WILLIAM E. MAGNUSSON Coordenagéo de Pesquisas em Ecologia Instituto Nacional de Pesquisas da Amiaz6nia GUILHERME MOURAQ. Embrapa Pantanal Empresa Brasileira de Pesquisa Agropecudria ESTATISTICA SEM MATEMATICA A ligagao entre as quest6es e as andlises editora PLANTACopyright © by Wiliam E, Magnusson Capa, projeto aréfco e dlagramagio ‘VISLALITA PROGRAMAGAO VISUAL, Impress GRAFICA REGENTE EDTORA PLANTA wine eorapanta.comtr (69) 3357-1108 / 9102-4600 Fis se SParanos, 128 «Sl 25 BDBI-270 «Leto PR Dacios de catalogagdo na Publicagéo (CIP Internacional M21e Magnusson, Willan E Estatistca sem materia : a igagdo entre as questtes e as andlises / Wiliam E Magnusson, Guilerme de Miranda Mouro, - Londra :ediora Planta, 2005 1938p. sik; 230m ISBN 85-902002-2-1 1. Estatistca. Mourdo, Guilherme de Miranda. Titulo IsBN 85-902002-2-1 Depésito Legal na Bibloteca Nacional = Inpesso no Bras Printed n raat 2008DEDICATORIA Para Graeme Caughley, cua flosofia permeia este Ivo, mas que infelizmente no viveu para o enriquecer com seu estilo ndomdvel de escrever. con AGRADECIMENTOS ‘Multas pessoas contribuiram para o desenvolvimento deste lrvro, principalmente nossos alunos. Entetamo,somente poems menconar unas poucas pessoas que contra no estgio ‘inal da obra. Sua estrutura geral foi concebida durante a estadia de um de nds (W.E.M.) na Universidade de Grin, Austra, oragas a interven de Carta Catterall e Marc Her ea balsa de pés-doutorado recebida da CAPES. Mike Dale revisou a versao em Inglés e corrigiu muitos dos deslizes gramaticals, estatisticos e flascticos. A verséo em Portugués se beneficiou das. ‘evisties culdadasas de Helena Bergalo, Isis Medri, Agostino Catella e de uma multidao de cestudantes de nossos cursos. 0 livro teria \evado muito mals tampo a ser publicada se ndo {osoe pelo empenti, apoio e confianga da noso itor faim Rodrigues.iNDICE Capitulo 1 Introdugao 1 0 que é delineamento amastra!? 6 0 que esperamas que vocé obtenha deste Ivo 10 Capitulo 2 Fluxogramas e questées cientificas 15 Construindo a hip6tese nical 16 Tiés tioos de estudo 20 1. [sto 6 real? 20 2. Qual é a forma e magnitude do efeito? a1 3. 0 que acontecerd se as condigées mudarem? 2 Qual o tamanho do problema? 23 Para onde ir? 24 Capitulo 3 Descrevendo a natureza:convengées "cientificas" algumas técnicas titeis 25 Repetigdes geradas no computador 32 Capitulo 4 Quanta evidéncia 6 necessaria? 33 Qual a qualidade da informagao? 34 Capitulo 5 Quando improvavel significa bem possivel a Como os livios de texto contam a estéria? a? Como os estatisticas contam observagSes independentes? 49 mais fécil compreender 0 mundo se ndo vito de cabega para baixo 50 Capitulo 6 Gomo evitar acumular o risco em comparagées simples. 53. Com que tipo de risco estamos preocupados? 53 Usando a variabilidade para reconhecer uma diferenga 55 Uma premissa importante 58 Partigdo das variancias - 60 Capitulo 7 Andlises para um mundo com todas as tonalidades 63 Encaixotando 0 mundo 64 Descrevendo um mundo retiineo @ O quanto 0 modelo se ajusta? 69Capitulo 8 Capitulo 9 Capitulo 10 Capitulo 11 Capitulo 12 Capitulo 13 Problemas do mundo real: mais de um fator Fatores simuiténeos Adicionando variabiidades repartidas Checando premissas com gréficos de parciais Interagdes Quais variaveis analisar? Inteligéncia artificial Variéveis fantasmas geradas por computadores Modelos complexos Estimando efeitos diretag Estimando efeitos indirgtos ‘Algumas pedras na andlise de caminhos Endireitando o mundo com transformacées: e outros truques Estimativas por tentativa e erro sem transformaco Outros métodos atipicos Modelos gerais lineares Verossimilhanga maxima Problemas ¢ armadihas da estimativa néo-inear Andlise multivariada: cortando as arvores para enxergar methor a floresta Graficos de gradientes Gradientes hipotéticos Mais do que uma dimensao Andlises de vetores "eigen" ‘A forga da cultura: testes de significdncia Discriminando entre grupos Categorias que se ramificam como érvores Selecionando variéveis Saber 0 que queremos antes dé comegar Como escrever melhor de tras para frente Esquema conceitual simples Detalhes aborrecidos, mas importantes, Questdes do tipo "Por qué" Uma palavra final /naice Remissivo de Assuntos Referencias BibllogréticasCAPITULO 1 [ A ultima coisa que o mundo precisa 7 é de mais um livro de estatistica INTRODUGAO A tilima coisa que 0 mundo precisa é de mais um lio de estatistca. Existem dezenas deles, a que os estatisticas podem recorrer, quando necessério, Muitos so escritos com esto e leveza. Entéo, para qué dois ecélogos, que se sentem especialmente incompetentes em matemitica, se arriscariam a escrever um livra que trata de conceites de estatistica? Uma das razes 6 que temos, jé por alguns anos, lecionado um curso um pouco “diferente” de estatistica bésica, especialmente enderecado para estudantes de pés-graduagao em ecologia, e, de alguma forma, este curso tem revolucionado a habilidade estes estudantes em comunicar seus resultados de pesquisa (Magnusson 1997). Entretanto, néo usévamos nenhum liv texto para acompanhar este curso ¢ estudantes e professores sempre nos cobravam um. A outra razéo é que nos demos conta de que nosso curso vem servindo princjpalmente para remediar falhas acumuladas na formagao dos estudantes (Magnusson 1997). Gastamos um tempo enorme para ensinar conceitos bésicos que os estudantes desaprenderam durante seus cursos bésicos de estatstioa ‘Tukey (1980) j4 percebera que "Os estudantes que nunca foram expostos a estatistica confirmatéria parecem aprender a estatistica exploratoria mais prontamente." Os maiores erros no delineamento amostral resultam de nao se levar em conta, conceitos basicos de lagica que muitos estudantes levarlam, se sua atencdo nao tivesse sido desviada pela matemdtica das estatisticas, Platt (1964) colocou isto de forma eloqiente na seguinte passagem, traduzida um pouco livremente: "Vocé pode capturar um fendmeno em uma malha légica ou matematica. A légica 6 uma malha grossa, mas forte. A matematica é fina, porém fragil. A matematica é uma forma bonita de embrulhar um problema, mas nao pode reter sua esséncia, a nao ser que ela tenha sido capturada na malha ldgica desde 0 comego". Guttman (1985) se referiu a isso como “contingente e conteudo". aesvatoric sen warewbcn E claro que esperamos poder ensinar algum contetido atraés da memética, porque alguns conceitos estatisticas/matematicos podem nos ajudar a ver o mundo mais claramente, Contudo, estes no so os conceitos enfalizados Nos cursos regulares de estatistica. Os estudantes freqiientemente nos perguntam porque os cursos regulares de estatistica néo tratam destes assuntos, A resposta é que eles trata. Se voc8 pegar as primeiras paginas de cada capitulo de qualquer bom livro de estatistica e colocé-las junto, elas contariam uma histéria muito semelhante & que contaremos neste livro, Outros autores tém se dado conta da necessidade de passar aos lelores uma visdo geral que coloque as diferentes andlses estatisticas em uma mesma ordenagao légica. No final do primeiro capitulo de seu livro Harris (1975) escreveu 0 seguinte: "Para que ler 0 resto deste livro? Podemos considerar que se um estudante de doutorado em psicologia entendeu plenamente os conceltos Contidos nesta seo, os quais se baseiam apenas em bom senso, entéo este estudante atingiu cerca de 90% da habllidade necesséria para interpretar estatisticas muttivariadas.