Blog
Amostra pequena no TCC e artigo: como apresentar limitações sem invalidar o estudo
Uma das dúvidas mais comuns no fim de um TCC, dissertação ou artigo é direta: minha amostra ficou pequena; isso invalida o estudo? A resposta responsável é: não automaticamente. O tamanho da amostra afeta a precisão das estimativas, a capacidade de detectar determinados efeitos e, dependendo de como os participantes foram selecionados, a extensão das conclusões. Mas transformar toda limitação em uma frase genérica — ‘o estudo possui amostra pequena’ — pouco ajuda o leitor.
O ponto central é explicar qual consequência o tamanho amostral tem naquele desenho, naquele desfecho e naquela análise. Essa abordagem é mais informativa para banca e revisores e evita dois extremos: esconder a limitação ou tratar todo resultado como inútil apenas porque o n é modesto.
O que uma amostra pequena realmente muda?
Em geral, menos observações significam maior incerteza. Isso costuma aparecer em intervalos de confiança mais largos. Imagine que dois estudos estimem a mesma diferença entre grupos, mas um apresente IC95% estreito e o outro um intervalo muito amplo. A estimativa pontual pode ser igual; a precisão, não. Por isso, interpretar apenas se o valor de p cruzou 0,05 é especialmente inadequado em estudos pequenos.
Button e colaboradores discutiram como baixa potência estatística pode contribuir para baixa reprodutibilidade e estimativas de efeito infladas quando resultados são selecionados pela significância. Ao mesmo tempo, Bacchetti destacou que, em estudos já concluídos, a interpretação deve considerar estimativas de efeito, intervalos de confiança e valores de p exatos, em vez de tentar corrigir o resultado com cálculo de poder pós-hoc. O debate mostra por que n pequeno não deve ser resumido a uma sentença automática.
Não confunda tamanho da amostra com representatividade
Uma amostra pode ser numericamente grande e ainda representar mal a população-alvo. Da mesma forma, uma amostra pequena pode responder adequadamente a uma pergunta muito específica, embora com menor precisão. Portanto, ao escrever as limitações, separe duas questões: precisão estatística e validade externa.
Se a amostra foi de conveniência, de um único serviço ou de uma população muito selecionada, a limitação de generalização deve ser discutida independentemente do n. Escrever que a pequena amostra impede generalização pode ser impreciso quando o principal problema é, na verdade, a forma de seleção dos participantes.
Como interpretar um resultado não significativo com n pequeno
Não houve diferença estatisticamente significativa não significa necessariamente que os grupos são iguais. Em uma amostra pequena, um intervalo de confiança amplo pode ser compatível tanto com um efeito relevante quanto com efeito pequeno ou inexistente. Nesse cenário, a conclusão adequada é reconhecer a incerteza.
Em vez de escrever que o tratamento não teve efeito, uma redação metodologicamente mais cuidadosa seria: não foi observada evidência estatística suficiente de diferença; entretanto, a imprecisão da estimativa não permite excluir efeitos de magnitude potencialmente relevante. A formulação exata deve ser adaptada ao desenho e aos números observados.
Nosso guia sobre intervalo de confiança versus valor-p aprofunda essa diferença. Para quem está estruturando toda a análise do trabalho, também vale consultar como fazer a análise estatística do TCC passo a passo.
Evite o cálculo de poder pós-hoc como justificativa
Depois que os dados foram coletados, calcular poder observado a partir do efeito encontrado geralmente não acrescenta informação útil para interpretar o resultado. O intervalo de confiança mostra diretamente a precisão da estimativa e quais magnitudes permanecem compatíveis com os dados. Poder estatístico é extremamente útil no planejamento, quando se definem tamanho amostral, efeito de interesse, nível de significância e poder desejado.
Se o tamanho amostral foi definido previamente, descreva o cálculo e suas premissas no método. Se a amostra foi determinada por viabilidade — por exemplo, todos os pacientes elegíveis em determinado período — diga isso claramente. Transparência é melhor que inventar uma justificativa retrospectiva.
