Poucos conceitos na estatística são tão usados e tão mal compreendidos quanto o p-valor. Ele aparece em relatórios, dissertações, teses e artigos científicos — e ainda assim a interpretação errada continua sendo muito comum. A pergunta raramente deveria ser apenas “deu significativo?”. A pergunta mais importante é: o que esse resultado significa no contexto do estudo?
O objetivo deste artigo não é transformar o p-valor em vilão. Ele é uma ferramenta útil. O problema é usá-lo como se fosse a conclusão inteira da análise. Em uma pesquisa real, o p-valor precisa ser interpretado junto com o tamanho do efeito, o intervalo de confiança, o desenho do estudo, os pressupostos do método e a relevância prática do resultado.
O que o p-valor é, de fato
Em termos técnicos, o p-valor é a probabilidade de obter uma estatística de teste tão extrema quanto a observada — ou mais extrema — assumindo que a hipótese nula e o modelo estatístico adotado sejam verdadeiros. Em linguagem mais aplicada, ele indica quão compatíveis os dados seriam com a hipótese nula dentro daquele modelo.
A hipótese nula costuma representar uma afirmação de ausência ou referência: não há diferença entre os grupos, não há associação entre as variáveis, a média é igual a determinado valor ou o coeficiente é igual a zero. O teste estatístico parte dessa hipótese e pergunta: se esse cenário fosse verdadeiro, quão surpreendente seria observar dados como os que apareceram na amostra?
Quando o p-valor é pequeno, os dados são menos compatíveis com a hipótese nula. Quando ele é maior, os dados não oferecem evidência suficiente para rejeitá-la. Essa formulação é mais cuidadosa do que dizer simplesmente que o resultado “deu” ou “não deu” significativo.
O que o p-valor não é
A maior parte dos erros aparece quando o p-valor é interpretado como se respondesse perguntas que ele não responde.
- Ele não é a probabilidade de a hipótese nula ser verdadeira. O p-valor calcula uma probabilidade sobre os dados, assumindo a hipótese nula; não calcula a probabilidade da hipótese nula depois de observar os dados.
- Ele não diz que há 95% de chance de a hipótese alternativa estar correta. Essa interpretação inverte a lógica do teste de hipóteses.
- Ele não mede o tamanho do efeito. Um efeito pequeno pode ter p-valor baixo em amostras grandes, e um efeito relevante pode não atingir significância em amostras pequenas.
- Ele não prova causalidade. A interpretação causal depende do desenho do estudo, do controle de confundidores e da plausibilidade metodológica.
Significância estatística não é relevância prática
Um resultado pode ser estatisticamente significativo e ainda assim ter pouca importância prática. Isso acontece porque o p-valor depende não apenas da magnitude do efeito, mas também do tamanho da amostra e da variabilidade dos dados.
Considere um estudo com dois grupos que diferem em apenas 0,1 desvio padrão em uma variável numérica. Essa diferença pode ser pequena demais para ter relevância clínica, educacional ou gerencial. Com 30 participantes por grupo, o p-valor pode ser alto e não significativo. Com 1.000 participantes por grupo, a mesma diferença pequena pode se tornar estatisticamente significativa. O efeito substantivo não mudou; o que mudou foi a capacidade do estudo de detectar diferenças pequenas.
Por isso, reportar apenas “p < 0,05” é insuficiente. Em muitos contextos, a pergunta decisiva é se o tamanho do efeito é relevante para a área de aplicação. Em saúde, por exemplo, uma diferença estatisticamente detectável pode não justificar uma mudança de conduta. Em ciências sociais, uma associação significativa pode explicar muito pouco da variabilidade do fenômeno.
O problema do n pequeno: quando o p-valor não detecta o que pode existir
O oposto também acontece. Com amostras pequenas, o teste pode ter baixo poder estatístico — isto é, pouca capacidade de detectar um efeito real. Um p-valor maior do que 0,05 em um estudo com poucos participantes não significa automaticamente que não existe efeito. Pode significar apenas que a amostra era insuficiente, a variabilidade era alta ou a estimativa ficou imprecisa.
“Não houve evidência estatística de diferença” e “foi demonstrado que não há diferença” são afirmações diferentes. Confundi-las é um erro comum em trabalhos acadêmicos. A primeira reconhece uma limitação da evidência; a segunda faz uma conclusão mais forte, que geralmente exigiria desenho, amostra e análise planejados para sustentar essa interpretação.
A diferença entre p = 0,04 e p = 0,004
Embora o corte de 0,05 seja uma convenção amplamente usada, ele não deve ser tratado como uma fronteira rígida entre verdade e erro. Um p-valor de 0,049 e um de 0,051 são muito parecidos em termos de evidência, apesar de caírem em lados diferentes do corte convencional.
Ao mesmo tempo, o valor numérico do p-valor carrega informação. Um p-valor de 0,004 geralmente indica dados menos compatíveis com a hipótese nula do que um p-valor de 0,04, dentro do mesmo tipo de análise. O problema não é usar o p-valor. O problema é tratá-lo como uma chave liga/desliga.
O que observar junto com o p-valor
Para interpretar um resultado estatístico com mais responsabilidade, observe o p-valor junto com outras informações:
- Tamanho do efeito: diferença de médias, coeficiente, correlação, razão de chances ou outra medida que expresse a magnitude do resultado.
- Intervalo de confiança: comunica a incerteza, a direção e a precisão da estimativa. Um intervalo muito amplo sugere maior incerteza.
- Desenho do estudo: define se a interpretação pode ser apenas associativa ou se há base para uma conclusão causal mais forte.
- Pressupostos do método: independência, distribuição dos resíduos, estrutura dos dados e forma de amostragem podem afetar a validade da análise.
- Relevância prática: nem todo resultado estatisticamente significativo é substantivamente importante.
Essa leitura integrada também ajuda a conectar o p-valor ao intervalo de confiança. Enquanto o p-valor resume a evidência contra uma hipótese nula específica, o intervalo mostra uma faixa de valores compatíveis com os dados e o método usado.
Como reportar resultados de forma mais honesta
Em artigos, TCCs, dissertações e teses, é preferível reportar o valor exato do p-valor quando possível, em vez de escrever apenas “p < 0,05”. Escrever p = 0,032 é mais informativo do que transformar todos os resultados em “significativo” ou “não significativo”.
Também é importante reportar o tamanho do efeito e o intervalo de confiança. A diferença entre médias, o coeficiente de correlação, a razão de chances ou o coeficiente de regressão dizem mais sobre a interpretação substantiva do que o p-valor isolado.
Conclusão
O p-valor é uma ferramenta útil quando interpretada corretamente — e limitada quando usada de forma mecânica. Ele responde a uma pergunta específica sobre compatibilidade entre dados e hipótese nula dentro de um modelo estatístico. Não responde, sozinho, se o efeito é grande, se o resultado é importante, se a hipótese alternativa é verdadeira ou se o estudo foi bem desenhado.
Entender o que o p-valor não diz é tão importante quanto saber o que ele diz. Em geral, um resultado com p-valor reportado, tamanho de efeito, intervalo de confiança e discussão de relevância prática é mais informativo do que uma conclusão baseada apenas em “p < 0,05”.
Se você está estruturando a seção de resultados da sua dissertação, tese ou artigo científico, interpretar corretamente o p-valor — junto ao tamanho de efeito e ao intervalo de confiança — é parte central de uma metodologia defensável.