* Contuda, poucas pessoas Iéem o primelro capitulo de Harris ou de qualquer outro lvro de estatstica. Um pesquisadr esté interessado nas interagdes de muitos fatores e alguém diz “vocé precisa de regressdo miltipla (ou andlise de componentes principais, ou anédlise de varléncia fatoril, ou outro procedimento aparentemente complicado), entao va para a pagina 365." 0 autor do livro deve ter tido muita dor de cabeca para apresentar a seqiiéncia légica, que gradativamente levaria ao entendimento necessério para se usar a informagao apresentada na pagina 365. Contudo, poucos irdo ler @ obra pagina por pagina. Nenhum dos autores deste livro leu qualquer outro livro de estatistica do principio ao fim, na ordem em que os autores apresentaram o contetido. Mas gostarlamos que vocés lessem este lvro desta forma e portanto fizemos nossos capitulos bastante curtos. Este livo trata da estatistica basica e delineamento experimental que os estudantes precisam para entender a literatura ecolégica. Quando dizemos “estatistica basica" nao queremos dizer ficar tirando ao acaso bolinhas coloridas de um saco, ou usar andlise de variancia para comparar as taxas de crescimento de ‘sorgo em Canteiros com trés niveis diferentes de fertilizantes. Estas questdes nao so bésicas, sdo triviais. Em nosso curso usualmente gastamos 3 dias (24 horas-aula) para preparar os alunos para simples comparagées de médias, mas. isto ndo 6 0 ponto final. Se denois de 10 dias, o estudante ndo entender as bases de regressbes ‘miultiplas, andlise de variancia fatorial, estatistica multivariada e “andlise de caminhos", ele néo seré capaz de ler a iiterdura. E preciso estar “alfabetizado" para aprender o ] [ conhecimento académico. Ha muitos niveis pelos quais se pode abordar uma matéria e a escolha da abordagem é uma decisdo pessoal ® criticamente importante, Para lustrar a nassa escolha, vamids apresentar duas analogias bem emocionais. Se voce desejasse aprender a respeito de armas de fogo, poderia comegar tomando aulas de balistica e engenharia de materiais. Qu vocé poderia ler os folhetos dos fabricantes de armas e aprender como a posse de armas fara vooé se destacar socialmente € tornd-lo(a) mais atraente para 0 sexo oposto. Entretanto, nds comegarlamos ensinado que armas de fogo foram projetadas para matar pessoas ou animais e que ha consideragdes éticas e prdticas em relagdo ao seu uso. Um fisologista pode praticar sexo para obter dados ou amostras, ¢ investigar a quimica da reprodugdo, Revistas populares ensinam que o intercurso sSerual & um meio de atingir um status social elevado e que disnor de muitos parceiros é motivo para orgulho. Nos comegarfamas 02 -cioiwo1 INTRODUGAS dizendo que o intercurso sexual tem as fungdes basicas de servir de meio de comunicacdo entre duas pessoas e, eventualmente, fazer bebés. No estamos dizendo que nosso ponto de vista ¢ melhor ou mais abrangente que os demais, apenas que ele é 0 mais importante para nés. Acreditamos que tratados mateméticos sobre estatistica sdo to importantes quanto engenharia de materiais ou fisiologia intracelular, porém, talvez n€o sefa o melhor caminho para levar estudantes a ddominarem o conhecimento necessério para usar aestatistica de uma forma pratica na interpretagdo de dacs, A estatistica, da mesma forma que armas de fogo e revistas sobre sexo, pode ser uma ferramenta para promover identidade cultural. Entretanto, acreditamos que o uso da estatistica como uma ferramenta de anélise de dados e como meio de comunicagao entre pesquisadores 6 0 melhor ponto de partida. se ‘vocé deseja uma abordagem reducionista, leia Winer et al, (1991) ou Harris (1975). Se vocé quer usar a estatistica como uma forma de distingui-lo entre seus pares na academia, pode ler capitulos individuais de qualquer livro-texto de estatistica ou, melhor ainda, o texto inteiro de Dytham (1999), Mas se deseja uma alternativa a estas opgdes, este ¢ 0 livro correto para voc8. Talvez voc8 néo precise realmente deste livro. Se vocé resoonder "sim" para todas as questées que aaparecem na TABELA 1, voo8 domina os principais conceitos necessdrios para planejar pesquisas e pode se imergir na malha delicada da matemética. Infelzmente, a maioria das pessoas que respondem "sim" para todas as questées da tabela 1 simplesmente 0 fazem por néo serem capazes de perceber 0 quanto desconhiecem Mais perigosos ainda, séo os que acreditam que 2 matemeética pode suprir a falta de conhecimento dos conceitos referidos na tabela 1. Se 0 pesquisador néo compreendeu bem estes conceitos, nenhuma quantidade de férmulas tediosas resolvidas & mao, ou em miraculosos programas de computadores e nem mesmo um monte de teoremas matematicos pode tornar o seu trabalho ttl. Este livro no pode fazé-lo competente em todos os aspectos abordadas na tabela 1. Na verdade, oderiamos escrever um livro inte a respeito de cada um. Concordamas inteiramente com Harris (1975), quando diz que “ainda no encontrou alguém que tenha adquirido dominio em qualquer area da estatstica sem ter realizado muitas andlises com dados reais ~ preferivelmente dados realmente importantes para esta pessoa". Contudo, podemos passar para os leitores uma introdugao aos conceitos. Um dos problemias com os livros de estatistica é que eles foram escritos por estatisticos. Um estatistico é aquele tipo de pessoa que enxerga 0 mundo em termos de abstragdes matemdticas e que se sente confortdvel com conceltos que no tém contrapartida no mundo real (Guttman 1985), embora tenham descoberto ha muito tempo que o dominio da estatistica so vem apés uma base em amostragem e inspegdo dos dados brutos (p.ex. Deming 1975, Tukey 1980). 03esaoion se waTEO8 EA una suena ura) Vocé esta preparado para comegar a coletar os dados de sua pesquisa? ‘Se voed responder "sim" para todas as perguntas abaixo, entéo nao precisa ler este lvro (01. Voc® decidiu qual é 0 objeto de seu estudio (varkével dependente)? (02, Sua variével dependente pode ser medida objetivamente e voo8 perguntou a outros pesquisadores se eles cconsideram sua medida “objetiva"? 03. Voc8 consultou os outros membros de sua equipe de pesquisa para se certificar que todos tém os mesmos Propésitos? (04, Voce esborou um ciagrama de fluxo que mostra quals varidveis influenciam a varvel dependente @ as relagies entre as variéves independentes? (05. Tocios os membros de sua equipe estéo coletando dados na mesma escala € nos mesmos lugares, de forma que seja posse integrar os dados ao final do estudo? (06. \océ decidiu qual é 0 seu universo de interasse e todos os membros da equipe concordam cor isso? 07. Vocé desenhou um mapa ou um diagrama conceitual que mostra onde/quando suas amostras serdo fellas em relagdo ao seu universo de interesse? 08. ocd desenhou grafices de pontos hipotéticos, mostrande o nimero de observagées independentes, a variabilidade nos dads e a magnitude dos efeitos que vacé espera encontrar? 