heRcules: A repository for annotated R scripts in Portuguese for scientific data analysis / heRcules: Un repositorio de scripts R anotados en Portugués para el análisis de datos científicos / heRcules: Um repositório de scripts R anotados em Português para a análise de dados científicos

Data analysis is a fundamental step in the development of scientific projects. Before starting a project, the researcher needs to plan their experiments and analyzes clearly, ensuring a robust approach, protected from the most elementary biases. This document reports the creation of the "heRcules" repository, which will provide public access to script models in R language for the analysis of scientific data, with an emphasis on disciplines of the Biological and Health Sciences. The model presented here provides scripts for essential tasks in planning, analysis, visualization, and hypothesis testing procedures, including sample size calculation, statistical power calculation, spreadsheet import, vector and data frame creation, descriptive statistics, file export, plot creation (base R and ggplot2), outlier tests, normality tests, hypothesis tests and notebook creation with R markdown. The "heRcules" repository is deposited on GitHub, which will ensure efficient, free, and collaborative access to these resources.

El análisis de datos es un paso fundamental en el desarrollo de proyectos científicos. Antes de iniciar un proyecto, el investigador debe planificar sus experimentos y análisis con claridad, asegurando un enfoque robusto, protegido de los sesgos más elementales. Este documento reporta la creación del repositorio "Hércules", que brindará acceso público a modelos de script en lenguaje R para el análisis de datos científicos, con énfasis en disciplinas de las Ciencias Biológicas y de la Salud. El modelo que se presenta aquí proporciona scripts para tareas esenciales en la planificación, análisis, visualización y procedimientos de prueba de hipótesis, incluido el cálculo del tamaño de la muestra, el cálculo de la potencia estadística, la importación de hojas de cálculo, la creación de vectores y marcos de datos, estadísticas descriptivas, exportación de archivos, creación de gráficos (base R y ggplot2), pruebas de valores atípicos, pruebas de normalidad, pruebas de hipótesis y creación de libretas con R markdown. El repositorio "heRcules" se deposita en GitHub, lo que garantizará un acceso eficiente, gratuito y colaborativo a estos recursos.

A análise de dados é uma etapa fundamental do desenvolvimento de projetos científicos. Antes mesmo de iniciar o trabalho, o pesquisador precisa planejar seus experimentos e análises de forma clara, garantindo uma abordagem robusta e protegida dos vieses mais elementares. O presente documento reporta a criação do repositório "heRcules," que dará acesso público a modelos de scripts em linguagem R para a análise de dados científicos, com ênfase nas disciplinas das Ciências Biológicas e da Saúde. Nesse primeiro modelo, reportado aqui, estão inclusos scripts para tarefas essenciais no planejamento, análise, visualização e teste de hipóteses, incluindo cálculo de tamanho amostral, cálculo de poder estatístico, importação de planilhas, criação de vetores e data frames, estatística descritiva, exportação de arquivos, criação de gráficos (base R e ggplot2), testes de outliers,testes de normalidade, testes de hipóteses e criação de notebooks com o R markdown. O repositório está depositado na plataforma GitHub1, o que garantirá acesso aos recursos de forma eficiente, gratuita e colaborativa.

Las pruebas de significación estadística: seis décadas de fuegos artificiales / Tests of statistical significance: six decades of fireworks / As provas de significação estatística: seis décadas de fogos artificiais

RESUMEN Tras varios decenios de críticas a las técnicas inferenciales basadas en las pruebas de significación estadística orientadas al rechazo de la llamada "hipótesis nula" y, a pesar del notable consenso alcanzado entre los estadísticos profesionales, este recurso se mantiene vigente tanto en las publicaciones biomédicas, entre ellas las de Salud Pública, como en cursos introductorios de estadística. Entre las muchas deficiencias señaladas por los más prominentes especialistas se destacan tres por ser las más obvias y fáciles de comprender: que no contribuyen a cumplimentar la encomienda de la ciencia, que se conocen de antemano las respuestas a las preguntas que se encaran por su conducto y que los resultados que producen dependen de un elemento ajeno a la realidad estudiada: el tamaño muestral. El artículo discute en detalle tales limitaciones, ilustra su perniciosa presencia en la investigación actual y valora las razones para la subsistencia de la sinrazón en esta materia.

ABSTRACT After decades of criticism against inferential techniques based on statistical significance tests, which mainly reject the so-called "null hypothesis", and in spite of the remarkable consensus among professional statisticians, this resource remains prevalent in both biomedical publications (including public health journals) and introductory statistics courses. Among the many problems identified by the most prominent specialists, three of them are the most obvious and easy to understand: that these tests do not contribute to the actual enterprise of science, that the answers to the questions that are addressed are known in advance and that their results depend critically on an element that is external to the domain that is being studied: sample size. This paper discusses in detail these limitations, illustrates their pernicious presence in current research and evaluates the reasons for the survival of the senselessness in this matter.

