Como as variáveis que foram criadas para comparação se tratam de médias dos fatores, optou-se pela utilização de testes de comparação entre médias. Para que isso fosse possível foi necessário verificar se o teste utilizado seria paramétrico (caso as curvas fossem normais) ou não paramétrico (caso as curvas não fossem normais).
Assim, o primeiro passo foi verificar é se a hipótese de normalidade dos dados é satisfeita ou não dentro de cada grupo. Moore (2011) estabelece duas condições básicas para verificar a normalidade de uma amostra: a distribuição deve ser simétrica e com um único pico, a menos que a amostra seja muito pequena e a população deve ser muito maior que a amostra, pelo menos 20 vezes maior.
Outro teste bastante utilizado para verificar a normalidade de uma amostra é o teste de
Shapiro-Wilk, no qual se verifica em cada um dos grupos cujas médias serão comparadas, se
as hipóteses de normalidade dos dados dentro de cada um dos grupos não são rejeitadas. Nesse caso, um teste de comparação de médias paramétrico poderá ser então utilizado.
É notório citar que a normalidade por si só não habilita completamente o uso de qualquer teste paramétrico de comparação de médias. No entanto, somente a sua ausência em pelo menos um dos grupos é um indicador que os testes que pertencem a esta classe deverão ser evitados, sendo necessária a utilização de testes não paramétricos de comparação de médias.
Neste estudo, para verificar a normalidade das amostras, foram analisadas as estatísticas descritivas para verificação das condições propostas por Moore (2011) e o teste de
Shapiro-Wilk para verificar as hipóteses de normalidade dentro dos grupos.
Os principais testes paramétricos utilizados para comparação de médias são: Análise de Variância (ANOVA) e o teste de comparação de médias populacionais (teste T de Student).
O ANOVA tem como hipótese nula a igualdade entre as médias populacionais dos grupos, sendo que é mais utilizado quando há três ou mais grupos. Como hipótese tem-se que pelo uma das médias é diferente.
O teste tem como principais pressupostos: (1) a normalidade dos dados referente à variável estudada dentro de cada grupo; (2) os grupos devem ter a mesma variância populacional; e; (3) os dados amostrados e os grupos devem ser independentes.
Por fim, o ANOVA testa a igualdade das médias e a regra de decisão é: Se o p-valor encontrado for maior que o erro ∝ assumido (nível de significância), conclui-se que não há evidências para inferir que as médias não são todas iguais; caso contrário, infere-se que pelo menos uma das médias é diferente (Dancey & Reidy, 2006).
Outro teste bastante importante em análises paramétricas é o teste T de Student. Este teste é utilizado na comparação de médias populacionais de dois grupos com dados de distribuição normal. Assim como no ANOVA, pressupõe-se também a independência dos dados e dos grupos. No entanto, neste caso não há a suposição de que as variâncias populacionais sejam iguais nos dois grupos. Consequentemente, devem ser realizados dois testes T de Student: um que supõe a igualdade de variâncias populacionais e outro que não supõe.
Logo, um passo que deve anteceder a realização do teste T é o teste de igualdade das variâncias populacionais (Teste de Lèvene). As hipóteses do teste são: as variâncias populacionais dos dois grupos são iguais (hipótese nula) e as variâncias populacionais são diferentes (hipótese alternativa). Assim, a regra de decisão do teste é: se o p-valor encontrado for maior que o erro ∝ assumido (nível de significância), conclui-se que não há evidências para inferir que as variâncias sejam diferentes; caso contrário, infere-se que elas são realmente diferentes.
Os testes paramétricos costumam ser mais utilizados em pesquisas, uma vez que, são considerados mais poderosos. Porém, nem todos os estudos permitem a utilização de testes paramétricos, pois os dados não satisfazem as condições necessárias para o seu uso. Isso poderia originar dados assimétricos com amostras pequenas ou desiguais (Dancey & Reiudy, 2006).
A alternativa nesses casos é a utilização de testes não paramétricos, pois estes não exigem condições dos dados e são mais utilizados quando as distribuições dos dados não possuem uma distribuição conhecida. Logo, eles surgem como alternativas para a realização destas inferências. Neste trabalho serão utilizados dois testes: o Teste de Kruskal-Walis e o Teste de Mann-Whitney (U), uma vez que os pressupostos para análises paramétricas não foram atendidas.
O teste de Kruskal-Wallis é considerado um equivalente não paramétrico da ANOVA e é utilizado quando os dados não satisfazem as condições para uma ANOVA paramétrica e é utilizado quando se tem mais de dois grupos.
Sendo um teste extremamente útil para decidir se k amostras independentes provêm de populações (grupos) diferentes. Logo, a técnica de Kruskal-Wallis testa a hipótese nula de que as N amostras provêm da mesma população ou de populações idênticas com a mesma média. Dessa maneira, a regra de decisão do Teste de Kruskal-Wallis é: se o p-valor encontrado for maior que o erro ∝ assumido (nível de significância), conclui-se que não há evidências para inferir que as médias não são todas iguais; caso contrário, infere-se que pelo menos uma das médias é diferente, podendo assim ser realizada uma comparação de grupos.
Outro teste de comparação de grupos que foi utilizado nesse estudo é o teste de Mann-
Whitney (U) que pode ser considerado o teste não paramétrico análogo ao Teste T já descrito.
Ele segue os mesmos princípios do teste de Kruskal-Wallis, no entanto ele é utilizado para a comparação de somente dois grupos com participantes diferentes em cada condição.
Por fim, a regra de decisão do Teste de Mann-Whitney (U) é: se o p-valor encontrado for maior que o erro ∝ (nível de significância) assumido, conclui-se que não há evidências para inferir que as médias não são todas iguais; caso contrário, infere-se que pelo menos uma das médias é diferente, seguindo com a comparação de grupos.
Para fazer a análise da variável NSUP1 com as variáveis NT1, NT2 e NT3, optou-se por fazer uma análise de correlação que tem por objetivo descobrir se existe um relacionamento entre as variáveis. A correlação também permite determinar: (1) a direção do relacionamento; (2) a força ou magnitude do relacionamento entre as duas variáveis (Dancey & Reidy, 2006).
Antes de realizar a análise da correlação também é necessário que se teste a normalidade dos grupos. Tem-se a priori a possibilidade de utilizar duas medidas estatísticas: a correlação de Person e a correlação de Spearman. A princípio as duas medidas podem ser utilizadas, no entanto, se os dados não possuírem distribuição normal não será possível realizar o teste de correlação utilizando o coeficiente de correlação de Pearson.
No caso deste grupo como já foram mencionados, os valores das variáveis a serem correlacionadas não possuem distribuições normais dessa maneira o teste de correlação utilizado foi o de correlação de Spearman da variável NSUP1 com as variáveis NT1, NT2 e NT3.