Calculadora de Tabela de Contingência

Calculadora de Tabela de Contingência

A Calculadora de Tabela de Contingência realiza o teste qui-quadrado de independência em qualquer tabela de contingência R×C (tabulação cruzada). Insira suas frequências observadas para testar se duas variáveis categóricas estão estatisticamente associadas. Obtenha resultados detalhados, incluindo frequências esperadas, resíduos padronizados ajustados, tamanho do efeito V de Cramér, análise de contribuição de células, gráficos de mosaico interativos, mapas de calor de resíduos, curvas de distribuição qui-quadrado e uma solução passo a passo completa.

Como usar a Calculadora de Tabela de Contingência

1. Definir dimensões da tabela — escolha o número de linhas e colunas para sua tabela de contingência. O padrão é uma tabela 2×2, mas você pode analisar tabelas de até 10×10 usando os seletores suspensos.
2. Inserir frequências observadas — digite a contagem observada para cada célula diretamente na grade interativa. Alternativamente, mude para o modo "Entrada de Texto" para colar dados separados por tabulação ou vírgula. Todos os valores devem ser números inteiros não negativos.
3. Adicionar rótulos (opcional) — insira rótulos de categoria de linha e coluna separados por vírgulas. Os rótulos facilitam a interpretação das tabelas e gráficos de saída. Por exemplo, "Masculino, Feminino" para linhas e "Sim, Não" para colunas.
4. Definir nível de significância — escolha o nível α desejado. A escolha mais comum é 0,05 (95% de confiança). Valores menores de α (0,01, 0,001) requerem evidências mais fortes para declarar significância.
5. Analisar resultados — clique em "Analisar Tabela de Contingência" para ver a estatística qui-quadrado, o p-valor, medidas de tamanho de efeito, visualizações e a solução passo a passo.

O Que é uma Tabela de Contingência?

Uma tabela de contingência (também chamada de tabulação cruzada, crosstab ou tabela de frequência de duas vias) exibe a distribuição de frequência conjunta de duas variáveis categóricas. Cada linha representa uma categoria da primeira variável, cada coluna representa uma categoria da segunda variável e cada célula contém a contagem de observações que caem nessa combinação específica. As tabelas de contingência são a base para muitos métodos de análise de dados categóricos, incluindo o teste qui-quadrado, o teste exato de Fisher e modelos log-lineares.

O Teste Qui-Quadrado de Independência

O teste qui-quadrado (χ²) de independência determina se existe uma associação estatisticamente significativa entre duas variáveis categóricas. Ele funciona comparando as frequências observadas das células com as frequências que seriam esperadas se as variáveis fossem independentes.

Onde Oᵢⱼ é a frequência observada na célula (i,j), e Eᵢⱼ é a frequência esperada calculada como:

Os graus de liberdade para o teste são (r − 1) × (c − 1), onde r é o número de linhas e c é o número de colunas. Um valor maior de χ² indica uma discrepância maior entre as frequências observadas e esperadas, sugerindo que as variáveis estão associadas.

V de Cramér — Medindo o Tamanho do Efeito

Enquanto o p-valor indica se existe uma associação, o V de Cramér indica quão forte ela é. O V de Cramér varia de 0 (nenhuma associação) a 1 (associação perfeita) e é calculado como:

Onde N é o tamanho total da amostra e k é o menor entre o número de linhas ou colunas. A interpretação do V de Cramér depende dos graus de liberdade:

Tamanho do Efeito	df* = 1	df* = 2	df* ≥ 3
Desprezível	< 0,10	< 0,07	< 0,06
Pequeno	0,10 – 0,30	0,07 – 0,21	0,06 – 0,17
Médio	0,30 – 0,50	0,21 – 0,35	0,17 – 0,29
Grande	≥ 0,50	≥ 0,35	≥ 0,29

