If you're seeing this message, it means we're having trouble loading external resources on our website.

Se você está atrás de um filtro da Web, certifique-se que os domínios *.kastatic.org e *.kasandbox.org estão desbloqueados.

Conteúdo principal

Modelo de experimento de pares correspondentes

Modelo de experimento de pares correspondentes.

Quer participar da conversa?

Você entende inglês? Clique aqui para ver mais debates na versão em inglês do site da Khan Academy.

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.