Poder Estatístico e Tamanho da Amostra

Visão Geral

A análise de poder planeja a probabilidade de rejeitar uma hipótese nula especificada sob uma alternativa assumida. Ela responde quantas unidades experimentais independentes são necessárias para detectar um efeito cientificamente importante, ou quais efeitos uma amostra viável poderia detectar. Escolha primeiro o objetivo inferencial: precisão, equivalência, não-inferioridade ou monitoramento sequencial exigem seus próprios cálculos; os auxiliares de teste de superioridade agrupados não os cobrem.

Quatro quantidades estão interligadas para qualquer teste específico: tamanho da amostra (n), tamanho do efeito, nível de significância (α) e poder (1 − β). Para um desenho, análise e parâmetros de incômodo fixos, fixar três permite resolver para o quarto quando uma solução existe. Cada cálculo nesta habilidade é alguma reorganização dessa relação.

Esta habilidade abrange as duas maneiras de fazer análise de poder:

• Cálculos de poder analíticos (exatos sob algumas suposições de teste padrão; aproximações assintóticas para outros) — veja references/closed_form_recipes.md.
• Simulação / Monte Carlo (requer um processo gerador de dados crível e uma análise planejada calibrada) — veja references/simulation_based_power.md.

Para escolher e converter tamanhos de efeito — geralmente a parte mais difícil — veja references/effect_sizes.md.

Quando Usar Esta Habilidade

• Determinar o tamanho de amostra necessário antes de coletar dados (análise de poder a priori)
• Encontrar o efeito mínimo detectável (MDE) para um tamanho de amostra fixo e já determinado
• Produzir curvas de poder (poder vs. n, ou poder vs. tamanho do efeito) para uma bolsa de pesquisa ou protocolo
• Justificar um tamanho de amostra para submissão ao IRB, bolsa de pesquisa ou pré-registro
• Potencializar desenhos com tamanhos de grupo desiguais ou alocação não 1:1
• Planejar modelos mistos complexos, GLMs, clustering, sobrevivência, mediação e interações através de simulação quando aproximações mais simples não se encaixam
• Considerar comparações múltiplas, atrito/desistência ou clustering na estimativa do tamanho da amostra

Instalação

Os exemplos locais foram verificados em Python 3.13 com statsmodels 0.15.0, SciPy 1.18.1, NumPy 2.5.3, pandas 2.3.3 e Matplotlib 3.11.2. Use um ambiente separado do ambiente de desenvolvimento do repositório:

uv venv --python 3.13 .venv-power
uv pip install --python .venv-power/bin/python "statsmodels==0.15.0" "scipy==1.18.1" "numpy==2.5.3" "pandas==2.3.3" "matplotlib==3.11.2"
# Optional comparison / survival methods (also checked for current API use):
uv pip install --python .venv-power/bin/python "pingouin==0.7.0" "lifelines==0.30.3"

No Windows, use .venv-power/Scripts/python.exe. Lifelines 0.30.3 requer pandas<3; o pin testado acima o acomoda. Modelos mistos e GLMs estão incluídos no statsmodels. Registre versões e sementes com a saída; testes de fumaça numéricos não estabelecem as suposições de efeito de um estudo ou controle de erro Tipo I.

A única decisão que impulsiona tudo: o tamanho do efeito

Os cálculos de poder são tão confiáveis quanto o tamanho do efeito que você insere neles. Não invente um número. Use, em ordem aproximada de preferência:

1. Um efeito minimamente importante — o menor efeito que realmente mudaria uma decisão ou importaria cientificamente/clinicamente (o "menor tamanho de efeito de interesse", SESOI). Esta é a base mais defensável: você calcula o poder para detectar o que importa, não o que você espera ver.
2. Uma estimativa de estudo piloto ou prévio, com incerteza e viés de seleção considerados. Pilotos pequenos são imprecisos; a seleção baseada em publicação ou significância pode inflar os efeitos. Use um modelo de incerteza justificado ou uma faixa de sensibilidade em vez de um fator de encolhimento arbitrário.
3. Uma convenção (pequeno/médio/grande de Cohen) apenas como último recurso, e diga isso explicitamente.

O que quer que você escolha, execute uma análise de sensibilidade: relate como o n necessário muda em uma faixa plausível de tamanhos de efeito, não um único ponto. Uma análise de poder apresentada como um único número esconde sua maior fonte de incerteza. Veja references/effect_sizes.md para benchmarks e conversões entre d, f, r, η², odds ratios e h/w de Cohen.

…