RESUMO Trás vários decênios de críticas as técnicas inferenciais baseadas nas provas de significação estatística orientadas ao rejeito da chamada "hipótese nula" e, embora do notável consenso alcançado entre os estatísticos profissionais, este recurso se mantem vigente tanto nas publicações biomédicas, entre elas as de Saúde Pública, como nos cursos introdutórios de estatística. Entre as muitas deficiências assinaladas pelos mais proeminentes especialistas se destacam três por ser as mais obvias e fácies de compreender: que não contribuem a complementar a encomenda da ciência, que se conhecem de antemão as respostas ás perguntas que se encaram pelo seu conduto y que os resultados que produzem depende dum elemento alheio á realidade estudada: o tamanho amostral. O artigo discute em detalhe tais limitações, ilustra a sua perniciosa presença na investigação atual e valora as razões para a subsistência da sem-razão em esta matéria.

Uso da análise fatorial exploratória em psicologia / Uses of exploratory factorial analysis in psychology / Usos de análisis factorial exploratoria en psicología

A análise fatorial exploratória (AFE) é um conjunto de técnicas estatísticas amplamente utilizadas nas pesquisas em Psicologia. Durante sua execução, diversas decisões precisam ser tomadas a fim de se obter uma estrutura fatorial adequada. O presente artigo tem por objetivo discutir alguns dos principais aspectos desta técnica, apresentando estudos atualizados sobre o tema. Diferenças entre análise fatorial exploratória e análise de componentes principais, retenção e rotação fatorial, tamanho da amostra ideal, importância da variância explicada e a confiabilidade da solução fatorial são alguns dos tópicos discutidos. Aponta-se para o fato de que todas as decisões a serem tomadas durante a execução de uma análise fatorial exploratória não podem ser arbitrárias e subjetivas, mas devem ser pautadas em critérios teóricos e metodológicos claros. Este estudo pretende auxiliar pesquisadores da área da Psicologia a realizarem AFEs com maior discernimento teórico e metodológico.(AU)

Exploratory factor analysis (EFA) is a set of widely used statistical techniques in psychological research. During its implementation, several decisions need to be taken in order to obtain a suitable factor structure. This study aims to present and discuss some of the main aspects of this technique, eliciting up-to-date studies on the topic. Differences between exploratory factor analysis and principal component analysis, factor retention and factor rotation, adequate sample size, explained variance importance, and factor solution reliability are some of the discussed topics. It is pointed out the fact that all decisions to be taken during the implementation of an exploratory factor analysis cannot be arbitrary and subjective, but must be based on clear theoretical and methodological criteria. This study intends to assist researchers in the field of Psychology to conduct EFAs with higher theoretical and methodological discernment.(AU)

El análisis factorial exploratorio (AFE) es un conjunto de técnicas estadísticas ampliamente utilizadas en la investigación en Psicología. Durante su ejecución, diversas decisiones necesitan ser tomadas con el objetivo de obtener una estructura factorial adecuada. Este artículo tiene como objetivo discutir algunos de los principales aspectos de esta técnica, presentado estudios actualizados acerca de la temática. Las diferencias entre análisis factorial exploratorio y análisis de componentes principales, retención y rotación factorial, tamaño ideal de la muestra, importancia de la variancia explicada y la confiabilidad de la solución factorial son algunos de los tópicos discutidos. Se subraya el hecho de que todas las decisiones tomadas durante la ejecución de un análisis factorial exploratorio no pueden ser arbitrarias o subjetivas, sino que deben estar basadas en criterios teóricos y metodológicos claros. Este estudio pretende ayudar los investigadores del área de Psicología a realizar AFEs con mayor discernimiento teórico y metodológico.(AU)

Uso da análise fatorial exploratória em psicologia / Uses of exploratory factorial analysis in psychology / Usos de análisis factorial exploratoria en psicología

A análise fatorial exploratória (AFE) é um conjunto de técnicas estatísticas amplamente utilizadas nas pesquisas em Psicologia. Durante sua execução, diversas decisões precisam ser tomadas a fim de se obter uma estrutura fatorial adequada. O presente artigo tem por objetivo discutir alguns dos principais aspectos desta técnica, apresentando estudos atualizados sobre o tema. Diferenças entre análise fatorial exploratória e análise de componentes principais, retenção e rotação fatorial, tamanho da amostra ideal, importância da variância explicada e a confiabilidade da solução fatorial são alguns dos tópicos discutidos. Aponta-se para o fato de que todas as decisões a serem tomadas durante a execução de uma análise fatorial exploratória não podem ser arbitrárias e subjetivas, mas devem ser pautadas em critérios teóricos e metodológicos claros. Este estudo pretende auxiliar pesquisadores da área da Psicologia a realizarem AFEs com maior discernimento teórico e metodológico.