*df* refere-se a min(linhas, colunas) − 1

Entendendo os Resíduos Padronizados

Resíduos padronizados ajustados revelam quais células específicas contribuem mais para um resultado qui-quadrado significativo. Um resíduo de +2,5 em uma célula significa que essa célula possui 2,5 desvios padrão a mais de observações do que o esperado sob independência. Os limites principais são:

• |r| > 1,96 — significativamente diferente do esperado (p < 0,05)
• |r| > 2,58 — altamente significativamente diferente do esperado (p < 0,01)
• Resíduo positivo — mais observações do que o esperado naquela célula
• Resíduo negativo — menos observações do que o esperado naquela célula

Quando Usar o Teste Qui-Quadrado

• Dados categóricos — ambas as variáveis devem ser categóricas (nominais ou ordinais)
• Observações independentes — cada observação deve ser contada apenas uma vez
• Tamanho de amostra adequado — pelo menos 80% das contagens esperadas devem ser ≥ 5, e nenhuma contagem esperada deve ser inferior a 1
• Amostragem aleatória — as observações devem vir de uma amostra aleatória da população

Se as contagens esperadas forem muito baixas, considere combinar categorias, usar o teste exato de Fisher (para tabelas 2×2) ou usar testes exatos ou simulação de Monte Carlo para tabelas maiores.

Teste Qui-Quadrado vs. Teste Exato de Fisher

• O teste qui-quadrado utiliza uma aproximação de grande amostra; o teste de Fisher calcula probabilidades exatas
• O teste de Fisher é preferido para tabelas 2×2 com contagens esperadas pequenas (< 5)
• O teste qui-quadrado generaliza-se naturalmente para tabelas R×C de qualquer tamanho
• Para grandes amostras, ambos os testes produzem resultados muito semelhantes

FAQ

O que é uma tabela de contingência?

Uma tabela de contingência (também chamada de tabulação cruzada ou crosstab) é uma tabela que exibe a distribuição de frequência de duas ou mais variáveis categóricas. Cada célula mostra a contagem de observações que caem em uma combinação específica de categorias. É a base para testar se as variáveis são independentes ou associadas usando o teste qui-quadrado.

O que é o teste qui-quadrado de independência?

O teste qui-quadrado de independência determina se existe uma associação estatisticamente significativa entre duas variáveis categóricas em uma tabela de contingência. Ele compara as frequências observadas das células com as frequências esperadas calculadas sob a suposição de que as variáveis são independentes. Uma estatística qui-quadrado grande em relação aos graus de liberdade sugere que as variáveis estão associadas.

O que é o V de Cramér e como interpretá-lo?

O V de Cramér é uma medida de tamanho de efeito para o teste qui-quadrado, variando de 0 (nenhuma associação) a 1 (associação perfeita). Para tabelas 2×2, valores abaixo de 0,10 são desprezíveis, 0,10–0,30 é um efeito pequeno, 0,30–0,50 é médio e acima de 0,50 é grande. Para tabelas maiores, os limites são proporcionalmente menores. Ao contrário do p-valor, o V de Cramér mede a força da associação, não apenas se ela existe estatisticamente.

O que são resíduos padronizados em uma tabela de contingência?

Resíduos padronizados ajustados mostram o quanto cada célula se desvia do que seria esperado sob independência. Valores maiores que +1,96 ou menores que −1,96 indicam um desvio significativo ao nível de 0,05. Resíduos positivos significam mais observações do que o esperado naquela célula; resíduos negativos significam menos. Eles ajudam a identificar quais combinações específicas de células impulsionam a associação geral.

Quando não devo usar o teste qui-quadrado?

O teste qui-quadrado pode ser não confiável quando as frequências esperadas são muito baixas — especificamente quando mais de 20% das contagens esperadas ficam abaixo de 5, ou qualquer contagem esperada é inferior a 1. Para tabelas 2×2 com amostras pequenas, o teste exato de Fisher é preferido. O teste também requer observações independentes, portanto não deve ser usado com dados pareados, combinados ou de medidas repetidas.