Skip to content
Voltar aos resultados

Análise de Variância (ANOVA)

Proposto por
Ronald A. Fisher
Ano
1925
Tipo
Method
Família
parametric-hypothesis-testing

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

ANOVA é um método estatístico paramétrico desenvolvido por Ronald A. Fisher em 1925 que testa se as médias diferem significativamente entre três ou mais grupos independentes.

Ao particionar a variância total em componentes entre grupos e dentro dos grupos, a ANOVA determina se as diferenças observadas são provavelmente devidas a efeitos de tratamento ou variação aleatória, tornando-a fundamental para pesquisas comparativas em medicina, psicologia, agricultura e engenharia.

A intuição por trás do método

A ANOVA estende o teste t (que compara dois grupos) para múltiplos grupos, examinando a razão da variância explicada pela pertença ao grupo em relação à variância não explicada. Se os grupos diferem verdadeiramente nas suas médias subjacentes, a variância entre grupos será substancialmente maior do que a variância dentro dos grupos (erro aleatório). A estatística F quantifica esta razão: um F grande sugere diferenças genuínas entre grupos, enquanto um F pequeno sugere que os grupos são semelhantes. Esta lógica sustenta grande parte do desenho experimental e da comparação de grupos observacional.

História

Ronald A. Fisher desenvolveu a ANOVA em 1925 enquanto analisava ensaios de campo agrícolas na Rothamsted Experimental Station, procurando testar se os rendimentos das colheitas diferiam entre tratamentos de fertilizantes. Sua inovação particionou a variância e introduziu a distribuição F (nomeada em sua homenagem), revolucionando a estatística comparativa. Kruskal e Wallis (1952) desenvolveram o equivalente não paramétrico (teste de Kruskal-Wallis). O método tornou-se padrão em psicologia, medicina e ciências sociais ao longo do século XX. Extensões modernas incluem ANOVA de medidas repetidas (Mauchly, 1940), ANOVA fatorial (Yates, 1937) e variantes robustas (F de Welch, estimadores de James-Stein).

Quando usar

Use ANOVA ao comparar médias de três ou mais grupos independentes num resultado contínuo. Cenários comuns: testar a eficácia de múltiplas condições de tratamento (educação, medicina), comparar resultados entre categorias demográficas (grupos etários, regiões geográficas) ou avaliar múltiplos braços de intervenção num ensaio aleatório. A ANOVA é ideal quando os dados são aproximadamente normalmente distribuídos e as variâncias dos grupos são aproximadamente iguais. Para dados não normais, considere Kruskal-Wallis (alternativa não paramétrica). Para medidas repetidas (os mesmos sujeitos medidos várias vezes), use ANOVA de medidas repetidas. Para dados aninhados (estudantes dentro de escolas), use modelagem multinível.

Limitações e considerações

  • Assume resíduos normalmente distribuídos; sensível a desvios da normalidade com grandes tamanhos de efeito ou tamanhos de grupo desiguais.
  • Premissa de homogeneidade da variância: variâncias desiguais entre os grupos inflacionam o erro Tipo I. O F de Welch é uma alternativa mais robusta.
  • Teste omnibus: um valor p significativo indica que pelo menos duas médias diferem, mas não especifica quais pares; testes post-hoc adicionam complexidade e penalidades por comparações múltiplas.
  • Sensível a valores atípicos: algumas observações extremas podem inflacionar a variância dentro do grupo e reduzir o poder estatístico.
  • Requer observações independentes; viola as premissas se os dados forem agrupados (por exemplo, estudantes aninhados em turmas) sem ajuste apropriado.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Poderosa para detetar diferenças verdadeiras entre grupos quando as premissas são satisfeitas; mantém uma taxa de erro Tipo I inferior à de múltiplos testes t.
  • Parsimoniosa: testa o efeito geral do grupo num único modelo em vez de realizar muitas comparações par a par.
  • Fornece tamanho do efeito (eta-quadrado) quantificando a magnitude das diferenças entre grupos em relação à variação geral.
  • Amplamente disponível em software estatístico; prática padrão em pesquisa em diversas disciplinas; resultados facilmente comunicáveis.
  • Extensível: base para ANOVA fatorial (múltiplos fatores), ANOVA multivariada (MANOVA), desenhos de medidas repetidas e modelos mistos.

Aplicações

  • Ensaios clínicos: comparar a eficácia de múltiplas dosagens de medicamentos ou tratamentos concorrentes em resultados de pacientes (por exemplo, redução da dor em três braços de tratamento).
  • Pesquisa educacional: testar se o desempenho dos alunos difere por método de instrução, tipo de escola ou background socioeconômico.
  • Ciências agrícolas e ambientais: analisar rendimentos de colheitas, taxas de crescimento ou níveis de contaminantes em condições de campo, tipos de fertilizantes ou regiões geográficas.
  • Manufatura e controle de qualidade: avaliar se as métricas de qualidade do produto variam por linha de produção, lote ou fornecedor.
  • Psicologia e neurociência: comparar desempenho cognitivo, ativação neural ou medidas comportamentais entre condições experimentais ou grupos de diagnóstico.

Como funciona

Como funciona

1

Administre a ANOVA quando tiver uma variável de resultado contínua e uma ou mais variáveis de agrupamento categóricas (fatores). A recolha de dados requer observações independentes de cada grupo e um tamanho de amostra suficiente (tipicamente 5-10+ por grupo). Atribua participantes aos grupos experimentalmente (atribuição aleatória) ou observacionalmente (agrupamento natural). Registe as pontuações do resultado para todos os participantes. Verifique as premissas antes de prosseguir: (1) independência das observações (sem contaminação por clusterização ou medidas repetidas), (2) normalidade dos resíduos dentro de cada grupo (examine gráficos Q-Q ou execute o teste de Shapiro-Wilk), (3) homogeneidade da variância entre os grupos (teste de Levene; p > 0,05 sugere variâncias iguais).

