Qui-Quadrado no SPSS: Como Rodar e Interpretar o Teste

Por que duas pesquisadoras rodam o mesmo teste qui-quadrado, no mesmo banco de dados, e uma delas escreve no artigo “encontramos associação significativa” enquanto a outra escreve “o resultado não permite afirmar associação relevante”?

O teste qui-quadrado é um procedimento estatístico que verifica se existe associação entre duas variáveis categóricas, comparando as frequências observadas com as frequências que você esperaria se as variáveis fossem independentes. A conta em si, o SPSS faz em segundos. O que separa as duas pesquisadoras do exemplo não é o cálculo, é a leitura do que ele significa.

Esse é o ponto que mais derruba gente na qualificação: a tabela sai certa, o valor-p aparece, e mesmo assim a interpretação desanda porque ninguém explicou direito o que vem antes e depois do número.

Quando o qui-quadrado é o teste certo pra sua pesquisa

Antes de abrir o SPSS, vale confirmar uma coisa que muita gente pula: suas duas variáveis são mesmo categóricas?

Qui-quadrado serve para comparar frequências em categorias, não médias, não escores contínuos. Se você quer saber se “ter mestrado” está associado a “trabalhar na área de formação”, isso é categórico dos dois lados, e o teste se aplica bem. Se você quer saber se “anos de experiência” está associado a “salário em reais”, as duas variáveis são numéricas contínuas, e qui-quadrado não é a ferramenta.

Tem uma variação comum que confunde: uma variável categórica e uma numérica. Nesse caso o teste certo normalmente é teste t ou ANOVA, dependendo de quantos grupos você tem. Fiz um post específico sobre como fazer regressão linear no SPSS pra quem está nessa situação de cruzar variável numérica com outra variável, categórica ou não. Vale a leitura antes de escolher o teste errado e perder tempo justificando pra banca por que usou algo que não serve pro seu desenho.

Outra condição que o qui-quadrado exige: as categorias precisam ser mutuamente exclusivas. Cada respondente entra em uma célula da tabela, não em duas. E o teste pressupõe uma frequência esperada mínima em cada célula, geralmente 5, senão o resultado fica instável. Com amostra pequena e muitas categorias, essa regra quebra rápido, e é exatamente aí que orientadores cobram o teste exato de Fisher como alternativa.

Como montar a tabela de contingência no SPSS

O caminho no SPSS é direto, mas a parte que decide se o resultado presta acontece antes de clicar em qualquer botão: como as variáveis foram codificadas.

No menu, o percurso é Analyze, Descriptive Statistics, Crosstabs. Você coloca uma variável em Row(s) e outra em Column(s). Antes disso, confirma no Variable View que as duas estão marcadas como Nominal ou Ordinal, nunca Scale. Já vi gente rodar o teste com a variável marcada errado como escala e o SPSS aceitar numa primeira tentativa, gerando uma tabela sem sentido nenhum porque tratou cada valor numérico como uma categoria isolada.

Dentro da janela de Crosstabs, tem um botão chamado Statistics. É lá que você marca Chi-square. Sem marcar essa caixa, o SPSS só te devolve a tabela cruzada, sem o teste de associação propriamente dito. Parece óbvio escrito assim, mas é o erro mais comum de quem roda esse teste pela primeira vez: produzir a tabela bonita e esquecer de pedir o teste.

Tem ainda o botão Cells, onde você escolhe o que aparece dentro de cada célula da tabela: contagem observada, percentual por linha, percentual por coluna, resíduos ajustados. Marcar os percentuais certos muda completamente a legibilidade da tabela no seu artigo. Se sua hipótese é sobre diferença entre grupos de uma variável, normalmente você quer o percentual calculado na direção desse grupo, não na direção geral da amostra.

O que a saída do SPSS realmente diz

O SPSS devolve uma tabela chamada Chi-Square Tests com várias linhas. A que você cita é quase sempre a primeira, Pearson Chi-Square, com três números: o valor do qui-quadrado, os graus de liberdade (df) e o valor de significância assintótica, que é o valor-p.

Valor-p abaixo de 0,05 costuma ser interpretado como evidência de associação entre as variáveis. Mas aqui mora o erro que separou as duas pesquisadoras do início do post: valor-p pequeno diz que a associação provavelmente não é fruto do acaso, não diz o tamanho dela, nem diz se ela importa na prática.

Uma amostra grande o suficiente produz valor-p significativo até para associações pequenas, quase irrelevantes. É por isso que reportar só o valor-p, sem tamanho de efeito, é uma prática incompleta que qualquer banca mais atenta vai questionar. O tamanho de efeito que acompanha o qui-quadrado se chama V de Cramér, e o SPSS calcula ele automaticamente dentro da mesma tela de Statistics, basta marcar a caixa correspondente.

