Tamanho amostral: como calcular e por que isso importa

Por que o tamanho amostral é uma decisão metodológica, não um número arbitrário

Olha só: uma das perguntas que mais aparecem em bancas de qualificação é sobre o tamanho da amostra. E uma das respostas que mais reprovam, silenciosamente, é “escolhi porque parecia suficiente”.

Tamanho amostral não é um número que você escolhe por intuição ou por conveniência logística. É uma decisão metodológica que precisa ser fundamentada antes da coleta de dados, e que determina o que você pode ou não pode afirmar com seus resultados.

Neste post, quero explicar por que isso importa, quais conceitos estão por trás do cálculo e o que muda dependendo do tipo de estudo que você está fazendo.

O problema central: o que você quer detectar

Toda pesquisa quantitativa parte de uma pergunta sobre uma relação, diferença ou associação entre variáveis. Para investigar isso, você precisa de dados. A questão é: quantos dados?

A resposta depende de uma variável que muitas pesquisadoras ignoram no planejamento: o tamanho do efeito esperado.

Tamanho de efeito é a magnitude da diferença ou associação que você espera encontrar. Se um tratamento produz uma melhora muito grande em relação ao grupo controle, você precisa de uma amostra menor para detectar essa diferença. Se a diferença esperada é pequena, você precisa de mais participantes para ter poder estatístico suficiente para identificá-la.

Isso parece óbvio quando você lê dessa forma. Na prática, muitas pesquisas são planejadas sem essa estimativa, com amostras que não têm poder para detectar o efeito real do fenômeno estudado. O resultado é um estudo com resultados não significativos que não significa que o efeito não existe, mas que a amostra era pequena demais para encontrá-lo.

Os três parâmetros do cálculo amostral

Para calcular o tamanho amostral de um estudo quantitativo, você precisa de pelo menos três informações:

O nível de significância, geralmente representado por alfa, que em ciências da saúde e humanas costuma ser definido como 0,05. Esse valor representa a probabilidade de rejeitar a hipótese nula quando ela é verdadeira. Quanto menor o alfa, maior a amostra necessária.

O poder estatístico, representado por 1 menos beta. O padrão mais comum é 0,80, que significa 80% de probabilidade de detectar o efeito se ele existir. Estudos que exigem mais certeza usam 0,90. Poder baixo aumenta a chance de um falso negativo, ou seja, concluir que não há efeito quando há.

O tamanho de efeito esperado. Esse é o parâmetro mais difícil de estimar porque exige revisão de literatura. Você busca estudos anteriores sobre o mesmo fenômeno e extrai a magnitude do efeito encontrado por eles. Se não existem estudos prévios, você pode fazer um estudo piloto ou usar convenções estabelecidas para efeitos pequenos, médios e grandes.

Com esses três parâmetros, ferramentas como o G*Power calculam o tamanho amostral de forma gratuita para dezenas de tipos de teste estatístico. Faz sentido? A lógica não é difícil. O que é difícil é fazer o trabalho de estimar o efeito antes de começar a coleta.

Por que calcular antes da coleta (e não depois)

Aqui mora um dos erros mais comuns em estudos de pós-graduação: calcular o tamanho amostral depois de já ter coletado os dados, usando a amostra que se conseguiu coletar, e reportar o poder post-hoc como se fosse planejamento.

Isso não é planejamento amostral. É justificativa retroativa, e a maioria das bancas e revisores de periódico sabe identificar.

O cálculo a priori serve para informar quantos participantes você precisa recrutar. Se você descobre que precisa de 200 participantes e só tem acesso a 60, isso é uma limitação que precisa ser declarada e que restringe o tipo de conclusão que você pode fazer. Você pode ainda fazer um estudo exploratório, mas não pode afirmar que sua amostra tem poder para detectar o efeito.

Calcular depois e ajustar os parâmetros para que o poder pareça adequado compromete a integridade metodológica do estudo.

O caso da pesquisa qualitativa: saturação em vez de número

A lógica do cálculo amostral é específica de estudos quantitativos. Em pesquisa qualitativa, o critério é diferente.

