Teste-t de Student para Duas Amostras

JOÃO OLIVEIRA SANTOS

[Link]@[Link]

1
 Previously in MEAD…
É importante olharmos para representações gráficas dos dados

O erro-padrão duma estatística é uma medida do erro na estimação dessa estatística

Sabendo a distribuição da estatística de teste em H0 (assumindo os pressupostos do

modelo) conseguimos determinar a probabilidade de obter um valor da estatística de
teste igual ao mais extremo ao que obtivemos—o valor-p

No teste-t para uma amostra dividimos a sua média (ou a diferença entre a sua média e o
valor de referência) pelo erro padrão da média

No teste-t para duas amostras emparelhadas dividimos a média das diferenças entre as
medições no pré e no pós, de cada participante, pelo erro padrão da média dessas diferenças

2
 Questão de Partida
Como é que eu sei se a aplicação dum tratamento/manipulação, provocou alterações numa
dada variável (quantitativa)

Essencialmente a mesma questão da aula anterior

3
 Problema de Investigação
Será que o risco de demência (medido numa escala contínua de 0 a 10) é diferente entre o
grupo experimental (que recebeu o tratamento) e o grupo de controlo (que recebeu um
placebo)

Passamos a falar em grupos diferentes, em vez de momentos diferentes

4
 Delineamentos Experimental vs. Controlo
A amostra inicial dos participantes é dividida, aleatoriamente em duas condições—uma
condição experimental e uma condição de controlo

Os participantes alocados à condição experimental experienciam a manipulação (ou

recebem o tratamento)

Os participantes alocados ao grupo de controlo não recebem a manipulação (ou recebem

um placebo)

Assumindo que os grupos em nada diferiam antes de serem alocados às suas condições,
espera-se que as diferenças que se encontrem entre os grupos após a manipulação sejam
devidas a essa manipulação

Também podemos ter uma manipulação experimental que crie dois grupos, por exemplo,
eleve o stress dum grupo e reduza do outro. Nesse caso teríamos dois grupos experimentais
e nenhum de controlo.

5
 Delineamentos Experimental vs. Controlo
Vantagens:
O efeito da manipulação não é confundido com a passagem do tempo
Não implica recolher duas vezes dados de cada participante (evitando risco de
dropouts/mortalidade da amostra)
Cada sessão de recolha de dados fica mais curta
Não é susceptível a efeitos de ordem
Desvantagens:
Não permite ter em conta a variabilidade individual
É possível que haja diferenças que antecedam a manipulação e contaminem os
resultados
É menos poderoso que o teste-t para amostras emparelhadas
Implica recolher dados de mais participantes

6
 Ensaios Cegos
Nas áreas biomédicas os randomized control trials têm sido vistos como o gold standard de
evidência para a eficácia dum tratamento

Dado os potenciais viéses dos envolvidos aplicam-se delieneamentos cegos

Ensaio cego: os participantes não conhecem as hipóteses nem o grupo a que foram
alocados
Ensaio duplamente cego: nem os participantes nem os experimentadores conhecem o
grupo a que foram alocados
Ensaio triplamente (ou mais) cego: nem os participantes nem os experimentadores, nem
os analistas de dados (ou outros) conhecem o grupo a que os participantes foram
alocados

7
 Dados
Search:
pp ▲ condition ▲ risk ▲
▼ ▼ ▼

pp01 control 4

pp02 control 4

pp03 control 7

pp04 control 4

pp05 control 7

pp06 control 10

pp07 control 6

pp08 control 3

pp09 control 3

pp10 control 4

Showing 1 to 10 of 80 entries

8
 Descritivas
condition N M SD
control 40 4.9 1.9
experimental 40 3.8 2.1

9
Violino

10
 O t de Student
x̄ 1 −x̄ 2
t =
1 1
s p ⋅√ +
n n
1 2

−−−−−−−−−−−−−
2 2
(n1 −1)sx +(n2 −1)sx
sp = √
1 2

n1 +n2 −2

−−
2
−−−−
2
s s
Equivalente a: S E p = √
n1
1
+
n2
2
;t =
x̄ 1 −x̄ 2

2 2
s s
1 2
√ +
n n
1 2

−−
′

Notem que: SE
′2
s s
= = √
√n n

Adapt: Foster e colaboradores(2024)

