Novos Testes para Comparações Múltiplas de Coeficientes de Correlação Independentes: Avaliação de Desempenho e Robustez
Teste de Hipóteses; Estatística Multivariada; Estatística Computacional.
A análise de correlação linear permite avaliar a intensidade e a direção da associação entre variáveis, sendo utilizada em diferentes contextos de pesquisa. Na inferência estatística, a comparação simultânea de coeficientes de correlação provenientes de múltiplas populações exige procedimentos que controlem a taxa de erro tipo I por família (Familywise Error Rate – FWER). Nesse contexto, a transformação Z de Fisher permite estabilizar a variância dos coeficientes de correlação amostrais, enquanto a distribuição da amplitude padronizada fornece uma estrutura para comparações múltiplas entre estimativas independentes. Contudo, o caso específico de comparações múltiplas pareadas entre coeficientes de correlação provenientes de populações bivariadas independentes ainda parece pouco explorado na literatura. Dessa forma, este trabalho propõe o teste Q_m para avaliar, simultaneamente, hipóteses do tipo H_0^(k,j): rho_k = rho_j, para cada par (k,j), com k < j, entre as g populações consideradas. Como procedimento comparativo, foi criado um novo teste Z_b, baseado na aproximação normal assintótica com correção de Bonferroni. Com base em simulações de Monte Carlo, avaliou-se o controle da FWER associada à família de comparações pareadas em cenários balanceados sob a hipótese nula, considerando diferentes números de populações (g), tamanhos amostrais (n) e magnitudes de correlação populacional (rho). Os resultados preliminares indicaram que o teste Q_m apresentou controle adequado da taxa de erro tipo I em parte expressiva dos cenários avaliados, especialmente a partir de tamanhos amostrais moderados. O teste Z_b, por sua vez, apresentou comportamento mais conservativo em diversos cenários, em especial para maiores números de populações. Esses resultados orientam as próximas etapas da pesquisa, que incluirão a avaliação do poder estatístico sob a hipótese alternativa e a análise do comportamento dos testes em cenários desbalanceados.