O prazo aperta, o formulário está no ar há três semanas e o contador não passa de 41 respostas. A metodologia dizia 278. Se você chegou até aqui, a pergunta já não é como planejar a amostra — é o que ainda dá para fazer com a amostra que você tem. A resposta curta é: bastante coisa, e quase tudo depende de ajustar a pergunta e a análise, nunca os dados. Este guia percorre as saídas legítimas em ordem, mostra por que a conta não fechou e termina com o parágrafo de limitação que transforma o problema em demonstração de rigor.
“Poucos” em relação a quê?
Antes de entrar em pânico, faça o diagnóstico correto: não existe amostra pequena em abstrato — existe amostra pequena para uma determinada análise. O mesmo N que inviabiliza uma comparação entre quatro grupos sustenta com folga uma caracterização descritiva.
| O que você quer fazer | Exigência de tamanho |
|---|---|
| Descrever o perfil da amostra (frequências, médias) | Baixa — poucas dezenas já sustentam relato honesto |
| Estimar uma proporção da população com margem de erro pequena | Alta — é a conta que gerou o seu número original |
| Comparar dois grupos | Média a alta — depende do tamanho do efeito esperado |
| Comparar três ou mais grupos | Alta — cada grupo precisa de participantes suficientes |
| Correlacionar duas variáveis | Média — mas o intervalo de confiança fica largo |
| Regressão com várias variáveis | Muito alta — cresce com o número de preditores |
A primeira decisão, portanto, não é estatística: é escolher a pergunta que a sua amostra consegue responder. Um trabalho que descreve bem 41 casos vale mais que um que finge comparar seis subgrupos de sete pessoas cada.
Por que a conta não fechou
Há uma razão sistemática, e vale entendê-la porque ela também orienta a saída. O tamanho de amostra que você calculou dependeu de uma suposição sobre o tamanho do efeito que você esperava encontrar — e essa suposição costuma ser otimista demais.
As referências mais usadas são as de Cohen: efeito pequeno, médio e grande correspondendo a d = 0,20, 0,50 e 0,80. Ocorre que esses valores, como observa Brydges (2019), “não foram baseados em estimativas quantitativas” e só deveriam ser usados quando não existem estimativas do próprio campo. Quando o autor foi medir os efeitos realmente observados na literatura de gerontologia, encontrou valores bem menores: g = 0,16, 0,38 e 0,76 para efeitos pequeno, médio e grande.
A consequência prática é direta e vale citar em número. Para comparar dois grupos com poder de 80%, supondo o “efeito médio” de Cohen (d = 0,50), são necessários 64 participantes por grupo. Usando a estimativa realista do campo (g = 0,38), o necessário sobe para 110 por grupo. Quem recrutou 64 acreditando estar com 80% de poder estava, na verdade, com 57% — quase uma moeda.
Guarde esta reformulação, porque ela reorganiza o problema todo: uma amostra pequena não torna o seu resultado falso — torna-o impreciso. A média que você calculou continua sendo a melhor estimativa disponível; o que acontece é que o intervalo em torno dela é largo. E imprecisão declarada é ciência; imprecisão escondida é que é erro.
Se quiser reconstruir o cálculo com números realistas, o procedimento está em como calcular o tamanho da amostra no G*Power, e a lógica do tamanho de efeito em o que é tamanho de efeito. O planejamento original — população, amostragem e a fórmula de Cochran — está em população e amostra no TCC.
As cinco saídas, da mais para a menos legítima
1. Reabrir e redirecionar a coleta. Sempre a primeira opção, e a mais subestimada. Antes de mexer na análise, mexa na distribuição. O que funciona, em ordem de retorno: encurtar o questionário (o principal determinante de abandono é o comprimento), trocar o canal (grupos e listas institucionais rendem muito mais que redes sociais abertas), pedir intermediação a coordenações de curso, conselhos e associações profissionais, enviar lembretes espaçados em vez de um único disparo, e adotar bola de neve, pedindo a cada respondente que indique outro do mesmo perfil. Duas semanas a mais de coleta bem direcionada costumam valer mais do que qualquer manobra analítica.
2. Reduzir o escopo da pergunta. Se a comparação entre seis subgrupos não se sustenta, compare dois. Se a regressão com oito preditores não cabe, escolha os dois teoricamente decisivos. Reduzir o escopo fortalece o trabalho: concentra o N disponível onde ele produz uma resposta defensável. Declare a redução no método, com a justificativa.
3. Trocar o teste. Com amostras pequenas, os testes de normalidade têm pouca capacidade de detectar desvios — a ausência de rejeição não é prova de normalidade. Nesse cenário, alternativas não paramétricas costumam ser a escolha mais honesta. A decisão e seus critérios estão em teste de normalidade no TCC e o mapa das alternativas em qual teste estatístico usar. A regra inegociável: escolha o teste pelos pressupostos, antes de ver o resultado.
4. Reposicionar o estatuto do estudo. Um estudo que não sustenta inferência pode sustentar muito bem um estudo exploratório ou um estudo-piloto. Não é rebaixamento: é a categoria correta. Estudos-piloto têm função reconhecida — testar o instrumento, estimar taxa de resposta, produzir a estimativa de efeito que uma pesquisa futura usará para calcular o N adequado. Reescrever o objetivo como “caracterizar” ou “explorar”, em vez de “comprovar” ou “generalizar”, resolve a maior parte do problema com a banca.
5. Relatar com intervalo de confiança e tamanho de efeito. Última linha de defesa, e mais sólida do que parece. Em vez de organizar os resultados em torno de “deu ou não deu significativo”, apresente a estimativa, o intervalo de confiança e o tamanho de efeito. Com N pequeno o intervalo será largo — e é exatamente isso que você deve mostrar. Um intervalo largo comunica com precisão o que o estudo conseguiu e o que não conseguiu determinar, enquanto um p-valor não significativo comunica muito pouco.