Em abordagens como teoria fundamentada, fenomenologia ou pesquisa de narrativa, o objetivo não é generalizar para uma população com base em probabilidade estatística. O objetivo é compreender um fenômeno em profundidade a partir da perspectiva de quem o vive.

Nesse contexto, o critério para encerrar a coleta é a saturação teórica ou saturação de dados, que ocorre quando novas entrevistas, observações ou documentos analisados param de gerar categorias analíticas novas. O pesquisador percebe que os dados começam a repetir as mesmas ideias, perspectivas e padrões, indicando que o fenômeno foi suficientemente explorado.

Isso não tem um número fixo. Estudos fenomenológicos podem alcançar saturação com 8 participantes em amostras homogêneas, ou precisar de 30 em amostras mais diversas. O que importa é que o pesquisador documente como chegou a essa conclusão e que o critério seja coerente com o referencial metodológico do estudo.

Amostragem: a decisão que vem antes do tamanho

Antes de calcular quantos participantes você precisa, você precisa decidir como vai selecioná-los. E essa decisão afeta diretamente o que você pode concluir com seus dados.

Em estudos quantitativos que buscam generalização, a amostragem aleatória é o padrão de referência. Quando todos os indivíduos da população têm a mesma probabilidade de ser selecionados, o estudo pode generalizar seus achados para além da amostra. Quando a amostragem é por conveniência, que é o que acontece quando você coleta dados de quem aceita participar, as generalizações ficam limitadas.

Em estudos qualitativos, a amostragem é intencional ou teórica. Você seleciona participantes que têm o tipo de experiência relevante para a sua pergunta de pesquisa, não participantes aleatórios. Isso não é uma limitação, é uma característica do método.

Entender esses tipos de amostragem e ser capaz de justificar sua escolha é parte do que a banca vai avaliar. “Coletei de quem eu tinha acesso” é uma estratégia que pode ser válida, mas precisa ser nomeada como conveniência e as implicações para a generalização precisam ser discutidas.

O que acontece quando a amostra é inadequada

Dois problemas clássicos surgem de amostragem mal planejada.

O primeiro é a amostra pequena demais. O estudo não tem poder para detectar o efeito que existe, chega a resultados não significativos e conclui erroneamente que não há diferença ou associação. Isso gera viés de publicação, porque estudos com resultados negativos tendem a não ser publicados, e distorce o estado do conhecimento numa área.

O segundo é a amostra grande demais, que é menos discutida mas igualmente problemático. Com amostras muito grandes, diferenças estatisticamente significativas podem aparecer para efeitos tão pequenos que não têm nenhuma relevância clínica ou prática. A significância estatística não equivale a relevância do resultado.

Por isso, junto com o tamanho amostral, é importante reportar o tamanho de efeito encontrado e discutir sua relevância substantiva, não apenas a significância do teste estatístico.

O planejamento metodológico como argumento científico

O tamanho amostral é parte do argumento científico do seu estudo, não um detalhe técnico secundário.

Quando você apresenta seu projeto na qualificação ou submete um artigo para um periódico, a seção de métodos precisa mostrar que você entendeu o fenômeno que está estudando, que escolheu um método coerente com sua pergunta e que planejou a coleta de forma que seus resultados tenham validade interna adequada.

A justificativa do tamanho amostral é um dos pontos onde esse argumento se sustenta ou desmorona. É por isso que vale a pena entender a lógica por trás do cálculo, mesmo que você use uma ferramenta automatizada para fazê-lo. Entender por que você precisa de 120 participantes e não de 40 é diferente de copiar um número de uma calculadora sem saber o que ele significa.

Se você está na fase de planejamento do seu estudo, revise a literatura sobre o tamanho de efeito esperado, defina seus parâmetros de significância e poder com base no que é padrão na sua área, e use o G*Power ou uma ferramenta equivalente para chegar ao número. Documente esse processo na seção de métodos. É esse cuidado que separa um projeto robusto de um projeto frágil.