H0 eles podem ser obtidos! E isso poderia se dar por fatores não controlados, por erro na coleta dos dados e até pelo acaso - ou variabilidade da população (você deu azar ao observar a população). O quero dizer é que p não é a probabilidade do acaso, mas sua ocorrência poderia se original dele, não?
1) Não necessariamente. O intervalo de confiança 95% equivale a compararmos o valor de p com um nível de significância de 5%. Por exemplo, para uma razão de chances (OR), avaliamos se o IC 95% inclui o 1. Se o valor de p for inferior a 0,05, o IC 95% não conterá o 1. Se for superior, conterá. Então ao escolher um nível de confiança para o IC estamos usando essa dicotomia de alguma forma. Incluir, além de um parâmetro de significância estatística (como o p ou o IC), uma medida de tamanho de efeito já é um passo importante para não cair nessa falácia.
2) Não também. Não estamos nessa conta considerando possíveis erros na coleta dos dados. A conta está assumindo que a hipótese nula é verdadeira (não há efeito). Imagine que temos uma moeda e queremos saber se ela é viciada. Nossa hipótese nula é que ela é honesta. Para testar, podemos jogar a moeda, por exemplo, 20 vezes. Dessas 20 vezes, todas saíram cara. Qual a probabilidade de isso acontecer, dado que a hipótese nula (honestidade da moeda) é verdadeira? Baixíssima, mas diferente de zero (nunca será zero). Não dá para dizer que o valor de p corresponde à probabilidade de aquele resultado ter sido obtido ao acaso, porque todos os resultados que possamos obter no cenário da hipótese nula serão determinados pelo acaso. No artigo que eu cito no vídeo e na descrição, há uma frase que resume isso: "Specifically, because the null is assumed to be true, random sampling (i.e., chance) is the only explanation for any result."
Recomendo a leitura da referências que eu deixei na descrição.