Em Um Experimento Sobre A Altura De Uma População

Coletando dados de altura: o que realmente importa

Os detalhes que estragam sua análise em um experimento sobre a altura de uma população

Quando você vai medir altura de pessoas, parece simples à primeira vista. Você pega uma estatuêmetro, chama os voluntários e pronto. O problema é que existe uma quantidade enorme de variáveis que podem destruir seus resultados sem que você perceba. Já perdi semanas de trabalho porque não calibrei o aparelho entre sessões de medição, e a diferença que encontrei na média não tinha nada a ver com a população. Tinha a ver com o piso não estar nivelado. O primeiro passo que as pessoas ignoram é a padronização. Todos os medidores precisam usar o mesmo equipamento. Todos precisam receber o mesmo treinamento. A diferença entre dois observadores medindo a mesma pessoa pode chegar a dois centímetros se um apoia o queixo no equipamento e outro não. Use o método de Frankfurt como referência: o plano do ouvido deve estar alinhado horizontalmente com o orifício auditivo externo e a borda inferior da órbita ocular. Se não souber fazer isso, treine até conseguir repetir o procedimento trinta vezes e ter variação menor que cinco milímetros.

Outro detalhe prático que ninguém ensina: meça sempre pela manhã e pela tarde no mesmo dia, pelo menos com uma pequena amostra piloto. A coluna humana comprime durante o dia. Pessoas de dezasseis anos ou mais perdem entre um e três centímetros ao longo das doze horas. Se você coletar dados em horários diferentes sem registrar isso, sua variância vai inflar artificialmente e seus testes de hipótese vão dar resultados errados.

Amostragem e tamanho efetivo

A maioria dos trabalhos acadêmicos sobre altura subestima o tamanho amostral necessário. Se o objetivo é estimar a média populacional com margem de erro de um centímetro e desvio padrão de sete centímetros, você precisa de aproximadamente cento e noveessas pessoas por grupo. Não menos. Isso assume homocedasticidade e normalidade, o que geralmente funciona para adultos, mas falha completamente se você incluir crianças de faixas etárias muito distintas sem estratificação. O que vejo todo dia em revistas científicas são artigos com cinquenta sujeitos misturados entre adolescentes de doze e adultos de trinta e cinco anos, e as pessoas simplesmente reportam a média geral como se fosse representativa. Altura tem crescimento acelerado em épocas específicas. Misturar faixas etárias sem modelar essa variação é armadilha clássica. Estratifique por idade e sexo. Pelo menos.

Armadilhas que eu já cometi

Uma vez fiz um estudo comparando a altura média de duas escolas em regiões diferentes de Minas Gerais. Os dados pareciam sólidos, mas quando fui verificar a distribuição, percebi que cerca de oito por cento das medições terminavam em zero ou cinco milímetros exatos. As pessoas estavam arredondando. O medidor estava lendo em centímetros inteiros sem registrar os milímetros, o que introduzia viés de discretização. A correção foi simples: reimplementar o protocolo com equipamento digital e exigir registro em milímetros. Mas essas oito por cento já tinham entrado na análise inicial, então tive que refazer todo o tratamento estatístico. Levei três dias. Perdi confiança no protocolo original. Dica prática: se estiver usando estatuêmetros analógicos, exija que o operador registre sempre até o milímetro mais próximo. Se a leitura cair exatamente em um centímetro inteiro, meça novamente. Suspeite de dados redondos demais. Teste de distorção de preferência por dígitos finais (Teste de Benford adaptado para dígitos terminais) resolve isso rápido.

Análise estatística adequada

Não use teste t de Student cegamente. Verifique normalidade primeiro, mas entenda que com amostras grandes o teste de Shapiro-Wilk vai rejeitar a nulidade mesmo com desvios irrelevantes. O que realmente importa é a robustez do teste t frente a violações moderadas de normalidade. Para altura, geralmente não há problema. O que importa mais é verificar igualdade de variâncias. Se os grupos tiverem tamanhos diferentes e variâncias desiguais, use Welch corrigido. Sempre. Intervalos de confiança são mais informativos do que valores p. Relate a diferença estimada com IC noventa e cinco por cento. Se o intervalo incluir zero, você já sabe que não há efeito detectável, independentemente do p-value. Isso evita a armadilha de declarar "não há diferença significativa" quando na verdade o estudo só estava subdimensionado.

Quando esse tipo de estudo não funciona

Se sua população for extremamente homogênea geneticamente e você esperar encontrar diferenças sutis entre grupos, vaio precisar de amostras muito maiores do que o habitual. Estudo com desvio padrão baixo exige mais sujeitos para detectar efeitos pequenos. Além disso, se o objetivo é prever altura individual a partir de variáveis como nutrição ou atividade física, modelos univariados vão decepcionar. A herdabilidade da altura é cerca de oitenta por cento em populações com boa nutrição. Variáveis ambientais explicam pouco na faixa adulta. Fique ciente disso antes de projetar o estudo. O uso de regressão múltipla com variáveis como IMC, idade e sexo pode melhorar a interpretação, mas não espere alta qualidade preditiva para indivíduos. O modelo vai funcionar bem em média populacional, mas as resíduospodemos ser maiores que dois centímetros para qualquer pessoa específica. Se precisar de precisão individual, aí entra genética e marcadores específicos, que são outro assunto completamente.

Checklist prático para não errar

Calibre o equipamento antes de cada dia de coleta. Treine todos os medidores até atingirem consenso com variação menor que cinco milímetros. Registre data, hora e condição de medição para cada sujeito. Exija registro em milímetros. Estratifique por idade e sexo na coleta e na análise. Verifique normalidade e homocedasticidade antes de escolher o teste. Relate intervalos de confiança. Documente perdas e exclusões. Mantenha os dados brutos organizados com código único por sujeito desde o início, porque quando a análise dar errado — e vai dar — você vai agradecer por ter isso registrado corretamente. Se estiver começando agora, faça um estudo piloto com trinta sujeitos antes de qualquer coisa. Vê quais erros aparecem, recalibre, ajuste o protocolo e só depois expanda. O tempo economizado nessa etapa inicial costuma compensar semanas de retrabalho posterior. É cansativo, mas funciona.