09. Vocé otimizou o tamanho, forma, orlentagdo ¢ distribuiggo de suas unidades amostrais de tal forma que a variabllidade na variével dependente seja principalmente devida &s varidveis independentes que voo8 esta estudando? 10. Sua amastragem esté na mesma escala que suals) questéo(Ges)? 11. Vocé decidiu se esté interessado em efeitos diretos, indiretos ou em efeltos gerals? 12. Voce decidiu se seus resultados serdo usados para determinar se existe um efetto, para determinar a magnitude do efeito nas condigdes presentes, ou se para predizer 0 que aconteceré se as condigdes mudarem? 13, Voc se sente conflante de que sus formagéo em estatistica ¢ suficiente para tomné-lo capaz de realizar todas as ‘operagées mencionadas acima? 14, ood se sente confiante de que sua formagéo estatistica preparou vocé para escolher a andlise apropriada para responder sua questéo, antes que voc8 comece a sua coleta de dados? 15. Se voo# respondeu sim para a questo 14, vocé consultou um estatistico, mostrando a ele os resultados de todas as operagies menclonadas acima, para se certlicar que vocé ndo esté apenas enganando a si proprio? 16. 0 uso das eslatistioas e andlises que vocé esoolheu o ajudaré a se comunicar com sua audiéncia? Nosso cursa basicamente segue as recomendagdes da “American Statistical Association/Mathematical Association of America joint curriculum committee” (veja Moore 1997: Fig. 1).A maior diferenga € que nés ensinamos os conceitos usando graficos simples e, quando necessério, analogias. Enquanto os cursos regulares de estatistica gastam um dia explicando os conceltos e 9 dias afogando os estudantes em matemética, nosso curso emprega 10 dias na exploragao de conceitos em relagdo as téonicas e andlises mais freqientes na literatura ecoldgica, e deixa a matematica para cursos subseqiientes ou estudo individual, Esta abordagem funciona bem tanto para estudantes que nunca tveram um curso de estatistica, quanto para 04 _culo 1 INTRODUGAG estudantes e profissionais que ja tiveram cursos avangados. Alguns dos nossos alunos mais entusiastas sao responsavels por ministrar cursos de estatistica para estudantes universitérios. A maioria manifestou vontade de aprofundar seu conhecimento de matemética e muitos disseram que gostarlam de repetir os cursos de estatistica que fizeram anteriormente. Este efelto ¢ Muito diferente do que o provocado pela maioria dos cursos tradicionais de estatistica, que tendem justamente a aumentar a fobia 4 matematica, geralmente presente nos bidlogos. Em defesa dos bidlogos, lembramos que ha muitas formas de inteligéncia e a proficiéncia em matemética ¢ apenas uma delas (Goleman 1995). Enfatizamos bastante a comunicagao. Um dos nossos problemas com técnicas estatisticas é que cada disciplina tem ‘suas escalas de amostragem e tipos de andlises caracteristicas. As agéncias financiadoras de pesquisa vém pressionando cada vez mais os pesquisadores a submeter projetos integrados, que sdo usualmente chamados de interdisciplinares ou multidisciplinares. Nestes projetos, o lider precisa reunir as contribuigdes de diferentes pesquisadores, preocupando-se em organiz4-las de modo que a proposta final tenha coeréncia e unidade. Usualmente, o lider néo tem experiéncia nos diferentes campos de estudo do projeto “integrado”, e aceita os delineamentos amostrais apresentados por seus colegas. Isto faz com que as equipes de pesquisa trabalhem no mesmo local, freqiientemente lado a lado, o qué nao implica, necessariamente, em uma andlise integrada dos dados, Algumas vezes, a criagdo de bancos de dads, 20 invés da interpretagdo deles, passa a sero objetivo principal dos projetos (Hale 1999). Em conseqiéncia, a mailoria dos estudos [ é publicada independentemente em revistas especializadas € os resultados ] integrados, que as agéncias financiadoras esperavam, nao aparecem. ‘Muitos cientistas so pessoas com dificuldades no trato social, que néo gostam de serem vistos por seus pares como sendo diferentes. Neste caso, “pares” significa outros cientistas que militam na mesma discipina © no os calegas do grupo “inlegrado”, Eles véem a estatistica como um troféu cultural ao invés de um melo de comunicagéo de informagdes objetvas, Salsburg (1985) vai a ponto de se referir A estatistica como uma religio. 0 lider e os membros mais esclarecidos do grupo freqiientemente se deparam com a dificil tarefa de convencer os demais a ajustarem seus esquemas de amostragem em fungdo dda questo global que esta sendo estudada e néo as padronizagoes de cada disciplina, E provavel que o lider do grupo sela Ccompetente poltica e soctalmente, mas com pouco preparo em matematica ou estatistica, Provavelmente,ele/ela tem apenas uma vaga idéia de como integrar os dversos protocolos de amostragem e menos idéla ainda das conseqliéncias matemaéticas, de nao integré-los. Uma solugdo simples seria lider do grupo fazer cursos avangados de matemética e estatistica e simultaneamente, manter seus contatos politicos ¢ postergar 0 inicio do projeto até quando se sentisse matematicamente competente, Isto seria o mesmo que exigir que um operério industrial ganhe a vida pescando: pode funcionar na teoria, mas néo vai parecer certo quando a familia comecar a passar fome. Este livo foi elaborado para fomecer aos lideres e participantes de projetos integrados, informagdes suficientes para que eles entendam a necessidade e as limitagdes de protocolos de amostragens efetivos, sem tentar transforma-los em mateméticos profissionais. Todos os conceites so apresentados com 0 minimo de matemitica: sé fornecemos o necessério para que 0 pesquisador seja canaz de se comunicar com um estatistico quando julgar oportuno 0 aconselhamento especializado ¢ para entender o jargéo que outros membros da equipe tenam memorizado, 05Esoaisnick Seu auTeuion Assumimos que os leitores podem interpretar cura 1 réficos simples como o da figura 1, que descreve algumas medidas de altura de um grupo de homens ¢ mulheres \Vamos tentar mostrar que os testes estatisticos mais itis produzem resultados que podem ser interpretados em termos de gréfioos simples como este, Delineamento amastral e caélculos estatisticos no so necessérios se as & informagées origins puderem ser ciretamente exoressas @ em gréticos bidimensionais. No entanto, arecitamos que os z conceitos por detras de muitas das andlises estatisticas e os resultados que elas produzem, podem ser ensinados graficamente e escrevemos este livro para tentar conveno8-* los disto. HOMENS — MULHERES 0 que é delineamento amostral? Delinear uma amostragem é coletar os dados de forma que ] [ vocé tenha uma boa chance de tomar uma boa decisao. m grande parte, depende apenas do bom senso, mas ainda assim, nos capitulos seguintes, vamos mostrar alguns exemplos de como modelos simples podem ajudar a revelar padrées que a principio estavam escondidos. 