Como Verificar os Pressupostos dos Testes Paramétricos na Tese?

Os pressupostos dos testes paramétricos determinam se um teste t, uma ANOVA ou uma correlação de Pearson produzem resultados válidos na sua tese. Ignorá-los é um dos erros mais comuns detetados por arguentes em provas de mestrado e doutoramento, porque um teste aplicado sem verificação prévia pode gerar conclusões estatisticamente inválidas mesmo que os valores-p pareçam corretos.

O que são os pressupostos dos testes paramétricos e porque importam?

Os testes paramétricos — teste t de Student, ANOVA, correlação e regressão de Pearson — estimam parâmetros populacionais (médias, variâncias) assumindo que os dados seguem uma distribuição conhecida, geralmente a normal, e que a escala de medida é de intervalo ou de razão. Quando estas condições não se verificam, os erros-padrão calculados pelo software deixam de refletir a variabilidade real dos dados, o que distorce o valor-p e os intervalos de confiança. É por isso que a secção de metodologia de uma tese quantitativa deve documentar explicitamente esta verificação antes de avançar para a análise de dados no SPSS e R e para a interpretar o valor-p dos testes de hipóteses.

Como verificar a normalidade dos dados?

A normalidade é o pressuposto mais testado e também o mais mal-entendido. Siga estes quatro passos:

1. Inspecione visualmente: gere um histograma e um Q-Q plot (gráfico quantil-quantil). Num Q-Q plot, os pontos devem alinhar-se aproximadamente com a diagonal; desvios sistemáticos nas caudas indicam assimetria ou curtose excessiva.
2. Calcule assimetria (skewness) e curtose (kurtosis): valores entre -1 e +1 são geralmente aceitáveis; segundo critérios mais permissivos (Kline, 2016), assimetria absoluta acima de 3 e curtose absoluta acima de 8-10 são consideradas problemáticas.
3. Aplique um teste formal: o teste de Shapiro-Wilk é recomendado para amostras pequenas a moderadas (n < 50), enquanto o Kolmogorov-Smirnov com correção de Lilliefors é mais utilizado em amostras maiores. Um valor-p inferior a 0,05 sugere desvio significativo da normalidade.
4. Contextualize com a dimensão da amostra: em amostras grandes (n > 200), o Shapiro-Wilk torna-se excessivamente sensível e rejeita a normalidade mesmo perante desvios triviais, pelo que a inspeção visual deve prevalecer sobre o valor-p.

É esta mesma lógica de robustez a amostras grandes que sustenta o Teorema do Limite Central: com grupos suficientemente grandes, a distribuição amostral da média aproxima-se da normal independentemente da distribuição original dos dados brutos.

Como verificar a homocedasticidade (homogeneidade de variâncias)?

A homocedasticidade exige que a variância da variável dependente seja semelhante entre os grupos comparados. O teste de Levene (disponível automaticamente no output do teste t e da ANOVA no SPSS) é o mais reportado na literatura metodológica em ciências sociais e da saúde. Um valor-p do teste de Levene inferior a 0,05 indica heterocedasticidade — variâncias significativamente diferentes entre grupos.

Quando este pressuposto falha, o SPSS já disponibiliza automaticamente a linha “Equal variances not assumed”, que aplica a correção de Welch-Satterthwaite aos graus de liberdade do teste t. Para a ANOVA, a alternativa equivalente é a ANOVA de Welch, disponível em Analisar > Comparar Médias > ANOVA de um Fator > Opções.

Como verificar a independência das observações?

A independência das observações não se testa estatisticamente a partir dos dados recolhidos — decide-se no desenho do estudo. Cada participante ou unidade de observação deve contribuir com apenas um valor por variável, e a resposta de um participante não pode influenciar a de outro. Desenhos com medidas repetidas (o mesmo participante avaliado em vários momentos) violam este pressuposto e exigem testes específicos, como a ANOVA de medidas repetidas ou modelos lineares mistos, em vez de uma ANOVA de um fator convencional.

