Posso Excluir Outliers dos Dados do TCC em 2026? Quando É Legítimo e Como Declarar

Sim, é possível excluir valores atípicos — e às vezes é obrigatório. A diferença entre limpeza de dados e manipulação não está no ato de remover, mas em três coisas: o critério, o momento em que ele foi definido e o registro da decisão. Excluir um respondente porque a idade digitada foi 250 anos é rigor. Excluir porque o resultado só fica significativo sem ele é outra coisa, e tem nome.

Não existe uma definição única de outlier

Antes de decidir o que fazer, vale saber que a área não concorda sobre o que é a coisa. Aguinis, Gottfredson e Joo publicaram em Organizational Research Methods (2013;16(2):270-301) uma revisão de 46 fontes metodológicas e de 232 artigos empíricos, e o resultado é desconcertante: encontraram 14 definições de outlier distintas e mutuamente exclusivas, 39 técnicas de identificação e 20 maneiras diferentes de lidar com eles.

Mais importante do que o inventário é a conclusão dos autores: as diferentes maneiras de definir, identificar e tratar valores atípicos alteram as conclusões substantivas da pesquisa. E o que eles encontraram na prática dos artigos foi confusão e falta de transparência.

A consequência para o seu TCC é libertadora. A banca não pode exigir que você use “a” definição correta, porque ela não existe. O que ela pode — e vai — exigir é que você declare qual adotou e por quê. Isso transforma uma pergunta angustiante em um parágrafo de metodologia.

Os três tipos: erro, interessante e influente

A contribuição prática mais útil daquele trabalho é a separação dos valores atípicos em três categorias, com tratamentos diferentes. Classifique antes de decidir qualquer coisa.

Repare no tipo do meio. A pressa de “limpar os dados” faz muito TCC apagar exatamente o caso que responderia à pergunta de pesquisa. Um valor extremo real não é sujeira: é informação sobre a variabilidade do fenômeno, e não raro é o parágrafo mais citável da discussão.

Como identificar: a regra de 1,5 e de 3

O critério mais usado e mais fácil de defender é o do diagrama de caixa. A caixa vai do percentil 25 ao percentil 75 — a amplitude interquartil —, e a mediana é a linha dentro dela. As hastes representam os valores mínimo e máximo que estão dentro de 1,5 vez a amplitude interquartil a partir de cada extremidade da caixa. E então:

• Valores além de 1,5 vez a amplitude interquartil ficam fora do diagrama e são considerados outliers.
• Valores além de 3 vezes a amplitude interquartil são considerados outliers extremos.

É por isso que o boxplot é o instrumento de triagem: ele identifica os candidatos automaticamente e, de quebra, mostra a assimetria da distribuição. Ele sai em dois cliques no painel de gráficos das descritivas — o caminho está em Jamovi passo a passo.

Outro critério corrente é o do escore z, marcando como atípicos os casos que se afastam da média além de um certo número de desvios padrão. Ele tem uma fragilidade que convém conhecer: a própria média e o próprio desvio padrão são puxados pelo valor extremo, o que reduz a sensibilidade do critério justamente onde ele deveria funcionar. Em amostras pequenas de TCC, o critério do boxplot costuma se comportar melhor.

Uma advertência que vale para os dois: verifique se você está diante de um outlier univariado (extremo em uma variável) ou multivariado (nada extremo isoladamente, mas com uma combinação improvável de valores). O segundo não aparece em boxplot nenhum, e é o que costuma distorcer regressões.

A linha que separa limpeza de manipulação

Três perguntas resolvem quase todos os casos. Se você responder “sim” às três, a exclusão é defensável:

1. O critério foi definido antes de olhar o resultado do teste? Critério escolhido depois, para acomodar o resultado desejado, é seleção de dados — e a diferença entre isso e falsificação é de grau, não de natureza. O tema está tratado em fabricação e falsificação de dados na pesquisa.
2. O critério vale para todos os casos igualmente? Um critério que, por acaso, remove apenas os casos que contrariam a hipótese não é um critério — é uma escolha disfarçada de regra.
3. A exclusão está escrita no trabalho, com número e motivo? Exclusão não declarada é o problema, mesmo quando a exclusão em si era correta. A revisão de Aguinis e colegas aponta exatamente essa falta de transparência como o padrão dominante na literatura.

Há dois casos em que a exclusão é obrigatória e nem entra nessa discussão: o participante que não atendia aos critérios de inclusão definidos na metodologia e o registro inválido — questionário respondido em quarenta segundos, mesma alternativa marcada em todos os itens, duplicata do mesmo respondente. Esses casos saem por regra, não por julgamento, e a regra já deveria estar escrita antes da coleta, junto com os critérios discutidos em critérios de inclusão e exclusão na pesquisa.

Alternativas à exclusão

Excluir é a opção mais drástica e raramente a única. Quatro alternativas, em ordem crescente de intervenção:

• Trocar a estatística. Mediana e amplitude interquartil são resistentes a valores extremos, ao contrário de média e desvio padrão. Se o objetivo é descrever, essa troca resolve sem tocar em nenhum dado.
• Trocar o teste. Testes não paramétricos trabalham com postos e são pouco sensíveis a extremos. A escolha do equivalente correto está em qual teste estatístico usar no TCC, e a decisão de migrar se conecta à verificação descrita em teste de normalidade no TCC.
• Transformar a variável. A transformação logarítmica comprime a cauda direita e frequentemente reduz o problema a um caso comum, sem descartar ninguém.
• Winsorizar. Em vez de remover o caso, substitui-se o valor extremo pelo maior valor não extremo. Preserva o tamanho da amostra e reduz a influência — mas é uma intervenção nos dados e, como todas, precisa ser declarada.

