Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Tamanho de Efeito

Tamanho de efeito pode ser definido como a significância prática de um resultado (Kelley & Preacher, 2012). Dependendo dos testes usados, o tamanho do efeito mede o tamanho das associações entre as variáveis ​​ou da diferença entre as médias dos grupos.

O tamanho de efeito é, portanto, uma medida que sempre deve ser apresentada junto com o valor da significância estatística. Isso porque, erroneamente, os autores acreditam que a informação mais importante sobre um análise é se ela é ou não é significativa (baseado no valor de p). Mais que isso, vários autores acham que a significância do p (p < 0,05 ou p < 0,0001) é o que determina se um achado é forte ou não.

Embora o valor de p informe se o resultado é ou não significativo, ele não informa quão forte é o efeito encontrado, já que o valor de p é amplamente dependente da amostra. Amostras muito grandes podem obter valor de p muito pequeno (e.g., p < 0,001) mesmo que o efeito seja pequeno. É justamente pra isso que serve o tamanho de efeito. Uma informação clara e objetiva sobre o tamanho do resultado obtido.

Agora que sabemos o que é o tamanho de efeito falemos um pouco dos diferentes tamanhos do efeito que existem!

Quais os diferentes tipos de tamanho de efeito?

Dependendo do tipo de análise estatístico, o tamanho do efeito é estimado com diferentes índices. Os índices se enquadram em duas categorias principais:

  • Família d: são aqueles que analisam os tamanhos de efeito entre os grupos avaliando as diferenças de médias padronizadas. Eles são: d de Cohen, Δ de Glass, g de Hedges e Ψ (Psi). Conceitualmente, os tamanhos de efeito da família d são baseados na diferença entre as observações, dividida pelo desvio padrão dessas observações. 
  • Familia r: são aqueles que analisam a força das medidas de associação entre as variáveis. Eles são: r2 de Pearson, Eta22), Ômega22) e F2 de Cohen. Os tamanhos de efeito de família r descrevem a proporção da variância que é explicada pelo pertencimento ao grupo [por exemplo, uma correlação (r) de 0.5 indica que 25% (r2) da variância é explicada pela diferença entre os grupos]. Esses tamanhos de efeito são calculados a partir da soma dos quadrados para o efeito dividido pelas somas dos quadrados para outros fatores no modelo.

Outra diferenciação entre os tamanhos de efeito é se eles corrigem os viesses. Os tamanhos do efeito da população quase sempre são estimados com base em amostras, superestimando assim o verdadeiro efeito da população. Portanto, existem tamanhos de efeito que foram desenvolvidos justamente para corrigir esses problemas. Na família d, a correção para d de Cohen é conhecida como g de Hedges, e na família r, a correção para eta ao quadrado (η2) é conhecido como ômega ao quadrado (ω2).

É importante destacar que mesmo essas correções não são totalmente isentas de problemas, pois nem sempre levam a uma estimativa do tamanho do efeito totalmente imparcial. 

O Bruno Damásio fez um vídeo muito didático explicando os diferentes tamanhos de efeito para testes não paramétricos e nos próximos post conheceras outros tamanhos de efeito! 

Quando um efeito é pequeno ou grande? 

Ao usar tamanhos de efeito para quantificar e compartilhar percepções científicas e fazer cálculos de poder sensatos para estudos confiáveis, inevitavelmente nos deparamos com a dificuldade de dizer quando um efeito é pequeno ou grande. 

Em uma série de contribuições seminais, Cohen (1962, 1988, 1992) refletiu profundamente sobre os padrões convencionais para a interpretação dos tamanhos de efeito.

Ele estava ciente que termos como “pequeno”, “médio” e “grande” são relativos à área das ciências onde forem aplicados ou, ainda mais particularmente, ao conteúdo e método de pesquisa específico. Consequentemente, ele recomendou derivar o julgamento sobre efeitos pequenos, médios e grandes, dos resultados de estudos anteriores na respectiva área de pesquisa. 

Em outras palavras, um pesquisador teria que comparar seu resultado atual com o que foi encontrado em outros estudos. 

No entanto, Cohen também estava ciente que para a maioria dos pesquisadores era mais conveniente ter um atalho, ou seja, uma definição convencional ampla que pudesse ser usada como ponto de referência. Para isso, Cohen (1988) sugeriu alguns pontos de corte para classificação do tamanho de efeito:

Valores menores que 0.2, são considerados pequenos.

Valores maiores que 0.2 e menores que 0,80 são considerados médios

Valores superiores ou iguais a 0.8 são considerados grandes;

Estes pontos de corte de Cohen devem ser utilizados e interpretados com cautela e sempre é recomendado optar primeiro por pesquisar os tamanhos do efeito encontrados em outras pesquisas similares à nossa para ter um panorama das relações que esperamos achar, teórica e empiricamente embasado.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referências:

COHEN, J. (1962). The statistical power of abnormal-social psychological research: A review. Journal of Abnormal and Social Psychology, 65, 145-153.

COHEN, J. (1988). Statistical power analysis for the behavioral sciences (2ª ed.). New York: Lawrence Erlbaum Pub.

COHEN, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159.

KELLEY, K., & PREACHER, K. J. (2012). On effect sizePsychological methods17(2), 137.

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Uma resposta

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Análise de mediação e moderação: definições e diferenças

Análise de mediação e moderação: definições e diferenças

Nesse post, discutimos as caracteríticas e diferenças entre modelos de mediação e moderação.

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Nesse post, discutimos quando utilizar uma análise fatorial exploratória e uma análise fatorial confirmatória.

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Nesse post, discutimos as diferenças entre análise fatorial e análise de componentes principais, e quando usar cada uma dessas técnicas.

O que é Psicometria?

O que é Psicometria?

A Psicometria pode ser definida como a ciência da mensuração de características, atributos e habilidades psicológicas (Buchanan & Finch, 2005), sendo uma importante área de estudos na Psicologia e, também, na educação.

O que é regressão linear simples?

O que é regressão linear simples?

Entenda o que é regressão linear simples.

Análise de mediação e moderação: definições e diferenças

Análise de mediação e moderação: definições e diferenças

Nesse post, discutimos as caracteríticas e diferenças entre modelos de mediação e moderação.

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Análise Fatorial Exploratória ou Análise Fatorial Confirmatória: Qual escolher?

Nesse post, discutimos quando utilizar uma análise fatorial exploratória e uma análise fatorial confirmatória.

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Análise Fatorial e Análise de Componentes Principais: Diferenças e Quando usar

Nesse post, discutimos as diferenças entre análise fatorial e análise de componentes principais, e quando usar cada uma dessas técnicas.

O que é Psicometria?

O que é Psicometria?

A Psicometria pode ser definida como a ciência da mensuração de características, atributos e habilidades psicológicas (Buchanan & Finch, 2005), sendo uma importante área de estudos na Psicologia e, também, na educação.

O que é regressão linear simples?

O que é regressão linear simples?

Entenda o que é regressão linear simples.

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.