Edição 10: O que reportar em alternativa/junto do p-valor
Jennifer Luz Lopes
May 25, 2026
Imagine que alguém te pede para remover todos os p-valores do seu próximo relatório.
Sem p < 0,05. Sem asteriscos de significância. Sem aquela coluna que todo mundo olha primeiro e, muitas vezes, olha por último também.
O que sobra?
Se a resposta vier devagar, com hesitação, esse é exatamente o sinal que esta edição quer trabalhar. Não porque o p-valor seja inútil ele não é. Mas porque, ao longo de décadas, ele foi tratado como o destino da análise quando deveria ser apenas uma parada no caminho.
A edição de novembro de 2025 do Café com R cobriu a teoria: o que o p-valor mede, o que ele não mede, por que a dicotomia significativo e não significativo empobrece a interpretação. Se você ainda não leu, vale voltar, o link está no rodapé desta edição.
Esta edição avança para a prática. A pergunta agora não é mais o que o p-valor não diz.
A pergunta é: o que você coloca no relatório junto com ele, ou no lugar dele, para que a análise comunique o que realmente importa?
A edição anterior estabeleceu três pontos fundamentais que vale recuperar antes de seguir.
O p-valor mede a probabilidade de observar resultados tão extremos quanto os obtidos, assumindo que a hipótese nula é verdadeira. Ele responde a uma pergunta muito específica, quão surpreendentes são os dados sob H₀? e apenas essa pergunta.
Ele não informa a magnitude do efeito. Não diz se a diferença encontrada é grande ou pequena, relevante ou trivial. Não informa a precisão da estimativa. E não diz nada sobre a probabilidade de a hipótese nula ser verdadeira, que é justamente o que a maioria das pessoas quer saber quando olha para ele.
A ASA foi explícita em dois posicionamentos históricos, em 2016 e em 2019: inferência confiável exige combinar o p-valor com outras medidas. Tamanho do efeito. Intervalo de confiança. Plausibilidade teórica. Poder amostral.
Entendido o que o p-valor não faz, a pergunta que fica é: o que você colocaria no lugar se precisasse?
O tamanho do efeito responde à pergunta que o p-valor não consegue responder: quanto?
Não “há diferença?” o p-valor já tenta responder isso. Mas “a diferença é grande o suficiente para importar?” Essa é outra pergunta, e exige outra medida.
Pense num exemplo. Você compara a temperatura média de dois grupos no dataset airquality, dias com vento abaixo e acima da mediana. O teste t retorna p = 0,003. Há evidência estatística de diferença. Mas qual é a magnitude dessa diferença? 0,5°F? 8°F?
Esses dois cenários têm implicações completamente diferentes, e o p-valor não distingue um do outro.
O Cohen’s d é o índice mais usado para comparar duas médias. Ele expressa a diferença em unidades de desvio padrão:
\[d = \frac{\bar{x}_1 - \bar{x}_2}{s_{pooled}}\]
As convenções propostas por Cohen (1988) e amplamente adotadas desde então, organizam a interpretação assim:
| Valor de |d| | Magnitude |
|---|---|
| 0,20 | Pequeno |
| 0,50 | Médio |
| 0,80 | Grande |
Atenção: essas convenções são referências gerais, não regras absolutas.
Um efeito classificado como “pequeno” pode ser altamente relevante dependendo do contexto.
Um ganho de 0,2 desvios padrão em produtividade agrícola aplicado em larga escala tem peso diferente de um ganho equivalente num experimento de laboratório.
A relevância prática é uma decisão substantiva, não estatística.
Agora, como calcular isso no R?
Cohen's d | 95% CI
--------------------------
-0.83 | [-1.16, -0.50]
- Estimated using pooled SD.Além do Cohen’s d, o ecossistema effectsize oferece índices para outros contextos:
| Índice | Contexto | Função |
|---|---|---|
| Cohen’s d | Diferença entre duas médias | cohens_d() |
| \(\eta^2\) (eta²) | Proporção de variância explicada - ANOVA | eta_squared() |
| \(\omega^2\) (omega²) | Versão menos viesada do \(\eta^2\) | omega_squared() |
| \(r\) de correlação | Associação linear entre duas variáveis | cor_to_d() |
Você já usa algum desses índices nos seus relatórios?
Se não usa, qual seria o mais útil para o tipo de análise que você faz com mais frequência?
O p-valor diz se há evidência de efeito. O tamanho do efeito diz quanto. O intervalo de confiança diz com que precisão você sabe isso.
Essa distinção é importante e frequentemente ignorada.
Um IC estreito significa que a estimativa é precisa, os dados são suficientemente informativos para localizar o efeito numa faixa pequena de valores.
Um IC largo significa incerteza elevada, você sabe a direção, talvez, mas não sabe o tamanho com muita confiança.
Dois estudos podem ter o mesmo tamanho de efeito estimado e p-valores similares, mas ICs completamente diferentes.
Isso tem consequências diretas para a tomada de decisão. Um IC que inclui zero é um sinal de que o efeito pode ser nulo, independentemente do p-valor. Um IC que exclui zero mas é muito amplo é um sinal de que você detectou algo, mas ainda não sabe bem o quê.
Como extrair IC junto com os coeficientes no R?
Parameter | Coefficient | SE | 95% CI | t(143) | p
-----------------------------------------------------------------------
(Intercept) | 84.90 | 2.48 | [80.00, 89.80] | 34.28 | < .001
Wind | -1.16 | 0.19 | [-1.53, -0.78] | -6.14 | < .001
Solar R | 0.03 | 7.34e-03 | [ 0.01, 0.04] | 3.50 | < .001Repare que a tabela retornada por model_parameters() já inclui o coeficiente, os limites do IC, a estatística t e o p-valor, tudo junto, na mesma linha. Não é preciso buscar essas informações em lugares separados.
