Amostre-se
Conheça 6 tipos de amostragem possíveis
Está na hora da sua pesquisa? Então chegou o momento de conversarmos sobre amostra. No final do texto tem uma dica de ouro!
Primeiro, o que é uma amostra?
Para isso, precisamos explicar o que é uma população. População é um conjunto de sujeitos/objetos que apresenta, ao menos, uma característica em comum. Por exemplo, se estivermos pesquisando o engajamento nos trabalhadores do Brasil, sua população são todos os brasileiros que trabalham pois eles possuem a nacionalidade brasileira e emprego como características em comum. Estudos que acessam todos os integrantes da população são chamados de censo ou estudo censitário. Exemplos típicos de estudos censitários são as pesquisas do IBGE que abrangem a população nacional. Porém, às vezes é difícil conseguir acessar todos os integrantes de uma população numa pesquisa (caso consiga, me avise como).
Então teremos que trabalhar com uma amostra, uma parte menor, mas representativa, da sua população.
Chegamos a outro conceito importante: representatividade. Vamos pensar no público LGBTQIA+. Por se tratar de um grupo minoritário, é uma preocupação que eles sejam devidamente representados numa pesquisa. Caso não forem, corremos o risco de estar ouvindo e estudando a classe dominante heteronormativa e generalizando suas experiências para a população inteira, quando estamos deixando de lado grupos com outra opiniões. Temos representatividade estatística quando as constatações que fazemos sobre a amostra podem ser generalizadas ao universo da população, considerando uma margem de erro aceitável. Ou seja, uma amostra representativa deve ser suficiente para que possa haver a generalização dos nossos achados para a população.
Claro que sempre há uma margem de erro, e a isso chamamos de erro amostral, que é a diferença entre o resultado obtido na amostra e o valor verdadeiro na população. Mas há um mínimo aceitável para que você tenha uma amostra considerada representativa estatisticamente falando. Como saber qual é esse número? Para isso, você poderá fazer um cálculo de tamanho amostral. Basicamente, esse cálculo leva em consideração:
- o tamanho da população da sua pesquisa: X
- a margem de erro: a probabilidade de erro (geralmente é usado 5 em Ciências Sociais).
- o intervalo de confiança: a probabilidade de acerto (geralmente 95 em Ciências Sociais).
Existem calculadoras da cálculo amostral que fazem essa conta para você, como a do Survey Monkey por exemplo. Ela é uma boa opção, caso você queira testar diferentes combinações de intervalos de confiança ou se quiser saber a robustez que mais pessoas na sua amostra pode trazer para a sua pesquisa.
Agora, vamos falar dos tipos de amostragem. Existem dois grandes grupos de métodos de amostragem: Métodos Probabilísticos e Métodos Não-probabilísticos. Para explicarmos cada um, elaboramos 6 exemplos de pesquisas hipotéticas que pediriam por diferentes tipos de amostragem.
Métodos probabilísticos
Os métodos probabilísticas são aqueles em que a seleção dos participantes ocorre de maneira aleatória e que cada elemento da população tem a mesma probabilidade de fazer parte da amostra. Resumindo, é como se fosse um sorteio.
Nesses métodos, algumas dificuldades podem aparecer. Primeiro, nem sempre conhecemos completamente nossa população. É difícil saber o número exato de quantos esportistas existem, por exemplo. Além disso, esse tipo de amostragem costuma ser mais demorada e custosa.
Por outro lado, é o melhor caminho para generalizar para a população os resultados obtidos com a amostra, pois a amostra terá a maior chance de ser representativa das características da população, já que foi escolhida aleatoriamente.
Para exemplificar os métodos de amostragem probabilísticos, imagine as seguintes pesquisas hipotéticas abaixo:
Pesquisa 1: Média de horas de escrita de TCC em estudantes de último ano de Psicologia
Imagine que queremos saber a média de horas de escrita de TCC de estudantes de último ano de uma universidade de Psicologia. Nossa população são todos os estudantes de último ano desse curso nessa universidade. Mas não temos tempo de falar com todos. A partir do cálculo amostral, encontramos que é suficiente e representativo que nossa amostra tenha 70 pessoas. Então seria possível fazer um sorteio entre todos esses estudantes e nossa amostra seria os primeiros 70 estudantes sorteados. Essa seria uma amostragem aleatória simples, que é aquela em que todos os membros de uma população têm a mesma probabilidade de serem incluídos na amostra. É a mais básica das amostragens probabilísticas e se destaca pelo poder de generalização dos resultados, já que a amostra é a mais aleatória possível dentro da população.
Pesquisa 2: Percepção de justiça em diferentes níveis de cargo
Agora, imagine que queremos comparar percepção de justiça em diferentes níveis de cargo (estagiário, analista júnior, pleno e sênior, líder e diretor) em uma empresa. Fazendo uma amostra aleatória simples, correríamos o risco de não termos pessoas de alguns grupos menores, como gestores por exemplo. Para essa pesquisa, seria interessante utilizar a amostra aleatória estratificada. Nela dividiremos a população grupos por características em comum, nesse caso o cargo, o que é chamado de estrato. Então, dentro de cada estrato, é feito o processo de amostragem aleatória simples (ou sorteio) decidindo quem participará da amostra. Assim teremos todos os níveis de cargo representados na amostra.