Valores de V de Cramér costumam ser lidos como pequeno, moderado ou grande dependendo do número de categorias envolvidas, e essa referência de corte varia conforme a área. Vale checar como outros artigos do seu campo relataram esse número antes de escrever a sua própria interpretação.

Por que o resultado “não significativo” também é dado

Tem uma armadilha de confirmação que aparece direto em orientação: a pessoa roda o teste, o valor-p vem acima de 0,05, e ela entende isso como “o teste não funcionou” ou “preciso rodar de novo com outra configuração até dar certo”.

Não funciona assim. Um resultado não significativo é uma resposta válida pra sua pergunta de pesquisa. Ele diz que, nos seus dados, não há evidência suficiente de associação entre aquelas duas variáveis categóricas. Isso pode ser exatamente o achado que desafia uma hipótese da literatura, e descartar esse resultado porque ele não “deu certo” é um problema ético, não só metodológico.

O que vale verificar antes de aceitar um resultado não significativo como definitivo é o tamanho da amostra. Teste qui-quadrado pode ter pouco poder estatístico com amostras pequenas, então ausência de significância pode significar ausência real de associação, ou pode significar que sua amostra é pequena demais pra detectar algo que existe. São duas conclusões diferentes, e a diferença entre elas está no cálculo de poder estatístico, que idealmente você faz antes da coleta, não depois.

Escrevendo o resultado pra sua dissertação ou artigo

A forma padrão de reportar um qui-quadrado segue um formato relativamente fixo na maioria das normas de publicação: χ²(df, N = tamanho da amostra) = valor do teste, p = valor-p, V = tamanho de efeito.

Por exemplo: χ²(2, N = 180) = 8,42, p = 0,015, V = 0,22. Essa linha sozinha já diz pra quem lê quantos graus de liberdade o teste teve, quantas pessoas entraram na análise, o valor do teste, se foi significativo e qual o tamanho do efeito encontrado.

O erro comum aqui é copiar esse formato sem entender cada peça dele, e trocar números na hora errada quando o orientador pede ajuste. Entender o que cada símbolo representa evita esse tipo de erro bobo que, na defesa, vira pergunta constrangedora.

Vale lembrar que número sozinho não conta a história inteira. Depois da linha estatística, o texto precisa voltar pra tabela de contingência e dizer, em palavras, qual categoria puxou a associação. “Participantes do grupo A relataram a categoria X com frequência significativamente maior que participantes do grupo B” é uma frase que faz sentido pra quem não vai abrir o SPSS pra conferir. É esse tipo de tradução de número pra argumento que o Método V.O.E. (Velocidade, Orientação, Execução Inteligente) trabalha na fase de Orientação, pegar o resultado bruto e transformar em texto que sustenta uma tese.

O que fazer quando os pressupostos quebram

Dois cenários aparecem com frequência em orientação, e os dois têm solução dentro do próprio SPSS.

O primeiro é a tabela 2x2 com amostra pequena, onde a frequência esperada em alguma célula fica abaixo de 5. Nesse caso, o teste exato de Fisher substitui o qui-quadrado com mais confiabilidade, e o SPSS já apresenta esse resultado automaticamente na mesma tabela de Chi-Square Tests quando a tabela é 2x2, não precisa pedir separadamente.

O segundo cenário é a tabela maior que 2x2 com a mesma limitação de frequência esperada baixa em várias células. Aqui a saída costuma ser agrupar categorias que fazem sentido teórico juntas, reduzindo o número de células e aumentando a frequência esperada em cada uma. Isso exige decisão conceitual, não só estatística: agrupar “ensino médio incompleto” e “ensino médio completo” numa categoria só faz sentido se sua pergunta de pesquisa permite essa simplificação.

Nenhuma dessas soluções é um atalho pra “fazer o teste dar certo”. São ajustes legítimos quando bem justificados no texto metodológico, e viram problema sério quando aplicados só pra forçar um valor-p menor que 0,05. Banca que trabalha com estatística há tempo reconhece esse tipo de manobra rápido.

Se sua pesquisa combina esse teste com uma análise descritiva mais ampla, pode valer a pena revisitar o processo inteiro de organização dos dados antes de chegar no SPSS. Tem um caminho parecido, com outra ferramenta, no post sobre análise estatística no Excel, que ajuda a decidir onde cada etapa do tratamento dos dados deveria acontecer.

O teste não substitui a pergunta de pesquisa

Qui-quadrado, como qualquer teste estatístico, responde uma pergunta específica e estreita: essas duas variáveis categóricas estão associadas de forma que dificilmente seria acaso? Ele não diz por que a associação existe, não diz qual variável causa qual efeito, e não substitui a leitura teórica que sustenta a sua pesquisa.

A tabela sai do SPSS em segundos. O trabalho de pesquisadora começa depois, quando você pega aquele número e decide o que ele significa pra sua pergunta, pro seu referencial e pra argumentação que vai defender na banca.