As determinantes locais da paradiplomacia: o caso dos municípios ...

Podem-se identificar os limites inferiores e superiores do intervalo de confiança caso
se saiba os valores do desvio padrão (s) e da média (), entretanto, usa-se o erro padrão (SE)
e não o desvio padrão, já que se quer saber a variabilidade entre as médias das amostras e não
a variabilidade dos scores de uma amostra. Os limites inferior e superior são representados,
portanto, por:
A média está sempre no centro do intervalo de confiança. Isso significa que se a
média representa bem a média verdadeira, o intervalo de confiança deve ser pequeno. Sabe-se
no caso apresentado que 95% dos intervalos de confiança contêm a média verdadeira, se os
intervalos são pequenos, portanto, a média da amostra deve estar bem próxima à média da
população. Se o intervalo de confiança é grande, as médias devem estar distantes, mostrando
que é uma má representação da população. Esse caso apresentado foi para o intervalo com
95% de certeza, mas pode ser substituído por 99% ou 90% da mesma forma.
Viu-se, até agora, como um modelo se encaixa bem nos dados coletados e se esses
dados da amostra representam bem a população; é importante, no entanto, dar um passo
adiante e entender como esses modelos que se encaixam nos dados podem ajudar a testar as
predições das pesquisas, ou seja, como testam as hipóteses apresentadas. A maioria das
pesquisas envolvem estatísticas inferenciais, que dizem se as hipóteses alternativas dos
modelos são prováveis de serem verdadeiras. Em outras palavras, se ajudam a recusar ou
confirmar as previsões.
A ideia seria encaixar um modelo estatístico nos dados que representam a hipótese
alternativa e ver quão bem ele se encaixa, em termos da variância que ele explica. Se o
modelo se encaixa bem nos dados (explica muito das variâncias nos scores) então assume-se
que a previsão inicial é verdadeira, ou seja, ganha-se confiança na hipótese alternativa. Não se
pode ter total certeza (100% de garantia) de qual hipótese é a correta, então é calculada a
probabilidade do modelo ser adequado quando não há efeito na população (ou seja, quando a
hipótese nula é verdadeira). Quanto mais essa probabilidade diminui, se ganha mais confiança
que a hipótese alternativa é, de fato, correta e que a hipótese nula pode ser rejeitada.
Para explicar o que há por trás dessa ideia, pode-se fazer uso de um exemplo. O caso,
testado por Fisher e descrito por Salsburg (2002), conta a história de uma senhora que diz
poder determinar se, em uma xícara, o chá é colocado antes do leite ou se o leite é adicionado
depois do chá, apenas experimentando a mistura. São dadas a ela algumas xícaras com os dois
165