0 delineamento amostral pode ser téo critico, que pequenas diferengas nos procedimentos de amostragem fazem com que ele soja apropriado ou néo para responder determinada questi. O pior é que mutas vezes no nos damos conta disto. Considere, por exemplo, a estéria @ seguir, Uma espécie de sagii ocorre apenas em uma reserva @ acrecita-se que sua populagéo esta am deciinio. Algumas pessoas sugeriram que a espécie ocorre em maior densidade nas partes da reserva com maior densidade de érvores e isto tem implicagSes em termos das ages de manejo ecessdrias para a conservagdo da espécie em questo. AS autoridades responsdveis pela protegdo da vida silvestre encomendam um estudo de 2 anos para determinar o quanto as densidades do sagiii esto associadas com as densidades de érvores e se a populacio do tal sag esta realmente em dectnio. 0 bidlogo A é contratado e decide fazer uma contagem dos sagilis @ das érvores seguindo parcelas alongadas, que atravessam a drea em estudo. Ele faz uma contagem no primeiro ano € uma segunda no ano seguinte, para comparar a densidade de sagliis entre anos. Os diagramas da figura 2 mostram os dados crus obtidos pelo bidlogo A em seus levantamentos, onde cada sagii aparece simoolizado por um *x" ¢ cada érvore por uma bola, @ os gréficos da figura 3 mostra como ele apresentou seus dados as autoridades.ATL 1 INTRODUGAO pura 2 ANO1 ANO2 Na figura 3a nao vemos nenhuma dferenga convincente nas densidades do sagll entre as anos de estudo. Contudo, na figura 3b podemos observar uma forte tendéncia das densidades do animal serem malores onde as densidades de rvores sao maiores. FiguRA 3 50 - 50 a : b 40} * ee 4 40 . 2 39 . J 3d Q . . & 20 ‘ 20] . 10 . ° 10 . . a 4 1 1 Q 1 2 40203040 ANOS ARVORES ‘Vamos imaginar que uma organizagaa conservacionista suspeitasse das intengGes do governo e contratasse a bidloga B para fazer um estudo independente enderegado em responder as mesmas questées. Ela usa um delinearenta 4esuisicn sem uaTeUANCS FOURA 4 ANO1 ANO2 amostral quase idéntico, exceto que alinha suas parcelas numa diregdo perpendicular em relagdio aos transectos do bidlogo A (figura 4). Seus resultados, apresen- tados na figura 5, indicam uma diferenga conwincente nas densidades do animal entre os anos, mas uma relagdo fraca ou fom.5 inexistente entre as densidades do animal e das plantas (igura 5b). 3 3 7 Os dois bidlogos chegaram aconclusées completamente opos- tas. Contudo, a diferenga no delineamento amostral fol apenas a diregdo das parcelas. Na verdade, G ° asl: =: ° 0s dois bidlogos estudaram os mesmos dados. Criamos este : exemplo superpondo as parcelas 1g 1 2 “07520 25 alongadas sobre 0 mesmo dia- ANO ARVORES grama, mostrado na figura (6), . sendo a diregao das parcelas a Unica diferenga que atribuimos entre os delineamentos amostrais dos dois bidlogos. 25) 25} 20} ° 20) SAGUIS Nenftum dos bidiogos foi mais correto do que 0 outro. 0 delineamento do bidlogo A fol superior para detectar a relagdo entre plantas e animais do que o usado pela bisloga B, mas um esquema diferente de ‘amastragem, baseado em parcelas quadradas ou circulares poderia ser igualmente efetivo. 0 delineamento usado pela bidloga 8 foi superior para detectar diferengas entre anos e 0 uso de parcelas circulares ou quadradas ou qualquer outro formato menos alongado nao seria adequado para responder esta questio.conto! INTRODUGAG FguRA 6 ANO 1 ANO2 Em situagdes como esta, onde ha um forte gradiente nas densidades através da érea a ser amostrada, a orientagao, forma e tamanho das unidades amostrais iréo determinar as quest6es que podem ser respondidas. Caughley € Sinclair (1994: Capitulo 12) fornece exemplos para vertebradas, Stern (1998), para plantas, e Johnson et al. (1999) cliscutem como amostrar caracteristicas de habitats. Krebs (1998) oferece uma discussdo sobre aspectos gerais de forma ¢ tamanho das unidades amostrais. ‘Mesmo quando no ha gradientes fortes, como no nosso exemplo, sempre hd uma escala em que os organismos esto agrupados. Nao podemos nos estender muito em como selecionar as unidades amostrais neste lio. Entretanto, a menos que a forma e 0 tamanho das unidades amostrais soja apropriada para uma determinada questo, nenhuma das técnicas estatistias, nem as mais sofisticadas, que discutiremos nos préximos capitulos, teréo utiidade para ravelar padres da natureza ou comunicar resultados de pesquisa. Tukey (1980) enfatizou que "Encontrar a pergunta certa 6 freqiientemente mais importante do que encontrar a resposta certa" Nao podemos ajudar muito os leitores neste aspecto crucial, j4 que formular questies realmente interessantes envolve insight, experiéncia e curiosidade. Mas no basta que as perguntas sejam interessantes. Eas precisam ser "respondiveis', no sentido de que devem dar origem a hipdteses que possam ser refutadas (veja capitulo 6). Perguntas do tipo “existe vidé depois ca morte?" sto evidentementeinteressantissimas, mas desafiam a mente humana a derivar hipdteses refutaveis. Perguntas como estas se situam além da ciéncia e da fisica atual, sao metafisicas ¢ a biologia é repleta de questées metafisicas. Formular perguntas interessantes ¢ respondiveis arte. Mesmo assim recomendamos a leitura de Tukay (1980) e Guttman (1985), para aqueles que desejam uma orientagao adicional neste topico. 0 delineamento amostral diz respeito 4 compreensao de conceitos que sao importantes a cada passo no processo, desde o planejamento, execucgdo, andlise e publicagao. Este lira no € como os livros regulares de estatstica, embora nao traga nada que nao possa ser encontrado nos livros regulares, se souberem onde procurar. Também nao éEtaoin seu maewtnca um manual de um programa de computador (veja Oytham 1999 para uma introdugao @ computacao estatistica). Este lio cobre apenas os prinofpios mais gerals que os pesquisadores precisam entender para usar as estatisticas convencionais de forma inteligente, ‘Nao tentamos ser completos. Na verdade, acreditamos que este livro sera tanto mais citi! quanto mais assuntos deixarmos de fora dele. Nés sofremos cada vez que decidimos excluir um ponto importante ou detalhes interessantes, mas nossa experiéncia indica que muita informagéo retarda o aprendizado e a compreensdio de conceitos. Uma vez armado destes onceltos 0 pesquisador pode rapidamente descobrir os detalnes. Nao cobrimos os tépicos que a maioria das pesquisadores parecem entender. Escolhemos aqueles que os pesquisadores e estudantes tém cificuldade em entender em seus cursos regulares de estatistca, e que causam a maioria dos problemas de comunicagdo entre pesquisadores. Além disso, fomecemas O minimo de referéncias possivel, j4 que a maior parte do que veremos aparece em qualquer bom livro-texto de estatistica, embora quase sempre téo escondico que a maioria dos leitores simplesmente néo pode encontrar. Muitos de vocés podem simplesmente ignorar a maioria das citagées, jé que elas podem clstrair a atengdo dos conceitos mais importantes. Contudo, 0s professores estéo convidados a se referirem a literatura original, ao invés de nossos sumérios necessariamente breves e incompletos. A literatura que citamos é fortemente enviesada em dirego a abordagens conceituais e floséficas, ao invés de em técnicas mateméticas, exceto talvez, na segdo sobre estatistica multvariada, devido A complexidade especial deste t6pico. O que esperamos que vocé obtenha deste livro HA conceitos importantes que constituem a base da maior parte da comunicagéo