A análise de sensibilidade resolve a dúvida

Quando não há um argumento decisivo para excluir nem para manter, existe uma saída que dispensa a decisão: rode a análise das duas formas, com e sem os casos atípicos, e relate as duas.

• Se a conclusão não muda, o outlier deixou de ser um problema e você ganhou um parágrafo de robustez que a banca valoriza: “os resultados se mantiveram com e sem a exclusão dos três casos atípicos”.
• Se a conclusão muda, essa é a informação mais importante do seu capítulo. Significa que o achado depende de dois ou três respondentes, o que precisa ser dito com todas as letras nas limitações. Esconder isso é o pior desfecho possível — e, se a banca refizer a conta, aparece.

É a mesma lógica da análise de sensibilidade aplicada ao tamanho da amostra: em vez de tomar uma decisão arbitrária, você mede o quanto a conclusão depende dela.

E os dados faltantes?

Valor atípico e valor faltante são problemas diferentes que costumam aparecer juntos, e a confusão entre eles gera um erro grave: preencher célula vazia com zero. Um zero é um valor observado; uma célula vazia é a ausência de observação. Substituir a segunda pelo primeiro rebaixa a média de forma invisível e sem deixar rastro.

Três condutas aceitáveis, todas declaráveis:

• Excluir o caso completo (análise de casos completos), informando quantos casos saíram por esse motivo.
• Excluir apenas nas análises em que a variável entra, o que preserva n maior em algumas tabelas — e por isso mesmo exige que o n apareça em cada tabela, e não apenas uma vez no início.
• Imputar, com método declarado. É procedimento legítimo, mas é intervenção, e precisa ser justificado.

Em qualquer dos três, informe quanto faltou. Um percentual pequeno de ausências distribuídas ao acaso é irrelevante; 30% de não resposta concentrados em uma pergunta sensível é um achado sobre o seu instrumento.

O parágrafo que você precisa escrever

“A base foi verificada quanto a registros inválidos e valores atípicos antes da análise. Foram excluídos 4 questionários por não atenderem aos critérios de inclusão e 2 por padrão de resposta invariante em todos os itens, resultando em n = 198. Valores atípicos foram identificados pelo critério do diagrama de caixa (acima de 1,5 vez a amplitude interquartil). Os três casos identificados na variável tempo de experiência foram mantidos por representarem valores plausíveis; a análise foi repetida sem eles como verificação de sensibilidade, sem alteração das conclusões.”

Cinco elementos tornam esse parágrafo suficiente: o n original, o número de exclusões, o motivo de cada bloco de exclusões, o n final e o critério de identificação. Some a isso a análise de sensibilidade e praticamente não sobra pergunta a fazer.

Erros que a banca identifica

• Excluir depois de ver o p-valor. É o erro que define o problema, e a sequência costuma ficar visível no próprio relato.
• Não informar o n final, deixando a metodologia falar em 204 respondentes e a tabela mostrar 191.
• Apagar valores extremos reais porque “estragam o gráfico”.
• Preencher faltantes com zero.
• Aplicar o critério só em uma variável, justamente aquela em que o resultado incomoda.
• Não guardar a base original. Toda exclusão deve ser feita em uma cópia; o arquivo intocado é a única forma de refazer o caminho se a banca pedir.

Depois de decidir e declarar, sobra escrever a discussão em torno desses números — o padrão está em análise e discussão dos resultados no TCC. E, se o gargalo for transformar as decisões metodológicas em texto coerente com o que você prometeu no capítulo anterior, o Tesify ajuda a estruturar o TCC a partir do seu próprio material, com referências ABNT automáticas e autoverificação de originalidade.

Perguntas frequentes

Posso excluir outliers do meu TCC?

Pode, quando o valor é comprovadamente um erro de registro, de digitação ou de instrumento, ou quando o participante não atendia aos critérios de inclusão. O que não é legítimo é excluir apenas porque o valor atrapalha o resultado. Em qualquer caso, a exclusão precisa ser declarada com o critério, a quantidade e o n antes e depois.

Qual é a regra de 1,5 vezes a amplitude interquartil?

No diagrama de caixa, as hastes representam os valores mínimo e máximo que estão dentro de 1,5 vez a amplitude interquartil a partir de cada extremidade da caixa. Valores além disso ficam fora do diagrama e são considerados outliers; valores além de 3 vezes a amplitude interquartil são considerados outliers extremos.

Excluir outliers é manipulação de dados?

Depende do critério e da transparência. Excluir com critério declarado antes de ver o resultado é procedimento metodológico. Excluir depois de constatar que o resultado não deu significativo, sem registrar a exclusão, é seleção de dados que altera a conclusão.

O que é análise de sensibilidade com outliers?

É rodar a análise duas vezes, com e sem os casos atípicos, e relatar as duas versões. Se a conclusão não muda, o outlier deixa de ser um problema. Se muda, essa é a informação mais importante do capítulo de resultados e precisa ser discutida.

Preciso relatar quantos casos excluí?

Sim. Informe o n original, quantos casos foram removidos, por qual critério e o n final. Sem esses números o leitor não consegue avaliar o resultado, e a diferença entre a amostra planejada e a analisada é uma das primeiras coisas que a banca confere.

Existe uma definição única de outlier?

Não. Uma revisão de 46 fontes metodológicas identificou 14 definições distintas e mutuamente exclusivas, 39 técnicas de identificação e 20 maneiras diferentes de lidar com eles. Por isso o que se cobra não é a definição certa, e sim que você declare qual adotou.

Posso substituir o outlier pela média?

É uma prática desaconselhada, porque reduz artificialmente a variabilidade e trata como observado um valor que não foi. Se a intenção é limitar a influência sem descartar o caso, a winsorização — substituir pelo maior valor não extremo — é mais defensável, e também precisa ser declarada.