2

Calcule a estatística F da ANOVA particionando a soma total dos quadrados (SQ_total) em soma dos quadrados entre grupos (SQ_entre) e soma dos quadrados dentro dos grupos (SQ_dentro). Calcule: (1) Média geral (média global de todas as observações), (2) SQ_entre = Σ n_i(M_i − M_geral)² onde n_i é o tamanho do grupo e M_i é a média do grupo, (3) SQ_dentro = Σ Σ (x_ij − M_i)² somado entre grupos e observações, (4) Quadrado Médio Entre (QM_entre) = SQ_entre / (k − 1) onde k é o número de grupos, (5) Quadrado Médio Dentro (QM_dentro) = SQ_dentro / (N − k) onde N é o tamanho total da amostra, (6) Estatística F = QM_entre / QM_dentro. O F segue uma distribuição F com (k−1) e (N−k) graus de liberdade sob a hipótese nula.

3

Compare o F calculado com o valor crítico das tabelas da distribuição F ou use software para obter o valor p. Se p < α (tipicamente 0,05), rejeite a hipótese nula: pelo menos dois grupos diferem significativamente. A ANOVA não identifica quais grupos diferem; use testes post-hoc (Tukey HSD, Bonferroni, Scheffé) para comparações par a par. Relate o tamanho do efeito (η², omega-quadrado) para indicar significância prática: η² = SQ_entre / SQ_total; aproximadamente 0,01=pequeno, 0,06=médio, 0,14=grande. O omega-quadrado é menos enviesado para amostras pequenas. Valores p não significativos indicam evidência insuficiente de diferenças entre grupos; não conclua que os grupos são iguais — a ausência de evidência não é evidência de ausência.

Erros comuns

  • Realizar ANOVA sem verificar as premissas, especialmente normalidade e homogeneidade da variância; sempre examine os gráficos de resíduos.
  • Realizar múltiplos testes t par a par em vez de ANOVA e testes post-hoc; inflaciona o erro Tipo I familiar e desperdiça poder.
  • Interpretar incorretamente ANOVA não significativa como evidência de que os grupos são iguais; a falta de significância apenas indica evidência insuficiente para rejeitar a nula.
  • Usar ANOVA em dados de resultado ordinais ou categóricos (use qui-quadrado em vez disso); ANOVA requer resultados contínuos.
  • Falhar em relatar tamanhos do efeito (eta-quadrado, omega-quadrado) juntamente com valores p; a significância estatística por si só não comunica a importância prática.
  • Ignorar tamanhos de amostra desiguais em comparações post-hoc; alguns testes (por exemplo, Tukey) assumem n igual.

Perguntas frequentes

Qual é a diferença entre ANOVA one-way, two-way e de medidas repetidas?

ANOVA one-way testa uma variável independente (fator) com múltiplos níveis (por exemplo, três grupos de tratamento). ANOVA two-way inclui duas variáveis independentes e testa efeitos principais e sua interação (por exemplo, efeitos de tratamento e gênero no resultado). ANOVA de medidas repetidas aplica-se a desenhos within-subjects onde os mesmos indivíduos são medidos várias vezes (por exemplo, antes, durante e após o tratamento); leva em conta a correlação entre observações repetidas. A escolha depende do desenho do estudo e das questões de pesquisa.

Quando devo usar testes post-hoc e qual é o melhor?

Use testes post-hoc apenas após uma ANOVA omnibus significativa para identificar quais pares de grupos diferem. Tukey HSD (Honestly Significant Difference) é padrão para tamanhos de grupo iguais e comparações par a par planejadas, controlando o erro familiar. Bonferroni é conservador (mais rigoroso, menos falsos positivos) para poucas comparações. Scheffé é o mais flexível, permitindo contrastes complexos. O teste de Dunnett é o melhor para comparar múltiplos grupos de tratamento com um único controle. Sempre especifique os testes post-hoc com antecedência; a seleção baseada em dados inflaciona o erro Tipo I.

Como lidar com tamanhos de amostra desiguais entre os grupos?

n desigual não é uma violação se os dados ausentes estiverem completamente ausentes ao acaso (MCAR). O controle do erro Tipo I é robusto sob n desigual. No entanto, testes post-hoc assumem tamanhos de grupo iguais; use valores críticos modificados ou testes alternativos (por exemplo, Games-Howell) para ajustar para variâncias e tamanhos de amostra desiguais. Relate os tamanhos dos grupos explicitamente. Se a ausência de dados estiver relacionada com as variáveis de interesse, considere imputação múltipla ou modelos mistos para lidar com dados ausentes apropriadamente.

O que é eta-quadrado (η²) e como difere de omega-quadrado (ω²)?

Ambos medem o tamanho do efeito: a proporção da variância total explicada pela pertença ao grupo. Eta-quadrado (η² = SQ_entre / SQ_total) é mais fácil de calcular, mas enviesado para cima, especialmente com amostras pequenas. Omega-quadrado (ω² = (SQ_entre − (k−1)QM_dentro) / (SQ_total + QM_dentro)) corrige este viés e fornece uma estimativa menos inflacionada do tamanho do efeito populacional. Para publicação, relate omega-quadrado para precisão. Referências aproximadas: 0,01 = pequeno, 0,06 = médio, 0,14 = grande efeito.

Métodos relacionados

Fontes

  1. Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.

    Abrir referência da publicação
    Copiado.
  2. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

    Abrir referência DOI
    Copiado.