cientifica, Para comunicar estes conceits preferimos usar evemplos mas, ocasionalmente,tivernos de usar alguns célculos. Recomendamos que 0 leitores no se acanhem diante deles, porque esto sendo usados para passar conceitos importantes. A ordem em que apresentamas os captulos neste livro 6 igeiramente diferente da ordem em que os apresentamas em nosso curso, J que em sala de aula, a presenga do professor com todo seu carisma permite uma organizagéo menos metédica da matéria a ser apresentada. Talvez aqueles leitores que também sejam professores de cursos de estatistica, ou de delineamento amostral, queiram comegar com o capitulo 13 "Dicas para prot CAPITULO 2. *Fluxogramas ¢ questées cientificas". Através de todo o livo iremnos nos referir a diagramas que descrevem hipdteses écoldgicas. Nenhum teste estatistico pode ser interpretado, sem que esteja relacionado a um ‘luxograma, embora talver os leitores no possam entender isto até o final do capitulo 10. Neste estagio, fluxogramas séo importantes para forgé-lo @ ser explicito a respeito de seus objetivas e ajudé-lo a comegar a compreender a diferenga entre as variéveis que causam efeito (variéveis independentes) e variéveis que séo afetadas (varidveis dependentes). Ainda no capitulo 10, ha, também, uma breve discussao da importancia da escala em ecologia, o que é relacionado a problemas discutidos ja no capitulo 2. [ weeaitoraplanta.com.br | 10 .curt 1 INTRODUGAO CAPITULO 3. "Descrevendo a natureza". Este é 0 capitulo mais parecido com livros convencionais de estatistica. Entretanto, néo se preocupem muito com as formulas. O importante € que vocé compreenda que alguns conceitos como "desvio padréo" podem ser visualizados em gréficos enquanto outros, como "variéncia, néo io faceis de se visualizar. Nés exploramos 0 "erro padrao" para ensinar alguns outros conceitos em nosso curso (veja "Dicas para professores'). De qualquer forma, ndo ha necessidade de se memorizar formulas, também aquelas técnicas que envolverem conceitos dificeis de serem visualizados em graficos serdio exalicadas por analogias nos capitulos subseaiientes. 0 capitulo 3 & mais importante como uma introdugao a0 cconceito de "desvio" e por fomecer uma base que permita ao leitor interpretar a literatura. Esperamos poder convencé-los de que 2 maioria da estatistica "descritiva’ obscurece os dados mais do que os revelam, € esperamos apresentar (reapresentar) a vooés a ferramenta de comunicacao clentifica mais importante, o grafico de dispersiio (gréfico de pontos ou “scatferplot’. CAPITULO 4. "Quanta evidéncia é necesséria? Este capitulo apresenta a relagao entre a forga da inferéncia e 0 numero de pontas em um grafico de dispersdo. Discute também sobre informacdes que néo aumentam a forga de nossas inferéncias, 0 que ficou conhecido entre os ecélogos como “pseudo-repetigéo" (no Inglés “pseudoreplication’). Aqueles que freqientam a literatura cientifica precisam aprender reconhecer, ou pelo menos suspettar de pseudo-repetigées espacias, temporais, flogenéticas e técnicas. Precisam entender que nenhuma observacao é intrinsecamente valida ou uma pseudo-repeticéo. Isto depende inteiramente da questo que esta sendo formulada, CAPITULO 5. "Quando improvével significa bem possivel”. Aqui apresentamos a flosofia popperiana, que esta por tris da maioria das correntes de pensamento predominantes na estatistica, Nao é possivel entender a estrutura da maioria dos testes estatisticos, a menos que se entenda os conceitos sob uma perspectiva popperiana. Ela é também a base para "dendragramas de decisées" e outros procedimentos cientifioos que sequer envolvem céleulos matematicos. Ciéncia sem flosofia é uma coisa perigosa, ¢ 0 mesmo se dé com a estatstica CAPITULO 6, "Evitando riscos em comparacdes simples", introduz a andlise de variancia simples (ANOVA) para fatores categdricos. Aqui, pela primeira vez neste livro, discutiremos explicitamente erros do tipo Il, que, embora freqlientemente sejam mais importantes do: que erros do tipo |, raramente so considerados nos testes estatistioos. Nossa discussao sobre erros do tipo Il é breve, assim, se voe8 néo gostar das implicagdes de se cometer estes erros, recomendamos a leitura de alguns dos trabalhos que citamos neste capitulo. Embora a ANOVA de um fator seja apresantada como uma forma de evitar a acumiulagao de riscos, 0 conceito mais importante a ser assimilado € simplesmente a possibilidade de repartir a variabilidade entre o fator atuante € 0 residuo. Os leitores precisam compreender este conceito, ou néo seréo capazes de entender qualquer técnica estatistica usual. Por este motivo, procuramos apresenté-lo em gréficos simples, ¢ rogamos que se detenham sobre eles 0 tempo necessdrio para absorvé-lo completamente. nestuisicn sea mareuion CAPITULO 7, “Andlises para um mundo com todos as suas tonalidades” trata de uma. "ANOVA" com fatores continuos, que geralmente & chamada de regressio, Neste capitulo vacés deverdo aprender que o mundo consiste de varidveis continuas ¢ que converter varidveis continuas em categorias quase sempre & contra-produtivo @ fregiientemente, enganador. Entretanto, aprenderdo que o conceito de uma tinica partico da variabilidade nos dads em suas fontes de variagdo, se aplica tanto para as variévels categéricas quanto para as continuas. Na verdad, a ANOVA de fatores categérioos, que é referida nos livros de estatistca como "Andlise de varincia’, nada mais é do que um caso especial de regressao. Hé outras maneiras de se atacar questées de apenas um fator, mas, para néo quebrar a seqiéncia ligica, a deivaremos para 0 capitulo 11. Isto néo seria necessario dentro de sala de aula (veja “Dicas para professores"). y CAPITULO 8. "Problemas do mundo real: mais do que um fator." Este titulo é uma [ wwweditoraplanta.com.or | Dequena pretensdio de nossa parte. Na verdade, este ainda néio é o “mundo real’, ¢ 0 titulo apenas mostra que modelos mais complexos usualmente so requeridos para comegar a responder questdes ecolégicas. Infelizmente, muitos pesquisadores acreditam que estas andlises modelam situagdes do mundo real. As andlises aqui empregadas ainda séo baseadas em modelos lineares simples & atitivos, que permitem uma particao Gnica de efeitos entre os fatores. Nao passe para os capttulos sequintes ‘enguanto néo estiver confiante de que compreendeu 0 concetto de alocagéo das variancias entre diferentes fatores, © 0 conceito de interagéo entre fatores. CAPITULO 9. "Quais vardveis analisar?" Provavelmente ndo respondemos esta questo neste capitulo. A engenhosidade @.a experiéncia necesséria para a selecdio étima das varidvels sto parte da arte do naturalista e ndo podem ser ensinadas nos livros. Contudo, usamos os conceitos aprendidos nos capitulos ¢ exemplos anteriores para mostrar aos leitores 0 que no devem fazer para selecionar variéves.. CAPITULO 10, "Amarrando as coisas", continua a utiizar modelos lineares acitives para madelar 0 mundo. Porém, aqui mostramos que, exceto em situagdes extremamente simples e freqiientemente triviais, néo existe uma variablidade tinica que pode ser atribuida a cada fator. Este capitulo deve comunicar, sem sombra de dtvida, a importancia dos diagramas que foram descritos no capitulo 2. 