Análise de Variância (ANOVA)

A Análise de Variância, conhecida como ANOVA, é uma técnica estatística que permite comparar a média de três ou mais grupos ao mesmo tempo. Ela é uma extensão do teste t, que foi apresentado na seção de Testes de Hipótese, e responde à pergunta:

“Existe alguma diferença significativa entre as médias desses grupos?”

Esta guia complementa a seção sobre testes de hipótese, aprofundando a ANOVA com explicações, pressupostos, interpretação e exemplos em Python.

Nota

Quando temos dois grupos, a ANOVA é equivalente ao teste T.

Quando usar ANOVA?

Use ANOVA quando:

  • Você deseja comparar três ou mais grupos independentes;
  • Os dados são numéricos e contínuos;
  • Cada grupo foi formado por amostragem aleatória;
  • Você quer saber se pelo menos um grupo tem média diferente dos outros.

Pressupostos da ANOVA

Antes de aplicar a ANOVA, é necessário verificar se os dados atendem aos seguintes pressupostos:

  1. Independência das observações (os dados dos grupos não estão relacionados);
  2. Normalidade dentro de cada grupo (distribuição aproximadamente normal);
  3. Homogeneidade das variâncias (os grupos têm variâncias semelhantes).

Esses pressupostos podem ser verificados com testes como Shapiro-Wilk (normalidade) e Levene (homogeneidade de variâncias), como já foi apresentado anteriormente.

Exemplo prático em Python

Vamos supor que queremos comparar a produtividade (em unidades por hora) de trabalhadores sob três grupo que tiveram tipos diferentes de treinamento.

import numpy as np
from scipy.stats import f_oneway
import matplotlib.pyplot as plt

np.random.seed(42)

# Simulação de três grupos com médias diferentes
grupo_a = np.random.normal(loc=50, scale=5, size=30)
grupo_b = np.random.normal(loc=52, scale=5, size=30)
grupo_c = np.random.normal(loc=56, scale=5, size=30)

# Visualização
plt.boxplot([grupo_a, grupo_b, grupo_c], tick_labels=['A', 'B', 'C'])
plt.title("Produtividade por tipo de treinamento")
plt.ylabel("Unidades por hora")
plt.show()

# ANOVA
stat, p = f_oneway(grupo_a, grupo_b, grupo_c)
print(f'Estatística F: {stat:.2f}, p-valor: {p:.4f}')

Estatística F: 17.21, p-valor: 0.0000

Interpretação do Resultado

O gráfico de boxplot compara a produtividade (em unidades por hora) entre três grupos diferentes (A, B e C), cada um representando um tipo de treinamento. A diferença nas medianas (linha central das caixas) sugere que os grupos podem ter níveis médios de produtividade diferentes. Isso é ainda mais reforçado pelo distanciamento entre as caixas, principalmente entre os grupos A e C.

Já para a ANOVA, analisamos o p-valor:

  • Se o p-valor < 0.05, rejeitamos a hipótese nula e concluímos que pelo menos um grupo é diferente;
  • Se o p-valor ≥ 0.05, não há evidência suficiente de que as médias diferem.

Como vemos, o p-valor é < que 0.05, portanto, pelo menos um dos três grupos do exemplo é diferente em sua média de produtivida de. A ANOVA diz se existe diferença, mas não diz entre quais grupos. Para isso, usamos testes post hoc, como o Tukey HSD.

Teste Post Hoc: Tukey HSD

O Teste de Tukey, também conhecido como Teste de Diferença Honestamente Significativa de Tukey (HSD), é um teste post hoc usado após uma análise de variância (ANOVA) para identificar quais grupos específicos têm médias significativamente diferentes dos outros. Ele compara todos os pares possíveis de grupos e mostra quais grupos são realmente diferentes entre si.

Corrigindo o teste de Tukey

Quando comparamos muitos pares de grupos ao mesmo tempo, há mais chance de encontrar uma diferença que na verdade não existe. O pacote statsmodels aplica uma correção automática: ela ajusta os p-valores automaticamente para evitar falsos positivos, ou seja, evita detectar diferenças que não existem ao comparar vários pares. Essa correção serve para deixar a análise mais confiável, mesmo quando estamos testando várias comparações ao mesmo tempo.

import pandas as pd
from statsmodels.stats.multicomp import pairwise_tukeyhsd

# Reorganizando os dados em um DataFrame
produtividade = np.concatenate([grupo_a, grupo_b, grupo_c])
grupos = ['A'] * 30 + ['B'] * 30 + ['C'] * 30
df = pd.DataFrame({'produtividade': produtividade, 'grupo': grupos})

# Teste de Tukey
resultado_tukey = pairwise_tukeyhsd(endog=df['produtividade'],
                                    groups=df['grupo'],
                                    alpha=0.05)
#print(resultado_tukey)

A tabela abaixo resume os resultados obtidos pela função:

Grupo 1 Grupo 2 Diferença p-valor ajustado Limite inferior Limite superior Decisão
A B 2.3349 0.139 -0.5643 5.2341 Não
A C 7.0052 0.0 4.106 9.9044 Sim
B C 4.6702 0.0007 1.771 7.5694 Sim
  • Grupo A vs Grupo B: Não há diferença estatisticamente significativa, pois o p-valor é maior que 0.05 e o intervalo inclui zero.
  • Grupo A vs Grupo C: Há uma diferença significativa, com o Grupo C apresentando valores médios mais altos.
  • Grupo B vs Grupo C: Também há uma diferença significativa, novamente favorecendo o Grupo C.

Assim, podemos dizer que o treinamento dos Grupos A e B são os únicos que apresentam médias de produtividades iguais.