Abstract Exploratory factor analysis (EFA) is a set of widely used statistical techniques in psychological research. During its implementation, several decisions need to be taken in order to obtain a suitable factor structure. This study aims to present and discuss some of the main aspects of this technique, eliciting up-to-date studies on the topic. Differences between exploratory factor analysis and principal component analysis, factor retention and factor rotation, adequate sample size, explained variance importance, and factor solution reliability are some of the discussed topics. It is pointed out the fact that all decisions to be taken during the implementation of an exploratory factor analysis cannot be arbitrary and subjective, but must be based on clear theoretical and methodological criteria. This study intends to assist researchers in the field of Psychology to conduct EFAs with higher theoretical and methodological discernment.

El análisis factorial exploratorio (AFE) es un conjunto de técnicas estadísticas ampliamente utilizadas en la investigación en Psicología. Durante su ejecución, diversas decisiones necesitan ser tomadas con el objetivo de obtener una estructura factorial adecuada. Este artículo tiene como objetivo discutir algunos de los principales aspectos de esta técnica, presentado estudios actualizados acerca de la temática. Las diferencias entre análisis factorial exploratorio y análisis de componentes principales, retención y rotación factorial, tamaño ideal de la muestra, importancia de la variancia explicada y la confiabilidad de la solución factorial son algunos de los tópicos discutidos. Se subraya el hecho de que todas las decisiones tomadas durante la ejecución de un análisis factorial exploratorio no pueden ser arbitrarias o subjetivas, sino que deben estar basadas en criterios teóricos y metodológicos claros. Este estudio pretende ayudar los investigadores del área de Psicología a realizar AFEs con mayor discernimiento teórico y metodológico.

Metodologia da pesquisa: diretrizes para o cálculo do tamanho da amostra / Scientific research methodology: guidelines for size sample calculation

Objetivo: mostrar as diretrizes para a escolha do método de amostragem e para o cálculo do tamanho amostral,utilizados em projetos de pesquisa científica nas áreas das Ciências Biológicas e da Saúde. Método: realizado umcriterioso levantamento bibliográfico na literatura científica, a partir da compilação de trabalhos publicados em revistascientíficas e livros especializados e em bases de dados da rede BIREME. Conclusão: o entendimento dos diferentestipos de amostragem, assim como o cálculo correto para o tamanho da amostra, são pontos fundamentais para o sucessona realização de uma pesquisa científica.

Objective: to show the methodological aspects and guidelines for the choice of sampling method and sample sizecalculation used in scientific research projects of Life Sciences and Health areas. Method: for the organizationof this present review study, a detailed bibliographic research of the scientific literature has been made, from thecompilation of papers published in scientific magazines and specialized books, as well as from databases of Bireme?s64 Revista Paraense de Medicina V.24 (2) abril-junho 2010server. Conclusion: Understanding about the different types of sampling methods, as well as the correct sample sizecalculation, are important steps to success in conducting a scientific research.

Comparação entre métodos de estimação do coeficiente de endogamia com dados de frequências alélicas em uma população diplóide / Comparison among inbreeding coefficient estimation methods in a diploid population with two alleles

Neste trabalho, objetivou-se comparar três estimadores do coeficiente de endogamia, F, em uma população diplóide com dois alelos, utilizando-se dados de frequências alélicas em amostras de indíviduos, com diferentes tamanhos obtidas em populações simuladas, por meio do software SAS. Foi avaliado o estimador de F, obtido pela análise de variância de frequências alélicas, o estimador considerando o método dos momentos e o estimador pelo método da máxima verossimilhança. Os resultados encontrados para a média e variância os estimadores, a partir de 1000 estimativas de F, calculadas para cada tamanho de amostra, mostraram que os três estimadores são tendenciosos. Entretanto, de maneira geral, observou-se que o estimador considerando a análise de variância foi menos tendencioso e apresentou menor variância, quando o coeficiente de endogamia da população foi alto. Para tamanho de amostra superior a 50, os três estimadores tiveram comportamento semelhante, independente da frequência alélica e da endogamia da população.

The present work evaluated the properties of three estimators of the inbreeding coefficient, F, in a diploid population with two alleles, using data of gene frequencies in individuals from random samples obtained from populations simulated through the SAS. We evaluated the estimators of F obtained by variance analysis of allelic frequencies, obtained by moment method, and estimator obtained by maximum likelihood method. The analysis of the means and variances of the estimators, obtained from 1000 estimates of F, calculated for each sample size, demonstrated that the three estimators were biased. However, it was observed that the estimator obtained from univariate analysis was less biased and presented smaller variance, when the inbreeding coefficient in the population was elevated, while for populations with low inbreeding, the variance of the estimator obtained by the multivariate analysis was smaller.