O Que Significa Expressivo

Quando um resultado é considerado expressivo

Expressivo, no contexto estatístico e científico, indica que um achado tem significado prático além do acaso. Não se trata apenas de um número pequeno de significância estatística, mas de uma combinação entre tamanho do efeito e precisão da estimativa. O que significa expressivo varia conforme a área. Em medicina, um efeito pode ser considerado expressivo quando ultrapassa o menor efeito clinicamente relevante. Em ciências sociais, às vezes qualquer efeito com p inferior a 0,05 e intervalo de confiança estreito já é chamado de expressivo, o que nem sempre é justificável. Na minha experiência analisando dados de ensaios clínicos e pesquisas survey, resultado expressivo aparece quando o efeito observado é grande o suficiente para fazer diferença real, não só estatisticamente detectável. Lembro de um caso específico: uma pesquisa sobre adesão a tratamento mostrou variação de 2 pontos percentuais com p=0,003 em amostra de doze mil participantes. Tecnicamente significativo. Na prática, irrelevante. Quando conversei com os clínicos envolvidos, ficamos combinados que algo só seria considerado expressivo a partir de quatro pontos percentuais de diferença. Isso mudou completamente a interpretação dos dados. O problema é que muitos relatórios e artigos tratam significância estatística como sinônimo de importância prática. Isso gera uma confusão constante. Um efeito pode ser estatisticamente significativo e clinicamente desprezível ao mesmo tempo. O inverso também acontece: efeito potencialmente importante que não atinge significância devido a amostra pequena ou variabilidade alta.

Como avaliar se um resultado é realmente expressivo

A primeira coisa é olhar para o tamanho do efeito, não apenas para o valor-p. Intervalo de confiança é essencial aqui. Um intervalo largo e que inclui valores clinicamente irrelevantes desqualifica o resultado, mesmo com p baixo. A segunda coisa é o contexto. Qual é o menor efeito que faria diferença na prática? Esse conceito se chama MCD, minimum clinically significant difference em inglês, ou menor diferença clinicamente importante em português. Definir isso antes de coletar dados é o padrão que funciona. Outro ponto que quase ninguém menciona: a direção do efeito importa tanto quanto a magnitude. Um estudo que mostra redução de risco relativo de trinta por cento parece impressionante à primeira vista. Mas se o risco absoluto inicial era de um por cento, a redução absoluta é de apenas 0,3 pontos percentuais. Isso raramente seria considerado expressivo em nenhuma área séria. Números absolutos sempre contam mais que números relativos quando se trata de expressividade prática. Durante anos trabalhei com dados de campanhas eleitorais e enquetes. O erro de amostragem era frequentemente mal interpretado. Quando um candidato aparecia com cinco pontos de vantagem e margem de erro de quatro pontos, os meios de comunicação chamavam isso de liderança expressiva. Tecnicamente era uma diferença dentro da variabilidade amostral. Aprendi a desconfiar sempre de afirmações assim, principalmente quando a margem de confiança era próxima da diferença observada.

Ferramentas para verificar expressividade

Não precisa de software caro para fazer essa análise básica. R com as bibliotecas tidyverse e ggplot2 resolve rapidinho. O pacote broom extrai estimativas e intervalos de confiança de modelos de forma organizada. Em Python, statsmodels e seaborn cobrem o essencial. A maioria das pessoas que precisa desse tipo de análise usa planilhas mesmo. Excel com o suplemento de análise estatística funciona para testes simples, mas limita quando você precisa de ajustes múltiplos ou modelos mistos. Se quiser algo rápido e visual, o pacote visReg do R permite plotar relações entre variáveis com bandas de confiança em dois cliques. Em termos de tempo, uma análise que normalmente levaria duas horas em SPSS ou SAS pode ser feita em cerca de quinze minutos no R, dependendo da familiaridade com a linguagem. O investimento inicial em aprender a sintaxe compensa rapidamente.

Erros comuns que comprometem a análise

O mais frequente é confundir grande amostra com resultado expressivo. Quanto maior o n, menor o p para efeitos cada vez menores. Isso cria uma ilusão de importância. Outro erro é ignorar testes múltiplos. Quando você testa cinquenta hipóteses com limiar de cinco por cento, espera-se encontrar aproximadamente dois ou três resultados significantes por acaso. Chamar todos de expressivos é um erro grave. A correção de Bonferroni é conservadora demais para muitas situações. A correção de Benjamini-Hochberg para taxa de descoberta falsa costuma ser mais apropriada, mas também tem limitações quando os testes são correlacionados, o que é comum em dados observacionais. Não há solução perfeita para multiplicity, mas pelo menos reconhecer o problema já é metade do caminho. Outro detalhe que vejo com frequência: relatórios que mostram apenas valores-p sem apresentar tamanhos de efeito ou intervalos de confiança. Sem essas informações, é impossível avaliar se um resultado é expressivo ou não. Exigir esses três elementos juntos deve ser padrão mínimo em qualquer artigo ou relatório sério.

Quando resultados não são expressivos

Às vezes o resultado simplesmente não se sustenta e precisa ser comunicado assim. Isso não é fracasso. É informação válida. Em uma análise de custeio hospitalar que fiz, a diferença entre dois protocolos de medicação foi estatisticamente não significativo com p=0,18 e intervalo de confiança cruzando a linha de nulidade. A conclusão honesta foi de que não havia evidência suficiente para preferir um protocolo ao outro. Isso orientou a manutenção do protocolo vigente até que dados futuros fossem coletados, sem gastar recursos com mudanças desnecessárias. O problema é que alguns revisores e editores pressionam por "achados positivos". Resultado não significativo é frequentemente tratado como resultado ruim, o que incentiva p-hacking e publicação seletiva. Esse viés é real e prejudicial. Aceitar resultado nulo como produto científico legítimo é uma mudança cultural necessária. Em resumo, resultado expressivo exige mais que um número abaixo de um limiar arbitrário. Exige tamanho do efeito razoável, intervalo de confiança estreito, relevância prática definida a priori e contexto adequado. Nada disso é difícil de verificar, mas exige disciplina analítica que nem sempre está presente nos fluxos de trabalho padrão.