N M_control M_experimental M_diff SE_p t df p

80 4.9 3.8 1.1 0.45 2.4 78 .018

11
 Graus de Liberdade
O teste trabalha com a média de cada grupo

Divide a diferença das médias pelo erro padrão conjunto (pooled standard error)

Temos então que calcular duas médias, sendo os graus de liberdade de cada uma:
gl = ngrupo − 1

Dado que o N total é a soma do n de cada grupo, chegamos a:

gl = (n1 − 1) + (n2 − 1) = n1 + n2 − 2 = N − 2

Mais tarde podemos revisitar o conceito de graus de liberdade pela perspectiva da

abordagem de comparação de modelos

12
 H0 e H1
H0: valores dos parâmetros populacionais se a minha previsão não se verificasse (i.e., se
não existir o efeito esperado na população)

H1: A negação de H0, id est, os valores possíveis para os parâmetros populacionais se o

efeito estiver presente.

13
 H0 e H1
H0: A média do grupo experimental não difere da média do grupo de controlo

H1: A média do grupo experimental difere da média do grupo de controlo

Nota: Podemos ter hipóteses específicas sobre o valor dessa diferença

14
 Hipóteses Unilaterais/Unidireccionais
Teste unilateral à direita:

H0: A média do grupo experimental é menor ou igual à média do grupo de controlo

H1: A média do grupo experimental é maior que a do grupo de controlo

Teste unilateral à esquerda:

H0: A média do grupo experimental é maior ou igual à média do grupo de controlo

H1: A média do grupo experimental é menor que a do grupo de controlo

Nos menus do JASP podemos especificar hipóteses unidireccionais na secção “Alt.

Hypothesis”

15
 Testes Unilaterais/Unidireccionais
Caso a diferença encontrada seja no sentido de H1, então posso dividir por dois o valor-p
do teste bilateral, dado que só estamos a olhar para um lado da distribuição t (i.e.,
punidireccional = pbidireccional / 2)

Caso a diferença encontrada seja no sentido de H0, então devo calcular o inverso de metade
do varlor-p (i.e., punidireccional = 1 - pbidireccional / 2).

16
 Teste Bilateral

P (|t| ≥= 1.99) = .050

17
 Teste à Direita

P (t ≥ 1.99) = .025

Para o mesmo t obtermos metade do valor-p ou o inverso disso

18
 Teste à Direita

P (t ≥ 1.66) = .050

Ou então, para o mesmo α, obtemos um efeito significativo com um t mais reduzido

19
 Teste à Esquerda

P (t ≤ 1.99) = .025

Para o mesmo t obtermos metade do valor-p ou o inverso disso

20
 Teste à Esquerda

P (t ≤ 1.66) = .050

Ou então, para o mesmo α, obtemos um efeito significativo com um t, em módulo, mais

reduzido 21
 Testes Unilaterais/Unidireccionais
Há diveresas visões/opiniões sobre quando se deve optar por um teste unilateral em vez
dum bilateral

Eu sou da opinião que só se deverá optar pelo teste unilateral, quando não é razoável
esperar que os resultados sejam na direcção contrária ao que hipotetisamos. Nos outros
casos, considero que é melhor optar pelo teste bilateral.

Mas há quem discorde desta posição, defendendo que sempre que a proposta
teórica aponta numa direcção o teste deve ser unilateral

22
 Pressupostos dos Testes
Os mesmos do teste-t para uma amostra:

Os erros seguem a distribuição normal, com média de 0

Os erros são independentes uns dos outros

As amostras têm de ser independentes (i.e., nenhum participante observado duas vezes, nem
nenhuma correlação esperada entre os valores)

Pressuposto teórico que não costuma ser testado

As variâncias de ambas as populações são iguais

Voltaremos aos pressupostos mais à frente, mas vamos começar a levantar este véu…

23
 Normalidade dos Resíduos
Pode ser avaliada através do:

Teste de Shapiro-Wilk (muito sensível e com demasiados falsos positivos para N > 50):

Normality (em “Assumptions Checks”)

Teste de Kormogorov-Smirnov com correcção de Lilliefors (menos sensível, mas o JASP

não o calcula)

Um valor-p significativo num teste de pressupostos significa que há evidência de que o

pressuposto foi violado

Inspecção visual do gráfico Quantil-Quantil

Q-Q plot residuals (em “Assumptions Checks”)

Ver Kross (2016)

Tendo em conta o quão sensível e susceptível a falsos positivos o teste de Shapiro-Wilk

é, recomendo a inspecção visual do gráfico Q-Q.

