Como comparar valores-p a diferentes níveis de significância

RKA3JV - O que vamos fazer, neste vídeo, é falar sobre nível de significância que é denotado pela letra grega "α" Vamos pensar sobre duas coisas. As diferentes conclusões que você pode tomar baseado em diferentes níveis de significância. Também, por que é importante estabelecer o nível de significância antes de você conduzir um experimento e calcular os valores "p". E isso, francamente, por questões éticas. Vamos a um exemplo para nos ajudar. Rogério ouviu dizer que girar rapidamente ao invés de lançar uma moeda oferece uma probabilidade maior que 50% que a moeda caia mostrando a face da cara. Ele fez um teste e girando rapidamente 10 moedas diferentes, 10 vezes cada uma. Suas hipóteses eram hipótese nula "p" = 0,50, contra hipótese alternativa "p" > 0,50, onde "p" é a verdadeira proporção de giros em que a moeda cai mostrando a face da cara. De seus 100 giros, a moeda caiu mostrando o cara em 59. Rogério calculou que a estatística "p^" = 59/100 = 0,59 tem um valor "p" associado de 0,036. Neste contexto, se antes de conduzir o experimento, Rogério tivesse determinado o seu nível de significância para 0,05, quais seriam as conclusões que ele teria agora? Eu sugiro que você pause o vídeo para pensar nisso, mas já leve em consideração o que seria diferente se o nível de significância considerado fosse de 0,01 também. Agora, é com você! Pause o vídeo e tente descobrir. Primeiro, vamos nos lembrar do que é um valor "p". Você pode ver o valor "p" como sendo a probabilidade de ter uma proporção amostral, pelo menos, deste tamanho de 0,59, no exemplo, se você assumir que a hipótese nula é verdadeira. Se essa probabilidade for baixa o suficiente, ou seja, se ela tiver abaixo de um certo limite estabelecido que é justamente o nível de significância, então, nós vamos rejeitar a hipótese nula. Neste contexto, nós estamos aqui com a informação de que o valor "p" é 0,036. E, de fato, é menor que o valor de "α". É menor que 0,05. E, por causa disso, nós deveríamos rejeitar a hipótese nula. Em uma linguagem do dia a dia, rejeitar a hipótese nula é rejeitar a ideia de que a verdadeira proporção de giros, nos quais a moeda cai com a cara virada para cima é 50%. E ao rejeitar a hipótese nula, dizemos também que temos evidências para a hipótese alternativa, que diz que a proporção verdadeira de giros que leva a moeda cair com a cara virada para cima é maior que 0,05. Mas, e agora? E se o nosso nível de significância fosse menor? Nesta situação, em que o "α" é 0,01, temos o nosso valor "p" de 0,036 maior que o "α". Lembrando que o valor "p" é a probabilidade de ter esta estatística amostral. Assumindo que a hipótese nula seja a verdadeira, isso nos leva a dizer que nós falhamos ao rejeitar a hipótese nula. Mas atenção, porque não rejeitar a hipótese nula dificulta a ideia de assumir a hipótese alternativa. Então, por causa da diferença entre o que você poderia concluir dada a mudança dos níveis de significância é a razão pela qual a extremamente importante determinar o nível de significância antes de realizar o experimento. Você pode imaginar que se você fosse um pesquisador de algum tipo, você quer ter um resultado interessante para o seu experimento. Você quer poder dizer aos seus amigos: ei, minha hipótese alternativa é de fato sugerida, não podemos rejeitar essa hipótese. Ou seja, eu achei algo que de fato faz a diferença. Ou seja, muito tentador para o pesquisador calcular valores e, então, dizer: ah, ninguém vai notar se eu modificar o meu nível de significância. Mas se você fizer algo assim, você vai ser muito pouco ético e técnico. Em vídeos futuros nós vamos tratar da questão: ok, eu estou fazendo a definição do nível de significância antes de tratar do experimento, mas como eu decido o limite com o qual eu devo trabalhar? Deve ser 0,01, ou 0,05 ou 0,1 ou então algum outro valor. Até o próximo vídeo!