Conteúdo principal
Matemática EM: Estatística
Curso: Matemática EM: Estatística > Unidade 1
Lição 6: Modelagem estatística- Introdução à modelagem de experimentos
- Modelo de experimento de pares correspondentes
- A linguagem dos experimentos
- Princípios da modelagem de experimentos
- Modelos de experimento
- Amostragem aleatória versus atribuição aleatória (escopo de inferência)
© 2023 Khan AcademyTermos de usoPolítica de privacidadeAviso de cookies
Modelo de experimento de pares correspondentes
Modelo de experimento de pares correspondentes.
Quer participar da conversa?
Nenhuma postagem por enquanto.
Transcrição de vídeo
RKA7MP - No último vídeo,
nós construímos um experimento para testar um medicamento
que, supostamente, controlava o açúcar no sangue. Nós olhamos para algo que pudéssemos medir como indicador de açúcar no sangue. No exemplo, nós utilizamos
a hemoglobina A1c. Caso você não saiba o que é, temos um vídeo
inteiro sobre isso na Khan Academy. Mas é uma medida que indica a média
de açúcar no sangue, e ela é referente ao período
de cerca de 3 meses. Nós construímos um exemplo que tinha um
grupo controle e um grupo de tratamento, e nós distribuímos, aleatoriamente,
pessoas tanto para o grupo controle quanto para o grupo de tratamento. E para garantir que ambos os grupos
não acabassem com o caso de desequilíbrio,
nós tomamos algumas providências. Fizemos o delineamento em blocos
para garantir uma distribuição uniforme no que
diz respeito ao sexo. E nós mediríamos os níveis de A1c
antes do experimento e depois do experimento, após uns 3 meses, para poder checar se houve uma diferença
significativa entre os grupos. Nós discutimos, também, que poderíamos
fazer isso de modo que os pacientes não soubessem qual pílula
eles estavam recebendo, se era placebo ou de tratamento
com o medicamento. Então, seria um experimento cego. Também discutimos que até mesmo
os enfermeiros ou médicos que estão
administrando as pílulas também poderiam não saber qual pílula
estavam dando e, neste caso, seria
um experimento duplo-cego, mas isso não significa que seja uma
experiência perfeita. É pouco provável que consigamos
o experimento perfeito, e é por isso que temos que replicar os
experimentos que realizamos para que outras pessoas tentem testar
a mesma coisa e ter mais certeza dos nossos achados. Pode ser de diferentes formas, mas até
mesmo a maneira que nós projetamos ainda há a possibilidade de que
haja alguma variável à espreita, Por exemplo, nós tivemos o cuidado
de garantir que a distribuição de homens e mulheres fosse representativa
dentro dos grupos. Mas talvez, devido à amostragem aleatória, teremos um número desproporcional
de jovens no grupo de tratamento
ou no grupo de controle. E, talvez, os jovens respondam melhor
ao tomar a pílula, talvez, devido à sua fisiologia ou algum
outro motivo. Por exemplo, talvez, pessoas mais velhas
quando tomam a pílula decidem comer pior porque eles acham
que as pílulas vão resolver todos os seus problemas. E, assim, podemos ter diversas outras
variáveis à espreita, como idade, nacionalidade e outros
tipos de coisas que podem influenciar no resultado
de uma forma ou de outra. Agora, uma técnica para ajudar a mitigar
esse problema é o design de pares correspondentes. Ao invés de fazer
o delineamento em blocos, você pode colocar
as pessoas aleatoriamente nos grupos controle e tratamento e,
em seguida, fazemos uma nova rodada de medições. Nesta nova rodada, você muda
as pessoas de grupo. As pessoas que estão no grupo de tratamento
vão para o grupo controle, e as pessoas que estão no grupo controle
vão para o grupo de tratamento. Assim, podemos até mesmo estender
a partir daqui o que eu estou dizendo. Vamos utilizar este esquema de exemplo. Vamos imaginar que temos 50 pessoas
no grupo de tratamento e 50 pessoas no grupo controle. Estas pessoas estão recebendo medicamento e estas pessoas estão
recebendo o placebo. Nós medimos seus níveis de A1c,
então, mudamos. Este grupo que estava no tratamento agora é o grupo controle. Eles recebiam medicamentos, agora,
estão recebendo placebo. E este grupo, que era o controle, agora, se tornou o grupo de tratamento. Antes eles recebiam placebo e, agora,
recebem o medicamento. Depois de 3 meses,
nós fazemos uma nova leitura dos níveis de A1c para ambos os grupos. E a vantagem é que todos estão passando
por ambos os grupos, tanto o controle quanto o de tratamento. Então, estamos mais protegidos contra
variáveis à espreita, como idade, região geográfica,
comportamento, ou qualquer outro tipo de coisa
que possa influenciar no desequilíbrio, ou, de alguma forma,
distorcer os resultados. Acho interessante ver o quanto
é importante pensar sobre esse tipo de coisa, e quais estratégias e delineamentos
nos levam a ter uma melhor chance de obter
uma informação imparcial e real, como no caso de uma experiência
para testar a eficiência de algo ou se uma determinada variável
explicativa, realmente, tem um efeito causal sobre uma
variável resposta.