24
Gráfico Q-Q dos Resíduos
Aproximadamente normal

25
Gráfico Q-Q dos Resíduos

26
Gráfico Q-Q dos Resíduos

27
Gráfico Q-Q dos Resíduos

28
Gráfico Q-Q dos Resíduos
Bimodal

29
 Normalidade dos Resíduos
Lembrem-se que em termos gerais, para Ns não suficientemente grandes, sem enormes
enviesamentos na distribuição dos resíduos, podemos invocar o teorema do limite central
e por isso os testes tendem a ser robustos à violação deste pressuposto

Grandes desvios à normalidade dos resíduos, assim como graves violações doutros
pressupostos, devem levar a reflexão teórica sobre o problema de investigação

30
Homogeneidade de Variâncias
Pode ser avaliada através do:
Teste de Levene (baseado na média)

Equality of variances (em “Assumption Checks”)

Levene’s
Só possível para modelos com variáveis categóricas (manipuladas entre-participantes)

Teste de Brown-Forsythe (também conhecido como teste de Levene baseado na mediana)

Equality of variances (em “Assumption Checks”)

Brown-Forsythe
Só possível para modelos com variáveis categóricas (manipuladas entre-participantes)

Inspecção visual do gráfico de previsões e erros

Não disponível no JASP neste menu, mas disponível em menus do modelo linear geral
Mais usado para modelos com VIs quantitativas

Para propósitos da primeira avaliação usem o teste de Brown-Forsythe para testar

este pressuposto

AVISO: Um valor-p significativo num teste de pressupostos significa que há evidência

de que o pressuposto foi violado

31
 Pressupostos
Existem várias escolas de pensamento sobre como proceder quando os pressupostos são
violados

Para os propósitos da primeira avaliação, basta que explicitem qual/quais os

pressupostso que foram violados (se for o caso) e aconselhem cautela na interpretação
dos resultados.

32
 Dimensão de Efeito
x̄ 1 −x̄ 2
d =
sp

−−−−−−−−−−−−−
2 2
(n1 −1)sx +(n2 −1)sx
sp = √
1 2

n1 +n2 −2

Mais uma vez o d é o valor da média/diferença de médias a dividir pelo desvio-padrão (e

não o erro padrão como no t)
N M_control M_experimental M_diff SE_p t df p d
80 4.9 3.8 1.1 0.45 2.4 78 .018 0.54

33
 Secção de Resultados
Para testarmos se o novo tratamento levava a alterações no risco da demência, recorremos a
um teste-t de student para amostras independentes. Os resultados indicam que há diferenças
significativas entre o risco de demência do grupo de controlo e do grupo de experimental,
sendo o risco menor no grupo experimental, Mcontrolo = 4.92, SD = 1.93,
Mexperimental = 3.83, SD = 2.14; t(78) = 2.42, p = .018, d = 0.54. Ou seja, os dados
suportam a hipótese de que o tratamento é eficaz.

34
 JASP
T-Tests:
Independent Samples T-Test

35
 JASP
No menu “Independent Samples T-Test”:

Arrastar a coluna com a variável dependente para a caixa superior à direita

Arrastar a coluna com a variável independente para a caixa inferior, também à direita

Seleccionar as caixas “Effect size” e “Descriptives”:

Effect size
Descriptives

36
 Exercício
Usando os dados da replicação de Topolinski e Sparenberg (2012) que Wagenmakers e
colaboradores (2015) conduziram (dados usados na primeira aula e disponíveis em Data
Library->T-Tests->Kitchen Rolls), teste a hipótese de que a condição experimental afecta os
scores na versão reduzida do inventário de neuroticismo, extroversão e abertura à
experiência (NEO PI-R).

Reportem os resultados da vossa análise segundo as normas APA

37