Análise Estatística

Visão Geral

Conduza testes de hipóteses (testes t, ANOVA, qui-quadrado), regressão, correlação e análises Bayesianas com verificação sistemática de suposições, tamanhos de efeito e relatórios no estilo APA. Defina o estimando e as unidades de amostragem, diagnostique as limitações do modelo e relate as estimativas de efeito com incerteza. Telas numéricas não podem certificar suposições ou validade científica.

Quando Usar Esta Habilidade

Use esta habilidade quando:

• Conduzir testes de hipóteses estatísticas (testes t, ANOVA, qui-quadrado, não paramétricos)
• Realizar análises de regressão ou correlação
• Executar análises estatísticas Bayesianas
• Verificar suposições e diagnósticos estatísticos
• Calcular tamanhos de efeito e conduzir análises de poder
• Relatar resultados estatísticos em formato APA
• Analisar dados experimentais ou observacionais para pesquisa

Instalação

Tem como alvo Pingouin 0.7.0, SciPy 1.18.1, statsmodels 0.15.0, PyMC 6.3.2 e ArviZ 1.3.0 (revisado em 2026-10-01). Crie um ambiente separado; não adicione pilhas científicas incompatíveis entre si a um ambiente de projeto compartilhado.

uv venv --python 3.12 .venv-statistics
uv pip install --python .venv-statistics/bin/python "pingouin==0.7.0" "scipy==1.18.1" "statsmodels==0.15.0" pandas matplotlib seaborn
# Optional Bayesian examples:
uv pip install --python .venv-statistics/bin/python "pymc==6.3.2" "arviz==1.3.0"

No Windows, use .venv-statistics/Scripts/python.exe. Bloqueie o ambiente resolvido para reprodução.

• Pingouin 0.7 corrige correções errôneas para medidas mistas/repetidas, ANOVA categórica e outros resultados; não reproduza uma análise antiga apenas alterando sua versão relatada. Veja o changelog oficial.
• Pingouin 0.6+ nomeia p_val, cohen_d, CI95, p_unc. ttest relata Cohen's d absoluto; calcule uma estimativa assinada explicitamente. Sua coluna power é o poder observado e não deve ser usada para interpretar um resultado nulo.
• correction='auto' escolhe Welch por tamanhos de amostra desiguais, não por evidência de variância. Defina correction=True para inferência Welch pré-especificada.
• PyMC 6 retorna um xarray DataTree. ArviZ 1 usa ci_prob em summary/plot_dist e prob em hdi; especifique intervalos de 95% explicitamente. Veja orientações Bayesianas.
• Pingouin omite BF10 para testes t unilaterais; probabilidades direcionais posteriores não são fatores de Bayes. Um BF10 bilateral usa seu próprio modelo/prior e não é o contraparte Bayesiano de um modelo Welch de variância desigual.

Para APIs específicas de modelo (OLS, GLM, ARIMA), consulte a habilidade statsmodels. Para fluxos de trabalho PyMC, consulte a habilidade pymc.

Fluxo de Trabalho de Análise

Use o seguinte fluxo de trabalho, documentando decisões pré-especificadas e desvios exploratórios.

1. Formule a pergunta antes de tocar nos dados. Declare a hipótese, as variáveis de resultado e preditoras, e o desenho (independente vs. pareado, número de grupos). Especifique o efeito alvo, a unidade de amostragem, a dependência, os contrastes e a família de multiplicidade antes da seleção orientada pelo resultado. Rotule a exploração adaptativa explicitamente.
2. Inspecione os dados. Por grupo: n, média, DP, mediana, valores ausentes. Plote os dados brutos (histogramas ou box plots) antes de qualquer teste. Tamanhos de grupo desiguais, ausência de dados, efeitos de piso/teto e outliers alteram qual teste é apropriado — apresente-os ao usuário em vez de trabalhar silenciosamente em torno deles.
3. Selecione o teste usando a referência rápida abaixo, ou references/test_selection_guide.md para desenhos além do básico (contagens, tempo até o evento, confiabilidade, fatorial).
4. Verifique as suposições com scripts/assumption_checks.py. Interprete gráficos e telas juntamente com o desenho e o estimando; não mude de teste automaticamente em um limite de valor p diagnóstico. Relate análises de sensibilidade justificadas e quaisquer desvios do plano.
5. Execute o teste e sempre compute o tamanho do efeito junto com ele — um valor p avalia a incompatibilidade com o modelo nulo; a estimativa do efeito e sua incerteza apoiam julgamentos sobre a importância prática.
6. Relate usando os modelos APA abaixo, incluindo descritivos, estatísticas exatas, tamanhos de efeito com ICs e as verificações de suposições realizadas.

Se o usuário precisar apenas de uma etapa (por exemplo, "quantos participantes eu preciso?"), pule diretamente para essa seção — mas ainda confirme as suposições do desenho em que o cálculo se baseia.

Guia de Seleção de Testes

Referência Rápida: Escolhendo o Teste Certo

…