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

dessas possibilidades é verdadeira, entretanto, pode-se olhar os testes de significância e sua
probabilidade associada para dizer qual das duas é mais provável. Obviamente que é
importante que se tenha um mínimo de acurácia, e, tendo isso em vista, Fisher sugeriu que se
fosse muito conservador, acreditando que um resultado é genuíno apenas quando se tivesse
95% de confiança, ou seja, que exista apenas 5% de probabilidade dele ocorrer se não existir
um efeito (hipótese nula verdadeira).
Mesmo que se tenha 95% de confiança, ainda existe uma pequena chance de se estar
errado. Na verdade, existem dois tipos e erros que se pode cometer, o erro do tipo 1 e o erro
do tipo 2. O erro do tipo 1 ocorre quando se acredita que existe efeito genuíno na população,
quando, de fato, não há. Usando o critério de Fisher, então, há a probabilidade de 0,05 de erro,
quando não existe efeito na população. Esse valor é chamado de nível de significância α. Em
outras palavras, assumindo que não existe nenhum efeito na população, se replicados os dados
coletados 100 vezes, poder-se-ia esperar que em cinco ocasiões se obtém um teste de
significância grande o suficiente para pensar que houve um efeito genuíno na população,
quando na verdade não houve.
O oposto é o erro tipo 2, que ocorre quando se acredita que não há um efeito na
população, quando, de fato, há. Isso acontece quando se obtém um teste de significância
pequeno (talvez porque exista uma série de variações naturais entre as amostras). Idealmente,
seria bom que a probabilidade desse erro fosse bem baixa (se existe um efeito na população,
seria importante que se pudesse detectá-lo). Convencionalmente, diz-se que o aceitável para o
erro do tipo 2 é de 0,2 (20%), e é chamado de nível de significância β. Isso quer dizer que se
há 100 amostras de dados da população em que há um efeito, em 20 deles se falharia em
detectá-lo.
O cenário apresentado para testar se um efeito é genuíno possui alguns problemas. O
primeiro deles é saber quão importante são eles. O fato de um teste de significância ser
significante não garante que o efeito que mede seja relevante ou importante. A solução para
esse problema é medir o tamanho do efeito que se está testando, de uma forma padronizada.
O tamanho do efeito é apenas uma forma simples e objetiva de padronizar a medida da
magnitude dos efeitos observados. A padronização ajuda na comparação dos efeitos em
estudos distintos, porque não se prende a variáveis nem unidades específicas ou mesmo como
elas foram medidas.
Muitas medidas de efeito foram propostas por estatísticos, as mais famosas são a d de
Cohen, o coeficiente de correlação r de Pearson e a razão de chances (odds ratio). O
coeficiente r é o mais usado por apresentar medidas que variam de 0 (sem efeito) a 1 (efeito
perfeito). O r não é medido de forma linear, então um efeito de 0,2 não representa a metade de
169