Outliers na Tese: Como Detetar, Tratar e Reportar Valores Atípicos (2026)

Um outlier, ou valor atípico, é uma observação que se afasta substancialmente do padrão das restantes num conjunto de dados. Pode resultar de erro de registo, de falha de medição ou de variabilidade genuína do fenómeno estudado — e é essa distinção que determina o tratamento adequado, não a sua distância à média.

Os três tipos de outlier

A classificação certa determina tudo o resto. Antes de aplicar qualquer critério estatístico, pergunte de onde vem o valor.

1. Erro de dados. Um engano de introdução (idade registada como 250), uma falha de instrumento, uma unidade trocada (metros em vez de centímetros), um código de valor em falta lido como número (o clássico −99 tratado como observação real). Estes valores devem ser corrigidos, se possível recorrendo ao registo original, ou eliminados e tratados como dado em falta — situação abordada no guia sobre dados em falta e imputação.

2. Observação de outra população. O caso não pertence ao universo que se pretende estudar: um participante que não cumpria os critérios de inclusão, um respondente que preencheu o questionário em 40 segundos, um equipamento avariado. A exclusão é legítima, desde que o critério seja declarado à partida e aplicado de forma uniforme — não caso a caso conforme dá jeito.

3. Variabilidade genuína. O valor é raro mas real. Existem pessoas com rendimentos muito acima da média e alunos com desempenho excecional. Estes casos não devem ser eliminados: fazem parte do fenómeno. Eliminá-los é redefinir silenciosamente a população estudada e reportar resultados que não se aplicam à realidade.

O erro conceptual mais comum em teses é tratar os três tipos da mesma maneira, aplicando um critério estatístico e removendo tudo o que ultrapassa o limiar. O critério estatístico sinaliza candidatos; a classificação exige olhar para cada caso.

Métodos de deteção

Inspeção visual. Deve ser sempre o primeiro passo. O diagrama de extremos e quartis (boxplot) revela outliers univariados de imediato; o histograma mostra a forma da distribuição; e o gráfico de dispersão revela combinações improváveis que nenhum critério univariado deteta. Um caso com altura normal e peso normal pode ser atípico na combinação dos dois.

Amplitude interquartil (IQR). O critério clássico do boxplot: são candidatos os valores abaixo de Q1 − 1,5×IQR ou acima de Q3 + 1,5×IQR. Usando o fator 3 em vez de 1,5 identificam-se os valores extremos. A grande vantagem é ser robusto: os quartis não são afetados pelos próprios outliers, ao contrário da média e do desvio-padrão.

Valor padronizado (z). Converte cada observação em desvios-padrão relativamente à média. Em ciências sociais é comum o limiar de 3,29 em módulo, correspondente a p < 0,001 numa distribuição normal. Tem uma fragilidade importante: a média e o desvio-padrão são puxados pelos próprios outliers, o que pode mascará-los — fenómeno conhecido como efeito de mascaramento, sobretudo problemático em amostras pequenas.

Z modificado com MAD. Substitui a média pela mediana e o desvio-padrão pelo desvio absoluto mediano, eliminando o problema anterior. É a alternativa recomendada quando se suspeita de vários outliers em simultâneo, usando-se habitualmente o limiar de 3,5.

Tabela de critérios e limiares

Outliers multivariados e em regressão

Um caso pode ser perfeitamente normal em cada variável isolada e altamente atípico na combinação delas. Numa amostra de estudantes, alguém com muitas horas de estudo semanais e classificações muito baixas pode não ser outlier em nenhuma das duas variáveis, mas ser um caso improvável na relação entre ambas — e é justamente esse tipo de caso que distorce correlações e regressões.

A distância de Mahalanobis mede a distância de cada caso ao centroide multivariado, tendo em conta as correlações entre variáveis. Compara-se com uma distribuição qui-quadrado com graus de liberdade iguais ao número de variáveis, usando-se habitualmente p < 0,001 como critério.

Em regressão, importa distinguir três conceitos que são frequentemente confundidos:

• Outlier de resposta — o valor observado afasta-se muito do previsto pelo modelo (resíduo padronizado elevado).
• Alavancagem — o caso tem valores invulgares nos preditores, o que lhe dá potencial para influenciar o modelo.
• Influência — o caso efetivamente altera os coeficientes estimados. É medida pela distância de Cook e pelos DFBeta.