O que apresentar nos resultados
Com amostras pequenas, resultados bem apresentados tornam a incerteza visível. Sempre que fizer sentido para o método utilizado, informe o tamanho do efeito e seu intervalo de confiança, além do valor de p exato. Para variáveis descritivas, mostre números absolutos e denominadores; percentuais isolados podem parecer impressionantes quando correspondem a poucas pessoas.
Também evite encher o trabalho de dezenas de testes exploratórios na esperança de encontrar algum p<0,05. Quanto maior a flexibilidade analítica, maior a possibilidade de achados ocasionais. O próximo texto desta série tratará especificamente de hipótese primária e múltiplas comparações.
Se a dúvida estiver na escolha do procedimento para frequências baixas, veja qui-quadrado ou teste exato de Fisher em amostras pequenas. A escolha do teste, porém, não transforma automaticamente uma amostra limitada em uma amostra informativa para qualquer pergunta.
Como escrever a limitação na discussão
Uma boa limitação tem três partes: identifica o problema, explica a possível consequência e mostra como isso afeta a interpretação.
Frase fraca: Este estudo apresenta como limitação o pequeno tamanho amostral.
Frase melhor: O tamanho amostral limitado resultou em estimativas com maior incerteza, refletida pelos intervalos de confiança amplos. Assim, resultados não significativos não devem ser interpretados como evidência de equivalência, e as estimativas de efeito devem ser consideradas exploratórias até confirmação em amostras maiores.
Se houver limitação de recrutamento, acrescente a origem: período curto, doença rara, perdas, critérios de elegibilidade restritos ou centro único. Não atribua tudo ao tamanho da amostra quando existem mecanismos diferentes.
O que não fazer para compensar uma amostra pequena
Não troque testes repetidamente apenas até encontrar significância; não remova participantes sem critério definido; não transforme desfechos contínuos em categorias arbitrárias só para produzir uma tabela mais conveniente; e não descreva tendências como conclusões confirmatórias apenas porque o p ficou quase significativo. Essas decisões podem aumentar vieses em vez de resolver a limitação.
Também é importante não concluir que um teste não paramétrico é sempre a solução para n pequeno. A escolha depende do estimando, do desenho, da distribuição, da independência das observações e das propriedades do método. Nosso guia para escolher o teste estatístico ajuda a organizar essa decisão.
Checklist para TCC, dissertação e artigo
Antes de finalizar a discussão, verifique se o texto informa: como o tamanho da amostra foi determinado; quantos participantes entraram efetivamente em cada análise; perdas ou dados faltantes; estimativas de efeito e incerteza; limites de generalização; distinção entre ausência de evidência e evidência de ausência; e quais conclusões são confirmatórias ou exploratórias.
Quando esses elementos aparecem de forma transparente, a limitação deixa de ser uma desculpa no último parágrafo e passa a fazer parte da interpretação científica.
Amostra pequena não é licença para exagerar — nem motivo automático para abandonar o estudo
O objetivo da análise não é fazer os dados darem certo. É quantificar o que eles permitem concluir e, com a mesma clareza, o que permanece incerto. Uma amostra limitada pode gerar conhecimento útil quando a pergunta é adequada, o método é transparente e a incerteza é mostrada. O problema surge quando a precisão disponível não sustenta a força da conclusão.
Se você está fechando um TCC, mestrado, doutorado ou artigo e precisa revisar se a análise e a interpretação estão coerentes com o tamanho da sua amostra, conheça também a página sobre quanto custa uma consultoria estatística e o que deve entrar no escopo.
Imagem de destaque: Carlos Muza, via Wikimedia Commons/Unsplash, disponibilizada sob CC0.
Referências
Button KS, Ioannidis JPA, Mokrysz C, et al. Power failure: why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience. 2013;14:365–376. doi:10.1038/nrn3475.
Bacchetti P. Small sample size is not the real problem. Nature Reviews Neuroscience. 2013;14:585. doi:10.1038/nrn3475-c3.
Goodman SN, Berlin JA. The use of predicted confidence intervals when planning experiments and the misuse of power when interpreting results. Annals of Internal Medicine. 1994;121:200–206.