O Fluxogramas e questões científicas.

...

[pic 1]

[pic 2]

[pic 3]

A primeira coisa a notar no fluxograma, é que as setas indicam a direção do efeito. Uma seta com pontas nas duas extremidades indica que cada uma das variáveis influencia a outra. Se não há pontas de flecha no traço que une duas variáveis, indica que elas variam conjuntamente, mas nenhuma afeta diretamente a outra. Embora teoricamente possível, nenhuma destas duas situações é útil para modelagem e o leitor deveria procurar uma terceira variável que explique a relação. A figura 8 mostra uma correlação, que pode ser substituída pela figura 9. Se duas variáveis têm uma relação causal, como aparece na figura 10, deveríamos ser capazes de incluir um ou mais fatores que explicassem esta causalidade, da forma exemplificada na figura 11. 19 EDUCAÇÃO SAÚDE Figura 8 CAPACIDADE PROFISSIONAL EDUCAÇÃO SAÚDE Figura 9 CAPACIDADE PROFISSIONAL RENDA 20 EDUCAÇÃO SAÚDE Figura 10 CAPACIDADE PROFISSIONAL EDUCAÇÃO SAÚDE Figura 11 CAPACIDADE PROFISSIONAL ESCOLARIDADE HIGIENE Este exercício resultou em fluxogramas que mostram os fatores que julgamos importantes para o processo em estudo e o que afeta o quê. É claro que todos os modelos apresentados até agora demandam ainda muito trabalho e pode ser difícil admitir que eles são vitais como ponto de partida de estudos científicos. Eles não são "sofisticados" no sentido original da palavra, que era "desnecessariamente complexos", e não contêm aqueles hieróglifos que usualmente associamos com textos científicos, como "P

Três tipos de estudo

1. Isto é real?

A questão básica, e freqüentemente a única questão de muitos estudos, é verificar se um efeito existe. Isto equivale a perguntar se nós deveríamos mesmo incluir esta seta em nosso diagrama. Pode parecer simples provar que um efeito existe, mas nada é tão simples assim. Alguns poucos cientistas calculam a probabilidade de que a seta exista, lançando mão da estatística Bayesiana, e sem dúvida os cientistas adeptos da estatística Bayesiana têm facilidade de se comunicar com políticos e com o público em geral. Albert (1997) nos dá uma explanação fácil de ser digerida de como a estatística Bayesiana pode ser usada para responder questões simples. Entretanto, a estatística Bayesiana não é fácil de se entender ou calcular (Moore 1997), e Guttman (1985) refere-se a ela como "uma cura pior do que a doença". A maioria dos testes estatísticos, dos textos de estatística e dos programas estatísticos para computadores são baseados em técnicas freqüentistas e calculam a probabilidade de a seta não existir em nossos fluxogramas. Isto está longe do que o senso comum indicaria como o procedimento lógico e não é o tipo de probabilidade com que a maioria das pessoas se sente à vontade. No entanto, a maioria dos testes estatísticos que os membros de sua equipe irão usar será baseada em técnicas freqüentistas (i.e. na filosofia Popperiana). Portanto, se o leitor não é familiarizado com a filosofia Popperiana, deveria ler o capítulo 5. É importante entender que os testes estatísticos mais poderosos usualmente empregados não respondem à questão “O efeito normalmente existe?”, mas sim à questão “Se todas as outras variáveis forem mantidas constantes, a mudança desta variável produz algum efeito?”. Estes testes consideram apenas os efeitos diretos, tornando os efeitos indiretos impossíveis de ser acessados, porque constrangem as outras variáveis tratando-as como constantes. Esta diferença não é trivial. Alguns fatores que não têm efeitos diretos nas variáveis-resposta podem ser muito importantes no mundo real, e algumas variáveis que normalmente têm um pequeno efeito direto, difícil de ser detectado em campo, podem ter grande potencial para a medicina ou agricultura, se seus níveis puderem ser manipulados artificialmente. A maneira mais convincente de mostrar que efeitos diretos estão atuando é através de um experimento que manipule o sistema, de forma que apenas as variáveis estudadas 22 possam influenciar o resultado. Diz-se que os resultados destes experimentos permitem uma “inferência forte” (sensu Platt 1964), já que as variáveis que poderiam estar confundindo os resultados foram eliminadas. Contudo, os resultados obtidos podem não ter muita relevância para o mundo real (p. ex. Carpenter, 1999) e os ecólogos serão sempre capazes de sugerir um ou mais fatores prováveis de desempenhar algum efeito (Tukey 1991, Johnson 1999), mesmo que estes efeitos não tenham muita importância nos sistemas não manipulados. O líder precisa se assegurar que as questões formuladas por cada um dos pesquisadores da equipe sejam relevantes para a questão geral.

2. Qual é a forma e magnitude do efeito?

Descobrir que um efeito é ou não diferente de zero freqüentemente não é muito útil (p. ex. Rosenthal e Rubin 1994). A segunda fase da pesquisa freqüentemente levanta questões a respeito da forma da relação existente ou que se presume existir. A maioria dos modelos é construída sobre relações lineares simples ou linearizadas e nosso fluxograma reflete isto. Poderíamos achar que, para cada peixe predador acrescentado ao sistema, reduzimos a densidade do lagostim em três indivíduos por metro de riacho. Mas, um resultado simples como este é improvável. Muitos estudos ecológicos têm mostrado que o efeito de predadores sobre as densidades das presas não é simplesmente uma função linear de suas densidades. Caughley e Sinclair (1994: Capítulo 11) fornecem muitos exemplos. Lagostins em pequenas densidades podem não ser suficientes para manter populações de peixes. Em altas densidades de lagostins, a população de peixes pode não ser limitada pela disponibilidade de alimento, mas por outros fatores, como, por exemplo, a densidade de seus próprios predadores. Muitas variáveis que afetam processos biológicos se comportam desta forma, não produzindo efeitos em baixos níveis, efeitos positivos em níveis intermediários e efeitos negativos em níveis elevados. A figura 12 mostra a relação entre a temperatura e a proporção da população em atividade de um inseto hipotético. Pensem quantas relações em seu campo de estudo reagem desta forma. É importante conhecer a forma da relação entre as variáveis, à medida que vamos incorporando-as em nosso modelo, mudar as unidades de medida das variáveis (ou seja, transformá-las), ou decidir investigar somente uma gama limitada de condições, antes que possamos aplicar a maioria dos testes estatísticos ou técnicas de modelagem. Na