o projeto de blocos randomizados é o projeto de pesquisa equivalente a amostragem aleatória estratificada. Tal como a amostragem estratificada, os desenhos dos blocos aleatorizados são construídos para reduzir o ruído ou a variância dos dados (ver Classificação dos desenhos experimentais). Como é que o fazem? Eles exigem que o pesquisador divida a amostra em subgrupos ou blocos relativamente homogêneos (análogos aos “estratos” na amostragem estratificada). Então, o projeto experimental que você deseja implementar é implementado dentro de cada bloco ou subgrupo homogêneo., A idéia chave é que a variabilidade dentro de cada bloco é menor do que a variabilidade de toda a amostra. Assim, cada estimativa do efeito do tratamento dentro de um bloco é mais eficiente do que as estimativas em toda a amostra. E, quando juntamos essas estimativas mais eficientes em blocos, devemos obter uma estimativa mais eficiente do que teríamos sem bloquear.
Aqui, podemos ver um exemplo simples. Vamos supor que nós originalmente pretendemos conduzir um simples projeto experimental posttest-only randomized., Mas reconhecemos que a nossa amostra tem vários subgrupos intactos ou homogéneos. Por exemplo, em um estudo de estudantes universitários, podemos esperar que os estudantes são relativamente homogêneos no que diz respeito à classe ou ano. Então, decidimos bloquear a amostra em quatro grupos: calouro, aluno do segundo ano, júnior e sénior. Se nosso palpite estiver correto, que a variabilidade dentro da classe é menor do que a variabilidade para toda a amostra, provavelmente obteremos estimativas mais poderosas do efeito de tratamento dentro de cada bloco (veja a discussão sobre o poder estatístico)., Dentro de cada um dos nossos quatro blocos, implementaríamos a simples experiência pós-aleatória.
Notice a couple of things about this strategy. Primeiro, para um observador externo, pode não ser evidente que você está bloqueando. Você estaria implementando o mesmo design em cada bloco. E, não há razão para que as pessoas em diferentes blocos precisam ser segregadas ou separadas umas das outras. Em outras palavras, o bloqueio não afeta necessariamente qualquer coisa que você faz com os participantes da pesquisa., Em vez disso, bloquear é uma estratégia para agrupar pessoas em sua análise de dados, a fim de reduzir o ruído – é uma estratégia de análise. Em segundo lugar, você só vai se beneficiar de um projeto de bloqueio Se você estiver correto em seu palpite de que os blocos são mais homogêneos do que toda a amostra é. Se você estiver errado – se diferentes classes de nível universitário não são relativamente homogêneas com relação às suas medidas-você realmente será ferido por bloqueio (você vai obter uma estimativa menos poderosa do efeito tratamento). Como é que sabes se bloquear é uma boa ideia?, Você precisa considerar cuidadosamente se os grupos são relativamente homogêneos. Se você está medindo atitudes políticas, por exemplo, é razoável acreditar que os calouros são mais parecidos uns com os outros do que eles são como alunos do segundo ano ou juniores? Seriam mais homogéneas no que se refere às medidas relacionadas com o consumo de droga? Em última análise, a decisão de bloquear envolve julgamento por parte do pesquisador.como é que o bloqueio funciona para reduzir o ruído nos dados? Para ver como funciona, você tem que começar pensando sobre o estudo não bloqueado., A figura mostra a distribuição pretest-posttest para um hipotético projeto experimental pré-post randomizado. Usamos o símbolo ‘ X ‘para indicar um caso de grupo de programa e o símbolo’ O ‘ para um membro de grupo de comparação. Você pode ver que para qualquer valor pré-teste específico, o grupo de programa tende a superar o grupo de comparação em cerca de 10 pontos no posttest. Ou seja, há uma diferença média de 10 pontos posttest.
Agora, vamos considerar um exemplo onde dividimos a amostra em três blocos relativamente homogêneos., Para ver o que acontece graficamente, usaremos a medida mais pretensiosa para bloquear. Isto assegurará que os grupos são muito homogêneos. Vamos ver o que está acontecendo dentro do terceiro bloco. Observe que a diferença média ainda é a mesma que era para toda a amostra-cerca de 10 pontos dentro de cada bloco. Mas também observe que a variabilidade do posttest é muito menor do que era para toda a amostra.
lembre-se que a estimativa do efeito do tratamento é uma razão sinal-ruído. O sinal neste caso é a diferença média. O ruído é a variabilidade., As duas figuras mostram que não mudamos o sinal ao passar para o bloqueio — ainda há cerca de 10 pontos de diferença posttest. Mas, nós mudamos o ruído-a variabilidade no posttest é muito menor dentro de cada bloco que é para toda a amostra. Assim, o efeito de tratamento terá menos ruído para o mesmo sinal.
deve ficar claro dos gráficos que o desenho de bloqueio neste caso irá produzir o efeito de tratamento mais forte. Mas isso só é verdade porque fizemos um bom trabalho garantindo que os blocos eram homogêneos., Se os blocos não fossem homogêneos — sua variabilidade era tão grande quanto a amostra inteira — nós realmente obteríamos estimativas piores do que no Simples Caso experimental randomizado. Veremos como analisar dados de um projeto de bloco aleatório na análise estatística do projeto de bloco aleatório.