Agora olhe para os limites do IC de cada variável. Wind tem intervalo que não inclui zero, o efeito é distinguível de zero com 95% de confiança. Solar.R também.
Mas o que o IC te diz sobre a precisão de cada estimativa? Qual das duas variáveis tem estimativa mais estreita?
Essas são as perguntas que o IC responde e que o p-valor não consegue.
Até aqui você tem três peças de informação:
A orientação da ASA é: as três peças devem aparecer juntas.
Um relatório que reporta apenas o p-valor está incompleto. Um que reporta apenas o tamanho do efeito sem IC está incompleto. A análise confiável combina os três.
Como isso fica no código?
We fitted a linear model (estimated using OLS) to predict Temp with Wind and
Solar.R (formula: Temp ~ Wind + Solar.R). The model explains a statistically
significant and substantial proportion of variance (R2 = 0.27, F(2, 143) =
26.27, p < .001, adj. R2 = 0.26). The model's intercept, corresponding to Wind
= 0 and Solar.R = 0, is at 84.90 (95% CI [80.00, 89.80], t(143) = 34.28, p <
.001). Within this model:
- The effect of Wind is statistically significant and negative (beta = -1.16,
95% CI [-1.53, -0.78], t(143) = -6.14, p < .001; Std. beta = -0.44, 95% CI
[-0.58, -0.30])
- The effect of Solar R is statistically significant and positive (beta = 0.03,
95% CI [0.01, 0.04], t(143) = 3.50, p < .001; Std. beta = 0.25, 95% CI [0.11,
0.39])
Standardized parameters were obtained by fitting the model on a standardized
version of the dataset. 95% Confidence Intervals (CIs) and p-values were
computed using a Wald t-distribution approximation.O report() do pacote report, parte do easystats gera automaticamente um parágrafo descrevendo o modelo com p-valor exato, tamanho do efeito e IC, seguindo as convenções de redação científica.
O texto gerado é um ponto de partida, não um produto final, você precisa revisar, adaptar ao contexto e complementar com interpretação substantiva.
Para ver os resultados em formato tabular, mais fácil de incluir em documentos Quarto:
Parameter | Coefficient | 95% CI | t(143) | p | Std. Coef.
-------------------------------------------------------------------------
(Intercept) | 84.90 | [80.00, 89.80] | 34.28 | < .001 | 3.87e-16
Wind | -1.16 | [-1.53, -0.78] | -6.14 | < .001 | -0.44
Solar R | 0.03 | [ 0.01, 0.04] | 3.50 | < .001 | 0.25
| | | | |
AIC | | | | |
AICc | | | | |
BIC | | | | |
R2 | | | | |
R2 (adj.) | | | | |
Sigma | | | | |
Parameter | Std. Coef. 95% CI | Fit
-----------------------------------------
(Intercept) | [-0.14, 0.14] |
Wind | [-0.58, -0.30] |
Solar R | [ 0.11, 0.39] |
| |
AIC | | 1024.43
AICc | | 1024.71
BIC | | 1036.36
R2 | | 0.27
R2 (adj.) | | 0.26
Sigma | | 7.94Agora compare mentalmente dois cenários.
No primeiro, você recebe um relatório com uma tabela de coeficientes e uma coluna de asteriscos indicando p < 0,05.
No segundo, você recebe coeficientes com IC 95%, tamanho do efeito padronizado e p-valor exato para cada parâmetro.
Qual dos dois te dá mais informação para tomar uma decisão?
Qual dos dois você consegue criticar com mais profundidade?
Qual dos dois resiste melhor a uma revisão por pares?
A resposta para as três perguntas é a mesma.
Adotar o hábito de reportar p-valor, tamanho do efeito e IC juntos não é apenas uma questão de rigor metodológico, embora seja isso também. É uma mudança na forma como você pensa sobre o que está analisando.
Quando o p-valor é o único número que importa, a pergunta que guia a análise é binária: há efeito ou não há? Quando você inclui tamanho do efeito e IC, a pergunta se torna: qual é a magnitude do efeito, e com que precisão eu sei isso?
A segunda pergunta é mais difícil de responder. Exige que você conheça o contexto, que saiba o que constitui um efeito relevante no seu campo, que interprete a incerteza em vez de ignorá-la. Mas é também a pergunta que produz análises mais honestas, mais úteis e mais resistentes ao tempo.
O p-valor não vai desaparecer dos relatórios, nem deveria. Mas ele é uma peça de um conjunto, não o conjunto inteiro.
ASA (2019) - Moving to a World Beyond “p < 0,05”: O posicionamento mais influente da última década sobre p-valor. Wasserstein, Schirm e Lazar argumentam com clareza por que o uso dicotômico de significância precisa ser abandonado e o que colocar no lugar: doi.org/10.1080/00031305.2019.1583913
Documentação do effectsize: Referência completa para Cohen’s d, eta², omega² e outros índices, com exemplos e convenções de interpretação: easystats.github.io/effectsize
Documentação do parameters: Como extrair coeficientes, IC e tamanho do efeito de qualquer modelo com uma interface consistente: easystats.github.io/parameters
Edição anterior sobre p-valor Se você ainda não leu a edição de novembro de 2025 que cobre a teoria por trás do que discutimos aqui, vale voltar: jenniferlopes.quarto.pub/portifolio/cafecomr/posts/25_11_dose3.html
Próxima edição - cafezinho 11 - 01 de junho
O que separa um script de uma análise e por que essa diferença define a qualidade do que você entrega.
Gostou desta edição? Assine o Café com R e receba conteúdo de R e Ciência de Dados a cada quinze dias.