Um caso pode ter alavancagem alta sem influência (está longe nos preditores mas alinhado com a tendência) e pode ser outlier de resposta sem influenciar muito o modelo. O que realmente importa é a influência: se remover o caso não muda as conclusões, o problema é menor do que parecia.

O que fazer com cada tipo

Depois de classificar, as opções são estas — por ordem de preferência para observações legítimas:

1. Manter e usar métodos robustos. Regressão robusta, estimadores baseados em medianas ou testes não paramétricos, que trabalham sobre ordens e são pouco sensíveis a valores extremos. É frequentemente a solução mais elegante.
2. Transformar a variável. Transformações logarítmicas ou de raiz quadrada reduzem a assimetria e a influência de valores altos. O custo é a interpretabilidade: os coeficientes passam a referir-se à escala transformada e têm de ser explicados nesses termos.
3. Winsorizar. Substituir os valores extremos pelo valor do percentil limite (por exemplo, 5.º e 95.º). Mantém o caso na amostra e limita a sua influência, mas altera dados observados e deve ser sempre declarado.
4. Reportar com e sem. Apresentar as duas análises é a opção mais transparente e a que melhor resiste ao escrutínio de um júri.
5. Eliminar. Apenas para erros confirmados ou casos de outra população, com critério declarado à partida.

Análise de sensibilidade: a solução mais defensável

Quando há dúvida sobre o que fazer, esta é quase sempre a melhor resposta — e é surpreendentemente pouco usada em dissertações.

Consiste em correr a análise principal duas vezes: com todos os casos e sem os casos atípicos identificados. Depois compara-se. Se as conclusões se mantêm, reporta-se a análise completa e menciona-se que a exclusão não altera os resultados — o que reforça a solidez do trabalho. Se as conclusões mudam, isso é em si um resultado importante, que deve ser discutido abertamente na secção de limitações.

Esta abordagem tem uma vantagem decisiva sobre qualquer regra automática: retira ao investigador a necessidade de tomar uma decisão arbitrária e transforma a ambiguidade em informação para o leitor. Um júri raramente critica uma análise de sensibilidade bem feita; critica com frequência uma exclusão não justificada.

Como reportar na tese

A secção de análise de dados deve responder a cinco perguntas, idealmente por esta ordem:

• Que critério usou para identificar outliers, e porquê. Exemplo: "Foram considerados outliers os casos com valor padronizado superior a 3,29 em módulo e, para a análise multivariada, os casos com distância de Mahalanobis significativa a p < 0,001."
• Quantos casos foram identificados, em valor absoluto e em percentagem da amostra.
• Como foram classificados — erros, casos fora da população, ou variabilidade genuína.
• Que decisão foi tomada para cada grupo, com justificação.
• Qual o impacto nos resultados, através da análise de sensibilidade.

Um exemplo de redação: "A inspeção dos diagramas de extremos e quartis identificou sete casos (2,3% da amostra) com valores atípicos na variável de rendimento. A verificação dos registos originais confirmou tratar-se de valores legítimos, pelo que foram mantidos na análise. A repetição dos modelos sem estes casos não alterou a direção nem a significância dos efeitos, pelo que se reportam os resultados relativos à amostra completa."

Note-se que a decisão sobre outliers interage com a verificação de pressupostos: valores extremos são uma das causas mais frequentes de violação da normalidade, como descrito no guia sobre verificar os pressupostos dos testes paramétricos. Por vezes, o que parece um problema de distribuição é um problema de dois ou três casos.

Erros que comprometem a credibilidade

• Eliminar outliers sem declarar. É a falha mais grave. Se os números da amostra não batem certo entre secções, o júri repara.
• Decidir o critério depois de ver os resultados. Escolher o limiar que torna o efeito significativo é uma prática de investigação questionável, ainda que raramente intencional.
• Aplicar o critério a umas variáveis e não a outras, sem justificação — normalmente àquelas em que a remoção ajuda.
• Usar z quando há vários outliers. O efeito de mascaramento pode fazer com que nenhum seja detetado. Prefira o z modificado com MAD.
• Confundir alavancagem com influência em regressão, e remover casos que não afetam os coeficientes.
• Remover casos por serem "inconvenientes". Se a remoção muda a conclusão, isso é matéria para a discussão, não motivo para apagar dados.

FAQ

Documentar bem estas decisões é metade do trabalho; escrevê-las com clareza é a outra metade. Ferramentas de apoio à escrita académica como o Tesify ajudam a redigir a secção de análise de dados de forma completa e coerente, garantindo que cada decisão metodológica fica explicada onde o júri a vai procurar.