Em modelos de regressão, a independência dos resíduos é avaliada com o teste de Durbin-Watson: valores próximos de 2 (entre aproximadamente 1,5 e 2,5) indicam ausência de autocorrelação relevante; valores muito abaixo de 1 ou acima de 3 sugerem dependência temporal ou espacial nos dados.

Como verificar a linearidade num modelo de regressão?

Para correlações e regressões lineares, a linearidade é verificada através de um diagrama de dispersão (scatterplot) entre a variável independente e a dependente, ou de um gráfico de resíduos versus valores previstos. Um padrão em forma de U, de curva ou de funil no gráfico de resíduos indica que a relação não é linear ou que a variância dos resíduos não é constante, e pode justificar a inclusão de termos polinomiais ou uma transformação da variável.

Tabela-resumo: pressupostos, testes e alternativas

O que fazer quando um pressuposto é violado?

A violação de um pressuposto não invalida automaticamente a análise, mas exige uma resposta metodológica justificada no capítulo de método. As três estratégias mais aceites na literatura são:

• Transformação dos dados: a transformação logarítmica reduz assimetria positiva; a raiz quadrada é útil para dados de contagem; a transformação de Box-Cox estima automaticamente o expoente ótimo para aproximar a normalidade.
• Teste não paramétrico equivalente: Mann-Whitney U em vez do teste t para amostras independentes; Wilcoxon signed-rank em vez do teste t emparelhado; Kruskal-Wallis em vez da ANOVA de um fator; correlação de Spearman em vez de Pearson.
• Métodos de bootstrap: reamostragem com reposição (tipicamente 1.000 a 5.000 reamostragens) para estimar intervalos de confiança empíricos sem assumir uma distribuição teórica, disponível no SPSS através do módulo Bootstrap em Analisar > … > Bootstrap.

A escolha entre estas três vias deve ser justificada, não arbitrária: transformações dificultam a interpretação substantiva dos coeficientes, testes não paramétricos têm menor poder estatístico, e o bootstrap exige software e tempo computacional adicionais. Nesta fase, tratar corretamente os dados em falta antes de testar pressupostos evita que valores omissos distorçam os testes de normalidade e homocedasticidade.

Como reportar a verificação de pressupostos no SPSS e no R?

No SPSS, a verificação de normalidade obtém-se em Analisar > Estatística Descritiva > Explorar, selecionando “Gráficos de normalidade com testes”, o que produz automaticamente o Shapiro-Wilk (ou Kolmogorov-Smirnov, consoante a dimensão da amostra) e o Q-Q plot. O teste de Levene surge automaticamente no output do Teste T para Amostras Independentes e da ANOVA de um Fator.

No R, o pacote base disponibiliza shapiro.test() para normalidade e o pacote car disponibiliza leveneTest() para homocedasticidade; o pacote ggpubr permite gerar Q-Q plots com a função ggqqplot(). No relatório final, reporte sempre a estatística do teste, os graus de liberdade (quando aplicável), o valor-p e a decisão tomada — por exemplo, “W(45) = 0,97, p = 0,312, pelo que o pressuposto de normalidade não foi violado”. Esta prática está alinhada com as recomendações da American Psychological Association para a publicação de resultados estatísticos e reforça a robustez de qualquer secção de estatística descritiva e inferencial.

Que relação existe entre pressupostos e o desenho amostral?

A probabilidade de cumprir os pressupostos paramétricos está diretamente ligada ao desenho amostral definido antes da recolha de dados. Amostras pequenas, não probabilísticas ou fortemente enviesadas tendem a produzir distribuições irregulares e variâncias desiguais entre grupos, dificultando a aplicação de testes paramétricos. Por isso, decisões sobre a amostragem em investigação — dimensão mínima, tipo de amostragem, critérios de inclusão — condicionam diretamente que testes estatísticos poderão ser usados de forma válida mais tarde.

Perguntas Frequentes