O momento em que um estudante abre o programa estatístico, corre o teste final e constata que não consegue rejeitar a hipótese nula pode ser demolidor. Vêm-lhe à memória noites de sono interrompido, questionários partilhados repetidamente e, sobretudo, uma pergunta que não o larga: «E se tivesse recolhido mais dados?» Este cenário é mais frequente do que se costuma admitir e resulta, quase sempre, de uma decisão apressada quanto ao tamanho da amostra. Falar de poder estatístico é, no fundo, falar de prevenção: é a arte de evitar arrependimentos na fase final da investigação.

Ao contrário do que a intuição sugere, o tamanho da amostra não se define «por regra prática» nem «porque o orientador considerou suficientes cinquenta observações». O tamanho ideal — sendo «ideal» o equilíbrio entre recursos disponíveis e probabilidade de detetar efeitos reais — depende de quatro fatores interligados: o nível de significância (α), o poder (1-β), a magnitude do efeito e a variância (ou proporção esperada). Alterar um destes elementos obriga a reajustar os restantes. Trata-se de um sistema de equilíbrios que, uma vez dominado, evita surpresas indesejadas.

O poder estatístico corresponde à probabilidade de detetar um efeito que efetivamente existe. Se β representar a probabilidade de cometer um erro do tipo II (não detetar um efeito real), então o poder equivale a 1 – β. Na prática, quando se afirma que um teste possui um poder de 0,80, isto significa que existe 80% de probabilidade de rejeitar a hipótese nula quando esta é, de facto, falsa. Este valor de 80% não constitui uma regra absoluta, mas consolidou-se na literatura biomédica e nas ciências sociais como o limiar mínimo aceitável. Valores de 0,90 ou 0,95 conferem maior segurança, ainda que exijam amostras mais amplas ou efeitos mais facilmente detetáveis.

A Lógica Matemática por Trás dos Arrependimentos

Considere-se um estudo que compara duas médias independentes — por exemplo, níveis de ansiedade medidos por escalas Likert entre estudantes de licenciatura e de mestrado. Se a literatura indicar um tamanho de efeito (d de Cohen) de 0,5, considerado moderado, e se fixarmos α em 5% pretendendo um poder de 80%, serão necessários aproximadamente 64 participantes por grupo. Reduzir o poder para 70% permite prescindir de alguns participantes, mas aumenta o risco de não detetar o efeito procurado. Elevar o poder para 90% praticamente duplica o número total exigido. Cada ponto percentual representa, assim, uma negociação entre custo e risco.

Nos testes de proporções, a lógica é semelhante. Suponhamos que se estima que 30% dos finalistas de Psicologia apresentam níveis clínicos de stress e que se pretende detetar uma diferença mínima de 10% relativamente ao valor populacional de 20%. Com α = 0,05 e poder de 0,80, serão necessários cerca de 274 estudantes. Nos estudos de regressão múltipla, existem regras práticas (10 a 15 casos por preditor), mas nenhuma substitui um cálculo formal que tenha em conta o R² parcial esperado e a colinearidade. Ferramentas como o GPower, o pacote pwr do R, o PASS, ou os módulos «SamplePower» do SPSS e «Power and Sample-size» do Stata realizam estes cálculos em poucos segundos, desde que o investigador forneça estimativas plausíveis dos parâmetros.

Mas onde obter esses parâmetros? A resposta habitual passa pela revisão da literatura: consultar meta-análises, estudos semelhantes e relatórios estatísticos de organismos oficiais. Quando a informação disponível é escassa, um estudo-piloto com 20 a 30 participantes pode ajudar a estimar a variância ou a proporção inicial, tornando o cálculo mais realista. Convém ainda lembrar que os tamanhos de efeito reportados em artigos científicos tendem a estar inflacionados (o chamado viés de publicação), pelo que optar pelo valor mais conservador dentro do intervalo reportado evita futuros arrependimentos.

Consequências de uma Amostra Insuficiente

O primeiro e mais evidente problema é o erro do tipo II: concluir que não existe efeito quando, na realidade, ele existe. O artigo resultante perde força, o capítulo de resultados de uma tese acaba em «não significativo» e o estudante fica sem uma história consistente para apresentar. Menos visíveis, mas igualmente preocupantes, são as interpretações incorretas baseadas na magnitude do coeficiente estimado. Em amostras reduzidas, os estimadores oscilam consideravelmente — um efeito real de 0,3 pode surgir como 0,8, criando a ilusão de um impacto forte, ou como 0,05, gerando descrédito. Resultados instáveis não se repetem noutras amostras e tendem a não resistir à revisão por pares.

Existe ainda uma questão ética a considerar. Na investigação clínica, recrutar participantes para um ensaio sem garantir poder estatístico suficiente viola o princípio da beneficência, expondo indivíduos a intervenções potencialmente sem efeito comprovado. Nas ciências sociais, o custo é sobretudo de natureza académica, mas não menos relevante: consomem-se financiamentos públicos e horas de orientação em estudos incapazes de responder às suas próprias questões de investigação.

