Você previu que o grupo A teria média maior que o grupo B. Rodou o teste: nada. Por curiosidade, cruzou outras variáveis e encontrou uma associação forte e interessante entre duas coisas que você nem tinha pensado em relacionar. Agora vem a tentação: reescrever a hipótese na introdução para que ela “acerte” o que os dados mostraram. Parece inofensivo — afinal, o achado é real, os dados são seus, ninguém inventou nada. Mas essa manobra tem nome, tem literatura e tem consequência. Este artigo explica exatamente onde está a linha, e como ficar do lado certo dela sem perder o achado.
HARKing: o nome da manobra
Formular a hipótese depois de conhecer o resultado, e depois apresentá-la como se tivesse sido formulada antes, chama-se HARKing — sigla de hypothesizing after the results are known, cunhada por Kerr em 1998.
Preste atenção na estrutura da definição, porque é ali que mora a nuance que a maioria dos textos sobre o tema perde. O problema não é formular uma hipótese depois dos dados. O problema é apresentá-la como se fosse anterior a eles. A falta não está na descoberta; está no relato.
Que isso não é um risco teórico, a evidência empírica mostra. Rosso e colaboradores (2024) analisaram 206 estudos com um mesmo fármaco em testes comportamentais e encontraram algo revelador: tanto a justificativa dada para usar o teste quanto o efeito previsto dependiam fortemente do resultado que o estudo havia obtido. Ou seja, a “previsão” relatada variava conforme o que os autores tinham encontrado — a assinatura estatística do HARKing em escala.
As consequências que os autores apontam são concretas: o HARKing invalida os resultados do estudo, prejudica a síntese de evidências ao inflar os tamanhos de efeito e leva pesquisadores a becos sem saída, desperdiçando tempo e recursos em investigações inconclusivas.
P-hacking: a versão estatística
O primo próximo do HARKing atua no lado da análise. Na definição de Head e colaboradores (2015), o p-hacking ocorre “quando pesquisadores coletam ou selecionam dados ou análises estatísticas até que resultados não significativos se tornem significativos”. Os autores também o chamam de viés de inflação ou relato seletivo, porque o efeito líquido é distorcer o tamanho real do efeito que chega à literatura.
Usando mineração de texto em larga escala, o estudo demonstrou que o p-hacking é disseminado por toda a ciência. Vale registrar também a conclusão matizada, que é honesta e menos alarmista do que a manchete: os autores encontraram que o efeito do p-hacking “parece ser fraco em relação aos tamanhos de efeito reais medidos”, e que ele provavelmente não altera drasticamente os consensos científicos obtidos por meta-análise. O problema é real e vale corrigir — sem que isso signifique que a ciência inteira esteja comprometida.
As seis práticas que caracterizam p-hacking
O mesmo trabalho enumera as práticas comuns que levam ao p-hacking. Vale ler a lista pensando no seu próprio TCC, porque várias delas parecem apenas “organizar a análise”:
| Prática | Como isso soa na prática |
|---|---|
| Analisar no meio da coleta para decidir se continua coletando | “Vou rodar agora com 40 e ver se já deu; se deu, paro.” |
| Registrar muitas variáveis e decidir depois qual relatar | “Perguntei 30 coisas; vou mostrar as que renderam.” |
| Decidir após a análise se inclui ou exclui outliers | “Sem aqueles três casos o resultado fica bem melhor.” |
| Excluir, combinar ou dividir grupos após a análise | “E se eu juntar os dois grupos menores?” |
| Incluir ou excluir covariáveis após a análise | “Controlando por idade dá significativo — deixo assim.” |
| Parar de explorar assim que uma análise dá significativa | “Achei! Não preciso testar o resto.” |
Note o padrão que atravessa as seis: todas envolvem tomar uma decisão analítica depois de ver o efeito que ela produz no resultado. É esse “depois de ver” que converte uma escolha metodológica legítima em manipulação. A decisão sobre valores atípicos, por exemplo, é perfeitamente aceitável quando tem critério definido antes e é declarada — o limite exato está em posso excluir outliers dos dados do TCC.
Por que isso importa, se os dados são verdadeiros
Esta é a objeção honesta de quem está tentado: eu não inventei nada, o achado está nos dados. Verdade. Mas a lógica do teste estatístico depende de uma condição que o HARKing destrói silenciosamente.
Um teste com nível de significância de 5% aceita, por construção, uma chance em vinte de apontar um efeito que não existe. Essa garantia vale para uma hipótese, definida antes. Se você examina vinte relações diferentes e relata só a que “deu”, a chance de que ela seja ruído deixa de ser 5% — passa a ser alta. O número que você relata continua correto; o que deixa de ser verdadeiro é o significado desse número.
É por isso que a solução nunca é esconder o percurso: é declará-lo. Ao dizer quantas análises foram feitas, você devolve ao leitor a informação de que ele precisa para calibrar a confiança no achado. E vale lembrar que significância estatística não é a mesma coisa que relevância: relatar o tamanho de efeito e o intervalo de confiança comunica muito mais do que a presença ou ausência de um asterisco.
O que fazer com um achado inesperado
A boa notícia: o achado não se perde. Ele apenas muda de categoria — e a categoria correta é perfeitamente respeitável.