0 leitor deve compreender as diferengas entre efeitos diretos, indiretos e gerais, e porque nenhumn teste estatistica pode ser interpretado sem que esteja relacionado cam um fluxograma, CAPITULO 11. “Endireitando o mundo: transformagGes e outros truques." Pela ldgica, este t6pico deveria vir em seguida 20 capitulo 7, como fazemos em sala de aula. Entretanto, em um livro isto poderia distrair 0 leitor da discusséo sobre as técnicas de alocagao de varidncias, que é a base de cerca de 90% da estatistica encontrada na literatura cientiica. As técnicas descritas neste capitulo usam uma variedade de métodos para estimar os pardmetros que descrevem nossos modelos matematicamente, ¢ eles freqlentemente podem lidar com curvas 12 -Cuiwlo 1 INTRODUGAD complexas. Porém, elas tém sido pouco usadas, porque geralmente nao permitem a alocagao da varigncia entre as fontes e nio podem ser usados para se determinar a importancia relativa de cada fator, a ndo ser que lancemos méo de simulagies complicadas usando computadores, au nos contentemos em dividir os fatores em categorias de “signficantes® ¢ *néo signficantes” Talvez, depois de compreender todas as limitagdes das técnicas de alocagdo de variéncias, os pesquisadores mais avancados comecem a considerar seriamente o emprego de técnicas de simulagGes para refinar seus modelos. CAPITULO 12, “Andlise multivariada.” Diz-se que “os tolos correm por caminhos onde os prudentes vo passo-a-passo” Infelizmente, os inexperientes também correm para a estatistica multvariada. Muitos estudantes (e seus orientadores) pensam que a estatistica multvariada é um remédio para todos os males. Freqiientemente, estudantes podem gerar enormes matrizes de dados que impressionamn a maioria das pessoas, mas que em muitos casos néo tém repetigies suficientes nem para o exame de um tnico fator. Entretanto, se um estudante intui um padréo na relagéo de diferentes variéveis, através do exame de gréticos ou tabelas, e busca este padro usando técnicas multivariadas, 6 possivel que 08 resultados néo sejam apenas um artefato estatistio. Mesmo que os estudantes ndo pretendam utilizar técnicas multvarladas, precisam compreender seus principios gerais, para serem capazes de entender a literatura. Tentamos mostrar os principios gerals sem revisar @ matematica envolida, apontar as dificuldades mais comuns. Os leitores deverdo ser capazes de pelo menos conceituar a relagda entre dimensdes “antasmas” e gradientes reais antes de terminar com esta sessao, CAPITULO 13 “Como escrever melhor de trds para frente,” Uma das partes mais diffceis da pesquisa é apresentar suas conclusdes de maneira légica de modo que os leitores possam ver a relagao entre a questo, os gréficos € as conclusdes, O uitimo capitulo impresso fornece sugesties de como fazer isto. Para aqueles que iréo adotar este livro em sala de aula, o suplemento cas para | ores” apresenta a seqiiéneia de aulas que funcionau {_ melhor em nossa experiéncia ¢ também fornecemas exemplos que podem ser | usados nos exercicios de classe. | Beers > | wnmeditoraplania.com.br | BCAPITULO 2 Ciéncia é uma arte, e arte é e comunicagao ] Fluxogramas e questdes cientificas Ciéncia é uma arte, e arte é comunicagao, Um pintor vé uma paisagem e determina o que ele quer retratar (p. ex. harmonia, quietude, grandiosidade) e representa esta qualidade essencial em duas dimensGes, usando cor, textura e forma, Dependendo da escola a que o artista pertenga, ele pode querer transmit algo a respeito da paisagem ou de si mesmo, ou ‘ambos. Um cientista faz quase a mesma coisa, 0 eosiogo, olhando para a paisagem, pode pensar em reduzi-la a uma qualidade essentcial (p. 6x, competicao, mutualismo, restrigdes fisicas, metabolismo) e representa esta qualidade em duas dimenses, usando palavras, gréficos e formulas malematicas. Muitas vezes o cientista acredita que sua representagdo da realidade & “objetiva’ @ a dnica que uma pessoa racional poderia fazer. Contudo, cedo ou tarde ele aprende, alravés de sua experiéncia pessoal cu pelo estudo da histéria da ciéncia, que sua representagdo é apenas parcial e que est distorcida pelos fitros de sua cultura ¢ de sua época. Assim, ele considera alternativas e terta calcular a probabilidade de estar errado. Este processo é formalizado na matematica da estatistica inferencial. Em cigncia, espera-se que o autor esteja comunicando mais sobre a paisagem do que a respeito de si mesmo, A principal contribuigéo do lider de um grupo integrado de pesquisa é a elaboragao de um diagrama bi-dimensional da sistema que esté sendo investigado. Varnas chamar este desenho de "“fiuxograma’. Contudo, um engenheiro chamaria isto de “andlise de sistemas", enquanto um psicblogo flaria em "modelos causais". Ecdlogos freqiientemente fazem “andlises de caminhos" (Path Analyses). Os detalhes desses métodos néo importam no momento. 0 importante ¢ entender que diferentes pessoas enfrentando problemas complexos fazem uso de técnicas similares e essas técnicas nao sdo propriedade de uma ou outra discipiing. Ha uma arte para fazer fluxogramas e algumas regras bésicas, mas apenas a pratica leva & competéncia. Nés descobrimos que dos modelos complicados, os fluxogramas so os mais féceis de serem entendidos pelos estudantes e, portanto, é um bom lugar para se comegar a tralar da complexidade da natureza. Alguns estudantes mais avangados e Drofessores de cursos de bioastatistica podem querer procurar em Higashi e Burns (1991) outras maneiras de conectar elementos dos ecossistemas. 6UWIMO2 FLUXOGRAMAS E QUESTOES CIENTIFICAS Comece por decidir 0 que vocé est4 estudando. Isto precisa ser alguma coisa mensurdvel. Conceitos complexos como “qualidade ambiental’, “estado de conservaco"e “justiga social" néo tém dimensbes, ou pelo menos néo tém dimens6es que podem ser reconhecidas pela maioria des pessoas e por isso néo serio Uteis. O que é que realmente se deseja medir? ualidade amibiental poderia significar condigGes que propiciem longas expectativas de vida para seres humanos, condigies que propiciem a seres humanos uma ampla variedade de atividades ao ar livre, condigSes que permitam a perpetuacao de ‘comunidades de animais ou plantas que existiam no local quando as populagdes humanas eram pequenas, ou qualquer outra de uma multidao de condigdes que qualquer pessoa considere indicativa de “qualidade E preferivel envolver toda a equipe no processo de decisto sobre quais sao as questoes do estudo, mesmo quando aparentemente as questdes tenham sido determinadas pela agéncia financiadora. Esta parte do estudo 6 usualmente a mals dificil e, por essa raz, é evitada na maioria das propostas. Nao ha questes implicitas ou dbvias em um projeto de pesquisa. se 2 questo nao foi [ explicitamente colocada, significa que o lider do projeto est4 confuso, ou é incompetente, ou pior ainda, desonesto. Sao palavras duras, mas a consegiléncia de questies vagas ¢ 0 desperdicio de tempo, dinheiro ¢ credibilidade dos cientistas. Hobbs, (1988) apresenta um fluxograma engracado, mas ao mesmo ‘tempo trdgico, que representa a contribuigo de pesquisas ecolégicas na