Correção Bonferroni

Agora vamos repetir o teste, mas aplicando a correção de Bonferroni, que é mais conservadora. Aqui, estamos usando a função allpairtest para fazer todos os pares de testes T corrigidos com a correção de Bonferroni.

from statsmodels.stats.multicomp import MultiComparison
from scipy.stats import ttest_ind

mc = MultiComparison(df['produtividade'], df['grupo'])

# Aplica t-test para todos os pares com correção Bonferroni
resultado_bonf = mc.allpairtest(ttest_ind, method='bonf')
#print(resultado_bonf[0])

A tabela abaixo resume os resultados obtidos pela função:

Grupo 1 Grupo 2 Estatística p-valor p-valor ajustado Diferença significativa?
A B -1.9752 0.053 0.159 Não
A C -5.7292 0.0000 0.0000 Sim
B C -3.7604 0.0004 0.0012 Sim

O Bonferroni é mais rigoroso e pode confirmar os mesmos resultados que o Tukey ou rejeitar diferenças mais sutis. Nesse caso, obtivemos os mesmos resultados do teste de Tukey.

ANOVA com um Fator

Às vezes os dados vêm organizados em uma tabela com uma variável categórica indicando o grupo, e uma variável numérica com a medida. Neste caso, podemos usar uma abordagem mais estruturada com o pacote statsmodels para rodar a ANOVA e extrair a tabela de análise completa. Usaremos os mesmos dados do exemplo anterior:

import statsmodels.api as sm
import statsmodels.formula.api as smf

# Dados já organizados como antes
df = pd.DataFrame({'produtividade': produtividade, 'grupo': grupos})

# Modelo de ANOVA com fórmula
modelo = smf.ols('produtividade ~ grupo', data=df).fit()
tabela_anova = sm.stats.anova_lm(modelo, typ=2)
#print(tabela_anova)

O print da tabela adaptado:

Fonte de Variação Soma dos Quadrados (SQ) Graus de Liberdade (df) Estatística F p-valor (PR(>F))
Grupo 763.35 2 17.21 5.03 × 10⁻⁷
Residual (Erro) 1929.22 87 — —

Aqui, da mesma forma, avaliamos o p-valor do teste, 5.03 × 10⁻⁷ é tão pequeno que pode ser considerado 0, portanto concluímos denovo que pelo menos um dos 3 grupos é diferente.

ANOVA de dois fatores

Quando você tem mais de um fator categórico influenciando uma variável numérica, você entra no território da ANOVA de dois fatores (ou two-way ANOVA).

Exemplo

Vamos expandir o exemplo da produtividade dos grupos por tipo de treinamento (A, B, C) acrescentando um segundo fator: o turno de trabalho (Manhã ou Tarde).

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.formula.api import ols
import seaborn as sns

np.random.seed(42)

# Simulando produtividade por grupo e turno
n = 20
grupo = ['A', 'B', 'C']
turno = ['Manhã', 'Tarde']
dados = []

for g in grupo:
    for t in turno:
        if g == 'A':
            media = 50 if t == 'Manhã' else 52
        elif g == 'B':
            media = 54 if t == 'Manhã' else 55
        else:
            media = 58 if t == 'Manhã' else 59
        produtividade = np.random.normal(loc=media, scale=5, size=n)
        for p in produtividade:
            dados.append({'produtividade': p, 'grupo': g, 'turno': t})

df = pd.DataFrame(dados)

# Visualização
plt.figure(figsize=(8,5))
sns.boxplot(x='grupo', y='produtividade', hue='turno', data=df)
plt.title('Produtividade por Tipo de Treinamento e Turno')
plt.ylabel('Unidades por hora')
plt.show()

O gráfico mostra que:

  • Os grupos B e C tendem a ter maior produtividade do que o grupo A.
  • A diferença entre manhã e tarde não parece muito grande visualmente dentro de cada grupo.
  • As caixas dos grupos B e C (principalmente) estão deslocadas para valores maiores em comparação ao grupo A.
# Modelo com interação
modelo = ols('produtividade ~ C(grupo) + C(turno) + C(grupo):C(turno)', data=df).fit()
anova = sm.stats.anova_lm(modelo, typ=2)
#print(anova)

O print da tabela adaptado:

Fator Valor F p-valor Interpretação
Grupo (Treinamento) 33.89 0.0000 Diferenças significativas
Turno 2.23 0.1378 Não significativo
Interação Grupo x Turno 0.035 0.9651 Sem interação

Interpretação

  • O tipo de treinamento tem forte influência na produtividade, como já tínhamos visto.
  • O turno não tem efeito significativo na produtividade média.
  • Não há interação significativa entre os dois fatores, ou seja, o efeito do grupo é consistente nos dois turnos — o grupo C sempre vai melhor que B e A, independentemente do turno.

Considerações finais

A ANOVA é uma ferramenta poderosa e amplamente usada quando temos mais de dois grupos para comparar. Ela evita o erro de múltiplas comparações que ocorreria se fizéssemos vários testes t separados. Se usada corretamente — com os pressupostos verificados, fornece uma análise estatística robusta sobre diferenças entre grupos.

Conclusão do Módulo Três

Se você chegou até aqui, parabéns! Você acaba de concluir um dos blocos mais importantes da análise de dados. Agora, você sabe como usar intervalos de confiança para estimar valores com base em amostras, aplicar testes de hipótese para comparar grupos de forma estruturada e utilizar a ANOVA para investigar diferenças entre mais de duas médias.

Com esse conhecimento, você está preparado para tomar decisões baseadas em evidências, identificar padrões com mais segurança e evitar conclusões precipitadas.