- Mantenha a hipótese original no texto, com o resultado que ela de fato produziu, mesmo que negativo. Resultado nulo é resultado, e uma hipótese não confirmada bem relatada não reprova ninguém.
- Apresente o achado novo como exploratório, em seção ou parágrafo próprio, explicitamente rotulado.
- Informe quantas análises foram realizadas. Se você cruzou doze pares de variáveis e um deu significativo, diga isso.
- Ofereça uma interpretação teórica cautelosa e proponha o teste confirmatório como pesquisa futura.
Um modelo de redação que resolve o caso:
A hipótese formulada inicialmente — de que haveria diferença entre os grupos quanto ao desfecho X — não foi corroborada (p = 0,42). Em análise exploratória posterior, não prevista no delineamento original, observou-se associação entre as variáveis Y e Z (r = 0,48; IC 95% [0,21; 0,68]). Registra-se que foram examinadas doze associações bivariadas nesta etapa exploratória, de modo que o achado deve ser interpretado com cautela e requer confirmação em estudo independente com hipótese definida a priori.
Esse parágrafo faz algo que impressiona bancas: demonstra que o autor conhece o próprio viés e o controla. Ele é mais forte, e não mais fraco, do que uma hipótese suspeitamente bem-sucedida.
Há ainda uma medida preventiva simples para quem ainda não coletou: escreva as hipóteses e o plano de análise antes — quais variáveis, qual teste, quais critérios de exclusão — e guarde o documento com data, compartilhando-o com o orientador. É a versão de bancada do registro de protocolo usado em revisões sistemáticas, e resolve o problema na origem. Definir o teste pelos pressupostos antes de ver o resultado é a mesma disciplina descrita em qual teste estatístico usar e em teste de normalidade no TCC.
E se o motivo da tentação foi o resultado ter ficado inconclusivo por falta de participantes, o caminho é outro e está detalhado em o que fazer quando a amostra não fecha.
Como a banca percebe
Avaliadores experientes reconhecem os sinais, mesmo sem acesso aos seus dados brutos:
- A hipótese é específica demais e coincide com precisão suspeita com o resultado encontrado.
- A fundamentação teórica não sustenta a previsão — a hipótese aparece na introdução sem literatura que a justifique.
- Variáveis coletadas somem dos resultados. O questionário no apêndice tem trinta itens; os resultados discutem quatro.
- Um subgrupo aparece do nada na análise, sem ter sido anunciado no método.
- Todas as hipóteses foram confirmadas. Em pesquisa real, isso é mais raro do que parece.
A pergunta “por que o senhor analisou justamente esse recorte?” é rotineira em defesa. Ter a resposta pronta — porque estava previsto, ou porque foi exploratório e está declarado como tal — é a diferença entre uma arguição tranquila e um problema.
Por fim, guarde a formulação que resume tudo: a exploração é legítima; a apresentação da exploração como confirmação não é. Você não precisa fingir que previu para que o seu achado tenha valor.
Quer manter objetivo, hipótese, método e resultados coerentes entre si do início ao fim? Estruture seu TCC no Tesify e registre suas decisões metodológicas antes da coleta.
Perguntas frequentes
Posso mudar a hipótese do TCC depois de ver os resultados?
Você pode mudar o que investiga, mas não pode apresentar a nova hipótese como se ela tivesse sido formulada antes da coleta. Reescrever a hipótese depois de conhecer o resultado e apresentá-la como previsão original chama-se HARKing — hypothesizing after the results are known. A saída correta é declarar a descoberta como análise exploratória, o que é plenamente aceitável.
O que é p-hacking?
Segundo Head e colaboradores (2015), p-hacking ocorre quando pesquisadores coletam ou selecionam dados ou análises estatísticas até que resultados não significativos se tornem significativos. Também é chamado de viés de inflação ou relato seletivo, porque distorce o tamanho real do efeito relatado na literatura.
Explorar os dados é errado?
Não. A análise exploratória é uma etapa legítima e frequentemente valiosa da pesquisa. O problema nunca é explorar: é apresentar o resultado de uma exploração como se fosse o teste de uma previsão feita antes. O que distingue as duas situações é apenas a honestidade do relato.
Quais práticas caracterizam p-hacking?
A literatura enumera seis: analisar os dados no meio da coleta para decidir se continua coletando; registrar muitas variáveis e escolher depois qual relatar; decidir depois da análise se inclui ou exclui outliers; excluir, combinar ou dividir grupos após a análise; incluir ou excluir covariáveis após a análise; e parar de explorar assim que uma análise devolve um resultado significativo.
Como declaro uma análise exploratória no TCC?
Separe claramente o que foi previsto do que foi descoberto. Informe qual era a hipótese original e o que ocorreu com ela, apresente a nova associação como achado exploratório não previsto, relate quantas análises foram realizadas e conclua que o achado requer confirmação em estudo independente. Essa declaração transforma um problema de integridade em uma contribuição legítima.
A banca consegue perceber que a hipótese foi mudada?
Com frequência, sim. Os sinais são reconhecíveis: uma hipótese suspeitamente ajustada ao resultado, uma fundamentação teórica que não sustenta a previsão apresentada, variáveis coletadas que desaparecem dos resultados e um subgrupo específico que aparece sem justificativa prévia. Declarar a exploração é mais seguro e mais defensável do que tentar disfarçá-la.