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

Existem muitos tipos de testes, como o t, F e , por exemplo. Alguns têm formatos
diferentes, mas a ideia é sempre a mesma: a quantidade de variância que o modelo encaixado
nos dados pode explicar com relação à quantidade que não pode. Essa noção é bastante
intuitiva, porque se o modelo é bom, espera-se que seja capaz de explicar mais a variância do
que não explicá-la. Nesses casos, o teste de significância será maior que 1 (mas não
necessariamente significante).
O teste de significância possui algumas propriedades conhecidas. Especificamente,
sabe-se quão frequentemente diferentes valores dessa estatística ocorrem. De posse dessa
informação, é possível calcular a probabilidade de obter valores particulares (assim como foi
feito anteriormente com a probabilidade de conseguir tamanhos de score específicos de uma
distribuição de frequência). Isso permite estabelecer quão provável seria obter um teste de
significância de certo tamanho se não houvesse efeito (a hipótese nula fosse verdadeira).
Pode-se, por exemplo, identificar a probabilidade de achar um valor tão grande quanto o do
próprio teste de significância que se possui.
Quanto mais variação o modelo explicar, comparado ao que não pode explicar, maior
o teste de significância será e mais improvável de a variação ocorrer por acaso. Em suma,
quanto maior o teste de significância, a probabilidade de a variação ocorrer acidentalmente é
menor. Quando essa probabilidade cai para baixo de 0,05 (critério de Fisher), aceita-se como
fornecedor de confiança suficiente para assumir que o teste de significância é tão grande
porque o modelo explica uma quantidade suficiente de variação para refletir o que
genuinamente está acontecendo no mundo real, ou seja, na população. O teste de significância
é chamado, então, de significante.
Dado que o modelo estatístico que se encaixou nos dados reflete a hipótese que foi
testada, um teste de significância significante revela que o modelo não representaria tão bem
os dados quando o efeito na população é inexistente (ou seja, quando a hipótese nula é
verdadeira). É possível rejeitar a hipótese nula e ganhar confiança que a hipótese alternativa é
verdadeira. Na verdade, como foi visto, não acontece dessa forma, já que se não pode falar em
hipótese verdadeira ou falsa, e sim em termos de probabilidade dela ocorrer.
Apresentou-se no segmento anterior que as hipóteses podem ser direcionais (ex.:
quanto maior A, maior B) ou não-direcionais (ex.: quanto maior A, maior ou menor B). Um
modelo estatístico que testa uma hipótese direcional é chamado de teste unilateral ou uni-
caudal (one-tailed test), já o que testa hipótese não-direcional é conhecido como bilateral ou
bi-caudal (two-tailed test).
Quando não há indicação de que as hipóteses são direcionais, as relações podem
assumir três possibilidades: a positiva, por exemplo, quando indivíduos com determinado
167