Pesquisa 3: Hábitos alimentares na capital do churrasco
Para fechar os métodos probabilísticos, imagine que queremos investigar os hábitos alimentares das pessoas de Porto Alegre (por ser uma cultura com alto consumo de carne, mas que tem encontrado alguns veggies fora da curva que se aventuram nessas terras). Por não conseguirmos falar com todas as pessoas de Porto Alegre, poderíamos sortear alguns bairros onde faríamos a pesquisa com todos os moradores. Isso seria uma amostragem por conglomerado, onde a população encontra-se localizada naturalmente em conglomerados que podem ser ruas, bairros ou empresas, e são assumidos como heterogêneos, ou seja, diferentes entre si.
Métodos não-probabilísticos
Por outro lado, métodos não-probabilísticos contam com a seleção dos elementos da amostra de forma não aleatória. Sua maior desvantagem é que podem trazer um viés de seleção, já que alguém escolherá quem irá participar da amostra. Por isso, fica mais complicado de generalizar os resultados obtidos com a amostra para a população. Ela é recomendada quando desconhecemos a população ou quando ela é muito específica ou de difícil acesso, em estudos pilotos ou quando não há necessidade de generalizações.
Agora, vamos colocar em prática pensando nessas próximas 3 pesquisas hipotéticas:
Pesquisa 4: Modelo de entrevista de estilo parental
Imagine que estamos fazendo um estudo piloto para testar um novo modelo de entrevista de estilo parental para pais. Sendo um estudo piloto em que não há necessidade de generalização, seria possível que você o testasse com pessoas que são pais ou mães e estão ao seu alcance, o que seria chamado de amostragem por conveniência. Nesse caso, a amostra é feita pelos participantes que o pesquisador tem maior acesso. Importante lembrar que a amostra por conveniência, assim como qualquer outro tipo de amostragem, deve ser escolhida se responde melhor à sua questão de pesquisa, não por ser a mais conveniente.
Pesquisa 5: Perspectiva de carreira em jovens de gangue
Imagine que estamos querendo investigar a perspectiva de carreira jovens participantes de gangues em uma determinada cidade. Essa pesquisa dependeria da voluntariedade dos integrantes de gangues para ser realizada. Aqueles que se auto selecionassem chegariam até nós, pesquisadores. Isso seria uma amostragem por auto seleção ou por seleção de voluntários. Nela, os participantes voluntariamente se propõem a participar da pesquisa. Esse tipo de amostragem também é comum em pesquisas online que são publicadas em redes sociais.
Pesquisa 6: Burnout em profissionais de cuidados paliativos
Pense agora que queremos pesquisar burnout em profissionais com pacientes em cuidados paliativos. É uma população bem restrita, mas é possível que os profissionais da área conheçam outros do mesmo grupo. Então seria possível identificar um possível participante e pedir indicações de outras pessoas com o mesmo perfil. Isso seria uma amostragem por bola de neve (ou snowball), muito utilizada para populações muito específicas e de difícil acesso.
Extra : Dica de ouro
Imagine que queremos saber quais são as características de alunos de natação de alta performance. Logo, devemos ter um grupo de comparação, para perceber quais características são exclusivas dos alunos de alta performance e que não aparecem no grupo de performance mediana. Olhando somente para o grupo de alta performance, acabaremos presumindo que as características estudadas são exclusivas dos nadadores de alta performance, quando podem aparecem em outros grupos de alunos que estamos deixando de fora da pesquisa. Parece óbvio, mas é comum o erro de não possuir grupo de comparação.
Lembre-se que, caso sua questão de pesquisa queira encontrar características exclusivas de um grupo, sua amostra deve conter um grupo de comparação.
Nesse texto, trouxemos alguns exemplos de métodos de amostragem. Não são todos os que existem, mas um começo para quem estuda. Esperamos que, junto com eles, compartilhamos um pouco mais de entendimento sobre esse universo da estatística nas ciências sociais. Todos esses tipos de amostragem são válidos se ajudarem você como pesquisador a responder sua questão respeitando o método científico.
Como em uma lista de aniversário, planeje com zelo seu método de amostragem, para lembrar de convidar todos os sujeitos importantes para esse evento que é a sua pesquisa.
Referências:
Metodologia de pesquisa, por Roberto Hernández Sampieri, Carlos Fernández Collado e María del Pilar Baptista Lucio, traduzido por Daisy Vaz de Moraes ; revisão técnica por Ana Gracinda Queluz Garcia, Dirceu da Silva, Marcos Júlio. 5. ed. Porto Alegre: Penso, 2013.
Métodos estatísticos para as ciências sociais de Alan Agresti e Barbara Finlay, traduzido por Lori Viali. 4. ed. Porto Alegre: Penso, 2012.