Se o seu instrumento é uma escala, aproveite para verificar a consistência interna, que continua calculável e informativa com amostras modestas — ver alfa de Cronbach ou ômega de McDonald. E o que sempre cabe, em qualquer N, é uma boa análise descritiva.
O que nunca fazer
As saídas acima custam alguma força de conclusão. As abaixo custam o trabalho inteiro.
- Completar respostas. Preencher formulários “para fechar a conta” é fabricação de dados — a falta mais grave da integridade em pesquisa, e detectável por padrões nos próprios dados.
- Duplicar respondentes ou reaproveitar registros com pequenas alterações. Mesma categoria da anterior.
- Excluir quem “atrapalha” o resultado. Exclusão precisa ter critério definido antes e ser declarada — a fronteira entre limpeza legítima e manipulação está em posso excluir outliers dos dados do TCC.
- Rodar vários testes até um dar significativo e relatar só esse. Com amostra pequena a tentação é maior, e o problema é conhecido: quanto mais testes, maior a chance de um “achado” que é só ruído.
- Trocar a hipótese depois de ver os dados e apresentá-la como se fosse a original.
- Omitir o número de convites enviados. A taxa de resposta é informação metodológica; escondê-la é o que levanta suspeita, não o número baixo em si.
Sobre o cálculo de poder depois da coleta: recalcular o poder usando o efeito que você mesmo observou não acrescenta informação nova, porque esse valor é uma função do resultado que você está tentando avaliar. Se a intenção é comunicar incerteza, o intervalo de confiança faz isso de forma direta e defensável.
Como escrever a limitação
Uma limitação bem escrita é específica, quantificada e consequente. Ela informa o número planejado, o obtido, a provável razão, o efeito concreto sobre a análise e o que isso impede de afirmar. Compare:
Fraco: “Uma limitação do estudo foi a amostra reduzida.”
Adequado:
O cálculo amostral indicava 278 respondentes para margem de erro de 5% e nível de confiança de 95%. Foram obtidas 41 respostas válidas em oito semanas de coleta, correspondendo a uma taxa de resposta de 12% sobre os 340 convites enviados. A baixa adesão está provavelmente associada ao período de coleta, coincidente com o recesso institucional. Em consequência, os resultados são apresentados em caráter exploratório e descritivo: as estimativas são acompanhadas de intervalos de confiança de 95%, que se mostraram amplos, e não se realizou inferência para a população. As associações observadas devem ser interpretadas como indicativas e requerem confirmação em estudo com amostra maior.
Repare no que esse parágrafo faz: reconhece o problema, quantifica-o, explica-o, mostra a decisão analítica que dele decorreu e delimita a conclusão. É assim que uma amostra pequena deixa de ser fragilidade e passa a ser evidência de que o autor entende o próprio método — que é, no fim, o que a banca está avaliando.
Um último conselho prático: converse com o orientador antes de mudar o desenho, não depois. Reposicionar um estudo como exploratório é uma decisão de método, e ela precisa aparecer no texto de forma coerente do objetivo à conclusão.
Precisa reescrever objetivo, metodologia e limitações de forma coerente entre si? Reestruture seu TCC no Tesify e mantenha o alinhamento entre o que você propôs e o que os seus dados sustentam.
Perguntas frequentes
Quantos respondentes são poucos para um TCC?
Não existe número universal, porque “poucos” é relativo à análise pretendida. Para estatística descritiva de um grupo único, 30 a 50 respostas já sustentam um relato honesto. Para comparar dois grupos com poder de 80%, costumam ser necessários mais de 100 por grupo se o efeito for pequeno. Para regressão múltipla, o número cresce com o número de variáveis. Defina primeiro o que você quer testar; só então o seu N tem um veredito.
Posso defender um TCC com amostra pequena?
Sim. O que reprova não é a amostra pequena, e sim a conclusão grande demais para ela. Um trabalho com 41 respondentes que se apresenta como exploratório, relata intervalos de confiança e reconhece que não generaliza é metodologicamente sólido. O mesmo trabalho afirmando ter comprovado uma relação na população é que se torna indefensável.
O que fazer se ninguém responde ao meu questionário?
Antes de mudar a análise, mude a distribuição. Troque o canal de divulgação, peça intermediação institucional a coordenações e associações profissionais, reduza o tamanho do questionário, envie lembretes espaçados e considere a amostragem em bola de neve. Encurtar um questionário longo costuma ter mais efeito sobre a taxa de resposta do que qualquer outra medida isolada.
Devo calcular o poder estatístico depois de coletar os dados?
Calcular o poder a partir do efeito que você mesmo observou não acrescenta informação, porque esse valor é derivado do próprio resultado que você quer avaliar. O que é útil e defensável é relatar o intervalo de confiança do efeito observado: ele mostra diretamente quanta incerteza a sua amostra deixou, sem fingir uma análise nova.
Posso trocar o teste estatístico por causa da amostra pequena?
Sim, desde que a troca seja justificada pelos pressupostos e declarada no método. Com amostras pequenas, os testes de normalidade têm pouca capacidade de detectar desvios, e alternativas não paramétricas costumam ser a escolha mais defensável. O que não se admite é rodar vários testes e relatar apenas o que deu significativo.
Como escrevo a limitação da amostra pequena?
Declare o número planejado, o número obtido, a provável razão, a consequência analítica concreta e o que isso impede de afirmar. Uma limitação bem escrita é específica e quantificada, não uma frase genérica sobre “amostra reduzida”. Ela demonstra domínio metodológico em vez de fragilidade.