tomada de decisbes. Cada délar desperdigado em uma pesquisa ruim, poderia ser usado para salvar vidas de criangas carentes. Temos trabalhado em paises e regides pobres € admitimos que nos tornamos intolerantes com esforgos de pesquisa desperdigados. H4 multos textos sobre processos de decisio disponiveis nas livrarias e nao vamos nos alongar neste assunto. Uma boa introdugao a esta discussdo pode ser ‘encontrada em Tukey (1960, 1980) e no capitulo 1 de Caughley e Sinclair (1994). Uma discusséo mais “estatistica" dos problemas na selegdo das questdes e medidas em estudas integrados pode ser encontrada em Osenberg et al. (1999). Vamos assumir que a questo ou a varidvel a ser investigada ja foi determinada e focalizar o problema de decidir o que pode afetar esta varidvel e de que maneira. Construindo a hipdtese inicial Voce pode comegar com a premissa de que qualquer coisa é conectada com tudo 0 mais e tentar colocar tudo em seu modelo, Isto € andlogo a um escultor querer colocar uma montana inteira sobre o seu pedestal - uma perda de tempo. Por ‘outro lado, voce pode montar um sistema tio simples que ele no tenha mais semelhanga com 0 mundo real e, ovamente, lesperdigar esforgos. Nosso modelo deve ser simples o suficiente para ser manejavel, mas complexo o suficiente para capturar a idéia central do problema, Esta 6 a arte do cientista, Uma boa discusséo sobre construgo de modelos pode ser encontrada em Starfield e Bleloch (1991). Os leitores que se sentem confortaveis com uma matemética um pouco mais complexa podem 16 -stisnca se uaeuaricn consultar Burnham e Anderson (1998). Contudo, estamos interessados em um nivel muito mais geral do que estes autores e € COnstrugdo de modelos é uma [ arte que vem com a experiéncia. Nao se envergonhe se seus primeiros modelos no parecerem bons. Mesmo urn modelo ruim ¢ itl, nem que seja para mostrar as limitagdes do pesquisador ou de seus dades. Neste capitulo, € no resto deste livro, iremos tratar de modelos € suas premissas. Por vezes, a construgao de modelos aparenta ser um proceso técnico. Entretanto, modelos envolvem conceitos filoséticos mais complexos do que a matemética. Apresentamos duas citagies de Allen (1998), que refletem também o nosso ponto de vista filoséfico, “Modelos, que nao passam de réplicas dos sistemas reais, néo podem ser a representagao fiel dos sistemas em todas as situagdes. Portanto, todos os modelos s4o erréneos, no sentido de diferirem das observagdes. Obviamente, a nogao de certo ¢ errado nao serve para nada em modelagem, e dizer que um modelo, que tenha sido construido com logic € consisténcia, ¢ acertado ou erréneo, ndo ver ao caso... Todas as premissas so falsas em algum nivel, portanto, a corregéio das premissas estd fora das possibilidades, e também néo vem ao caso". A ciéncia nd diz respeito penn & obtengao de respostas para tudo; refere-se a PEIXES encontrar situagdes onde se possa ir adiante com # uma premissa ~ ¢ ainda conseguir que 0 modelo DENSIDADE tenha alguma utilidade. Se vocé espera respostas POLUICAO, DE LAGOSTINS absolutamente certas para todas as questées, sugerimos que abandane este livro e procure suas % of respostas na teologia. FITOPLANCTON Vamos comegar com um exemplo simples, relacionado com uma questo ecolbgica (figura 7). A mesma légica pode ser aplicada a estudos em outras escalas, como em experimentos laboratorias sobre fisiotogia ou questies sobre padres biageograficos em escalas continentais Este fluxograma 6, obviamente, uma simplificagdo téo grande, que ndo permite a andlse na presente forma, Mas, ainda assim, vamos usé-lo para discutir 0s mecanismos de construgéo de um diagrama. Este fluxograma preliminer & importante porque ilustra a hipétese inicial e as premissas. Vocé obviamente esta interessado na densidade de uma espécie de lagostim, presumivelmente porque ole tem importéncia comercial ou por estar sendo considerado como ameagado de extingZo, ou alguma autra razo que justtique os gastos. Caso se descubra que os membros da equine néo esto de acordo com a questo geral, vocé daveria repensar o problema antes de suameter & proposta, Exatminando 0 fluxograma mostrado na figura 7, descobrimos que @ equipe acredita que os fatores mais importantes que estdo afetando a densidade do lagostim sao 0 fitoplancton, a poluigéo do corpo d'agua e peixes v7predadores. Espera-se que experiéncia, informagéo da literatura e bom senso sejam usados para decidir quais os fatores mais importantes a serem estudados. mithares de outras coisas que potencialmente podem ser importantes, como predagdo por aves, tipo de substrato e doencas, nao foram incluidas. Esta ¢ uma decisao subjetiva e os pesquisadores podem estar errados. Entretanto, eles corajosamente mastraram quais fatores eles acreditam” ser prioritérios para a pesquisa, e os leitores podem facilmente ver quais fatores foram deixados de fora. Eles serao criticados por muitos bidlogos de escritério, que exortardo a necessidade de Inclusdo de indmeras outras, variévels que poderiam ter algum efeito sobre o lagostim. Este é 0 prego da honestidade e integridade, Além disso, alguns dos revisores podem até tecer criticas realmente construtivas ‘A primeira coisa a notar no fluvograma, é que as sotas indicam a diregao do efelto, Uma seta com pontas nas duas extremidades indica que cada uma das variéveis influencia a outra. Se néo hé pontas de flecha no trago que une duas variaveis, indica que elas variam conjuntamente, mas nenhuma afeta diretamente a outra. Embora teoricamente possivel, nenhuma destas duas situagies util para modelagem e 0 leitor deveria procurar uma terceira variavel que explique a relagdo, AA figura 8 mostra uma correlagfo, que pode ser substituida pela figura 9. Se duas varidveis tém uma relagdo causal, como aparece na figura 10, deveriamos ser capazes de Incluir um ou mals fatores que explicassem esta causalidade, da forma exemplficada na figura 11 RENDA pm 2 FLUXOGRAMAS E QUESTOES CIENTIFICAS EDUCAGAO ta EDUCACAO Se SAUDE EDUCACAO SAUDE Six i a FicuRA B CAPACIDADE PROFISSIONAL AGUA 9 CAPACIDADE PROFISSIONAL ouna 10 CAPACIDADE PROFISSIONALsisi seu MaEWATICR Este exercicio resullou em fuxogramas que mostram os fatores que Julgamos importante para o processo em. estudo € 0 que afeta o que. E claro que todos | EDUCAGAO runs 17 os modelos apresentados até agora ESCOLARIDADE HIGIENE CAPACIDADE demandam ainda muito trabalho e pode ser PROFISSIONAL aificil admitir que eles sao vitais como ponto de partida de estudos cientficos. Eles néo sto | “sofisticados" no sentido original da palavra, que era “desnecessariamente complexos", @ SAUDE néo contém aqueles hieréglifos que usualmente associamos com textos. entficas, como" P<" ou" x2=..." Surpreendentemente, estes diagramas sto necessérios para interpretar a maloria das andlises estatisticas. Os estudos cientficas investigam uma, ou algumas vezes muitas, das flechas de um fluxograma. Raramente ocorre dé 0s pesquisadores investigarem todas as setas de seus modelos, mas sem o diagrama é dificil enxergar onde o estudo se encaixa dentro de todo o esquema. Veremos, também, que sé podemos determinar a validade da maioria das andlises