“Em estudos médicos, os investigadores geralmente estão interessados em determinar o tamanho da diferença de um resultado medido entre os grupos, em vez de uma simples indicação de se é ou não estatisticamente significativo”.
Gardner MJ, Altman DG. Intervalos de confiança em vez de valores de p: estimativa em vez de teste de hipóteses. BMJ 1986;292(6522):746-50.
Para resumir do mês passado, os valores de p nos dizem se temos resultados estatisticamente significativos. Então, por que isso não é suficiente? A significância estatística e a importância clínica são 2 julgamentos separados. Um grande estudo pode ser capaz de detectar uma diferença estatisticamente significativa que é pequena e clinicamente sem importância; por outro lado, um pequeno estudo pode não ser capaz de detectar uma pequena diferença que seja clinicamente importante. Em suma, a visão de túnel no valor-p não é realmente útil e incentiva o pensamento LAZY!
Um intervalo de confiança (IC) fornece um intervalo para nossa melhor estimativa do tamanho do verdadeiro efeito do tratamento que é plausível, dado o tamanho da diferença realmente observada. Se os ICs fossem construídos a partir de 100 amostras do mesmo tamanho da mesma população, 95 delas conteriam o verdadeiro efeito do tratamento, 5 não. Estaríamos 95% confiantes de que, se o verdadeiro efeito do tratamento fosse conhecido, o IC o conteria. Como a confiança está ligada ao intervalo e não ao efeito verdadeiro, é incorreto dizer que “há uma probabilidade de 95% de que o efeito verdadeiro esteja dentro do IC”. Isso ocorre porque o verdadeiro efeito (que não é conhecido por nós e é a razão pela qual estamos fazendo o estudo em primeiro lugar) ou cai em um intervalo específico ou não. Ou seja, sua probabilidade de estar no IC é 100% ou 0%; não é 95%. Finalmente, observe que os ICs podem ser construídos para qualquer número de probabilidades, embora a maioria dos pesquisadores relate os ICs de 90%, 95% e 99%.
No próximo mês, continuaremos nossa discussão sobre o intervalo de confiança.