A Fase de Planeamento: Onde se Decidem Sucessos e Arrependimentos

Planeie antes de recolher dados. Os guiões para candidaturas a financiamento e os protocolos de pré-registo (Open Science Framework, ClinicalTrials.gov) exigem um parágrafo dedicado ao cálculo do tamanho da amostra, não por mero formalismo, mas para proteger a investigação de resultados enganosos. Para chegar a este número, siga um percurso em quatro etapas:

1. Defina o desfecho principal (média, proporção, odds ratio, hazard ratio, entre outros).
2. Especifique o tamanho mínimo do efeito clinicamente ou teoricamente relevante — não aquele que espera encontrar, mas aquele que faria realmente diferença se fosse detetado.
3. Escolha α e poder de acordo com as convenções da sua área. Em Psicologia é habitual usar 5%/80%; em Genética, 1%/95%.
4. Introduza a variabilidade esperada (desvio-padrão ou proporção) e deixe o software concluir o cálculo.

Alguns projetos incluem análises intermédias (desenhos sequenciais ou group-sequential). Nestes casos, parte-se de uma amostra mínima e avalia-se o efeito em momentos pré-definidos: se já houver evidência suficiente, interrompe-se a recolha; caso contrário, recruta-se mais participantes. Esta técnica, comum em ensaios clínicos de fase III, poupa tempo e protege os participantes sem comprometer o controlo dos erros estatísticos.

Sugestões Práticas para Evitar Arrependimentos Futuros

A) Acerte nas suposições: utilize o desvio-padrão mais elevado que seja plausível — isto aumenta ligeiramente a amostra necessária, protegendo contra a subpotência.
B) Adicione uma margem de 10% para perdas (questionários incompletos, desistências). É preferível recolher 100 e analisar 90 do que recolher apenas 90 e ficar com 80.
C) Mantenha a transparência: inclua o cálculo no relatório final — isto reforça a credibilidade do trabalho.
D) Resista à tentação dos p-hacks: não compense uma amostra reduzida multiplicando testes à procura de significância estatística.
E) Consulte um estatístico: meia hora de aconselhamento em Stata, SPSS ou R pode poupar meses de correções posteriores.

Ferramentas Disponíveis para os Estudantes

No SPSS, o módulo «SamplePower» orienta o utilizador através de caixas de diálogo intuitivas. No Stata, o comando power (disponível desde a versão 15) cobre cenários envolvendo proporções, médias e modelos de regressão. No R, os pacotes pwr e, mais recentemente, pwr2 oferecem funções simples, enquanto o simr permite simulações em modelos mistos. Todas estas ferramentas geram gráficos das curvas de poder, úteis para convencer orientadores a alargar a amostra quando restrições orçamentais o exigirem.

Para quem prefere interfaces gráficas independentes, o G*Power continua a ser incontornável: gratuito, leve e multiplataforma. Funciona em cinco passos, gera tabelas rápidas e permite gravar os resultados em PDF para anexar a protocolos de investigação.

Entre Significância e Relevância

Mesmo com o tamanho de amostra correto, não basta observar o valor de p. O foco desloca-se para as estimativas pontuais e para os intervalos de confiança. Uma diferença de cinco pontos num teste cognitivo pode ser estatisticamente significativa, mas será pedagogicamente relevante? Use o poder estatístico para garantir a deteção do efeito e o raciocínio substantivo para avaliar o seu real impacto. Um estudo bem planeado oferece ambas as perspetivas.

Considerações Finais: o Planeamento como Investimento

Evitar arrependimentos na fase de resultados não é apenas cumprir uma formalidade estatística — é respeitar o esforço investido, tanto pelo investigador como pelos participantes. O tamanho da amostra e o poder estatístico sustentam a credibilidade de teses, artigos e relatórios técnicos. Quando negligenciados, deixam fragilidades que, mais cedo ou mais tarde, se revelam nas defesas públicas, nas revisões por pares ou na aplicação prática dos resultados obtidos.

Assim, antes de distribuir questionários, programar experiências ou recrutar participantes, reserve tempo com o GPower aberto, a literatura relevante à mão e um caderno de notas. Decida que efeito merece ser detetado, que nível de risco está disposto a aceitar e que recursos pode disponibilizar. Faça os cálculos, acrescente a habitual margem de 10% e só depois avance. O seu «eu» futuro, que meses mais tarde abrirá o ficheiro do SPSS, agradecerá não ter deixado o sucesso do projeto ao acaso. Afinal, entre um artigo que termina com p = 0,18 e outro que revela um efeito claro (ou confirma, com poder suficiente, a ausência de impacto) vai uma diferença considerável entre um trabalho convincente e outro que se perde no ruído da literatura científica.

Nada garante a ausência de surpresas — a realidade é, por natureza, complexa. No entanto, um cálculo informado e honesto do tamanho da amostra reduz consideravelmente a distância entre a expectativa e o resultado obtido. No final, poderá descobrir que precisava de mais tempo ou de mais participantes do que inicialmente pensava. Mas é preferível sabê-lo logo no início, quando ainda há margem para ajustes, do que apenas no final, quando resta apenas o arrependimento. Planeie com rigor hoje para não lamentar amanhã.