estatisticas se soubermas onde elas se encaixam no fluxograma, Retornando 20 exemplo do lagostim, vemos que sua densidade presumivelmente depende de muitas outras variéveis. Isto justifica sua designagao de "variavel dependente” no jargao estatistico. Entretanto, podemos notar que algumas das outras varidveis em nosso modelo (chamadas de "variaveis independentes") sdo, de fato, dependentes umas das outras. Isto pode complicar nossas analises. Além disso, algumas das varidveis que afetam diretamente a densidade dos lagostins produzem também efeitos indiretos, porque elas influenciam outras varidveis que afetam a densidade do lagostim. Por exemplo, a poluigao afeta diretamente a densidade do lagostim, mas também afeta indiretamente, porque a poluigdo afeta os peixes, que afetam a densidade do lagostim. Existem técnicas estatisticas para lidar com efeitos indiretos e varidveis independentes quando elas néo so realmente independantes umas das outras, ‘como as descritas no capitulo 10, mas, por favor, néo pule para este capitulo ainda. Raramente poderemos satisfazer as premissas destas andlises e a maioria dos pesquisadores de sua equipe estara focalizada em partes limitadas do seu diagrama. Antes, precisamos considerar os diferentes modos dos pesquisadores estudarem as setas que Ihes cabem do clagrama, porque a maioria destes mods néo contribui para gerar os dados necessérlos para a andlise estalstica do fluxograma global. 19cvilo? FLUXOGRAMAS E QUESTOES CIENTIFICAS Trés tipos de estudo 1. ISTO E REAL? A questéo basica, ¢ freqiientemente a Unica questo de muitos estudos, 6 verifcar se um efeito existe. Isto equivale a erguntar se nés deverfamos mesmo inclur esta seta em nosso diagrama. Pode parecer simples provar que um efeito existe, mas nada é to simples assim. Alguns poucos cientistas calculam a probabilidade de que a seta exista, langando mao da estatistica Bayesiana, ¢ sem diwvda os cientistas adeptos da estatistica Bayesiana tém faclidade de se comunicar com polticos @ com 0 piblico em geral. Albert (1997) nos da uma explanagao fécil de ser digerida de como a estatistica Bayesiana pode ser sada para responder questées simples. Entretanto, a estatstica Bayesiana néo é facil de se entender au calcular (Moore 1997), € Guttman (1985) refere-se a ela coma “uma cura pior do que a doenga'. A maioria dos testes estatisticos, dos textos de estatistica e dos programas estatistioas para computadores sao baseados em técnicas freqlentistas e calculam a probabilidade de a seta néo exist em nossos fluxogramas. Isto est longe do que o senso comum indiceria como o procedimento l6gico ro € 0 tipo de probabilidade com que a maioria das pessoas se sente & vontade. No entanto, a maiaria dos testes estatsticas que os membros de sua equipe irdo usar sera baseada em técnicas frequientistas (6. na flosofia Poppertana). Portanto, se 0 leitor nao ¢ familiarizado com a filosofia Popperiana, deveria ler 0 capitulo 6. E importante entender que freqiientemente os testes estatisticos mals poderasos nao respondem a questo “0 efeito normalmente existe?”, mas sim & questio “Se todas as outras variéveis forem mantidas constantes, a mudanga desta variavel produz algum efeite?”. Estes testes consideram apenas os efeitos diretos, tomnando os efeitos indiretos impossiveis de serem acassados, porque constrangem as outras variéveis,tratando-as como constantes. Esta diferenga nao ¢ trivial. Alguns fatores que néo tém efeitos diretos nas varidveis-resposta podem ser muito importantes no mundo real, ¢ algumas variévels que normalmente tém um pequeno efeito direto, dificil de ser detectado em campo, podem ter grande potencial para a medicina ou agricultura, se seus niveis puderem ser manipulados artiicialmente A maneira mais convincente de mostrar que efeitos diretos estao atuando é através de um experimento que manipule 0 sistema, de forma que apenas as variaveis estudadas possam influenciar o resultado. Diz-se que os resultados destes experimentos permitem uma “inferéncia forte” (sensu Platt 1964), ja que as varidveis que poderiam estar confundindo os resultados foram eliminadas. Contudo, os resultados obtidos podem nao ter muita relevancia para 0 mundo real (p. ex. Carpenter, 1990) os ecdlogos sertio sempre capazes de sugerir um ou mais fatores provéveis de desempenhar algum efeito (Tukey 1991, Johnson 1999), mesmo que estes efeitos nao tenham muita importancia nos sistemas nao manipulados. O lider € os membros do grupo precisam se assegurar de que as questdes formuladas por cada um dos pesquisadores da equipe sejam relevantes para a questao geral. 20 «STISTIA SE MTEMATICA 2. QUAL E A FORMA E MAGNITUDE DO EFEITO? Descobrir que um efeito é ou néo diferente de zero freqllentemente no é muito ctl (p. ex. Resenthal e Rubin 1994). A segunda fase da pesquisa freqtientemente lovanta questies a respeito da forma da relagao existente ou que se presume exist, A maioria dos modelos é construida sabre relag6es lineares simples ou linearizadas e nosso fluxograma reflete isto. Poderiamas achar que, para cada peixe prédador acrescentado ao sistema, reduzimos a densidade do lagostim em trés individuos por metro de riacho. Mas, um resultado simples como este & improvavel. Muitos estudos ecoldgicos tém mostrado que o efeita de predadores sobre as densidades das presas no é simplesmente uma fungi linear de suas densidades. Caughley e Sinclair (1994: Capitulo 11) formecem muitos exemplos. Lagostins em pequenas densidades podem ndo ser suficientes para manter populagdes de peixes. Em altas densidades de lagostins, a populagao de peixes pode ndo ser limitada pela disponiblidade de aimento, mas por outros fatores, como, por exemplo, a densidade de seus proprios predadores. ‘Muitas varidveis que afetam processos bioligicos se comportam desta forma, néo produzindo efeitos em baixos riveis, efeitos positivs em nives intermedirios e efeitos negativos em niveis elevados.A figura 12 mostra a relacéo entre a temperatura e a proporgéo da populagao em atividade de um inseto hipotético, Pensem quantas relagdas em seu campo de estudo reagem desta forma, E importante conhecer a forma da relagao entre as variaveis para decidir como vamos incorpord-las em nosso modelo, se devemos mudar as unidades de medida das varidveis (ou seja, transforma-las), ou se vamos decidir investigar ‘apenas uma gama limitada de condigdes, antes que possamos aplicar a maioria dos testes estatisticos ou técnicas de modelagem. Na verdade, 6 dbvio que precisamos de informagao sobre a forma da relagao antes de testar se um efeito existe. Se compararmos os niveis de atividade do inseto a 5°C e a 20°C concluiremos que a temperatura tem pouco ou nenhum efeito, 20 passo que se compararmos a atividade entre 5 € 15°C, concluiremos que a riguna 12 temperatura tem um efeito muito forte. Este problema é freqiiente quando so aplicados testes para verficar a existéncia de fendmenos com premissas incorretas quanto ao formato da relagdo ou quando 0s pesquisadores néo investigaram todos os niveis posstveis do [ATIVIDADE ('h) fenémeno. Vamos considerar 0 5 40 15 20 mais sobre estas questées nos TEMPERATURA (C) capitulos 7 € 9. a 25