Bom, bonito e barato: o qui-quadrado de independência
em Ciência Política
O teste de qui-quadrado verifica se duas variáveis categóricas estão associadas ou são independentes. É simples, versátil e perfeito para análises exploratórias em Ciência Política. Este pequeno guia explica quando usar, como interpretar e quais cuidados tomar.
Karl Pearson (1857-1936) em 1951: o inventor da coisa
Pesquisadoras de Ciência Política lidam o tempo todo com variáveis categóricas: partidos políticos, ideologias partidárias, sexo/gênero de candidatos, estados do país pelos quais deputados são eleitos, ocupações profissionais declaradas nos registros de candidaturas. E assim por diante.
Há perguntas muito básicas de pesquisa (mas muito úteis para descobertas de padrões) que querem apenas verificar se duas dessas variáveis estão associadas ou se, ao contrário, são independentes entre si. É justamente para isso que serve o teste de qui-quadrado de independência de Pearson.
A intuição do teste
O raciocínio é simples: criamos uma tabela cruzando duas variáveis (por exemplo, gênero × resultado eleitoral) e perguntamos: as frequências observadas são diferentes daquilo que esperaríamos se não houvesse relação entre as duas variáveis? O qui-quadrado compara o observado com o esperado. Se a discrepância for suficientemente grande, rejeitamos a hipótese de independência.
Um exemplo numérico simples
Suponha que em uma amostra de 100 candidatos, 60 sejam homens e 40 mulheres. Se 30 candidatos foram eleitos no total, esperaríamos — na ausência de qualquer associação entre gênero e eleição — que 18 homens e 12 mulheres fossem eleitos (mantendo a proporção 60/40 da amostra).
Mas o que acontece se observamos 25 homens eleitos e apenas 5 mulheres? Há uma discrepância clara entre o esperado (18 e 12) e o observado (25 e 5). O qui-quadrado quantifica essa diferença e nos diz se ela é grande o suficiente para ser estatisticamente significativa — ou seja, improvável de ter ocorrido por mero acaso.
Em termos práticos: o teste não diz “quanto” uma coisa depende da outra, mas apenas se existe alguma associação estatisticamente significativa. É um ponto de partida, um alarme que indica que vale a pena investigar mais a fundo.
Hermelindo Fiaminghi, Alternating 2, 1957. MoMa.
Exemplos aplicados à Ciência Política
· Partido e reeleição parlamentar
Imagine uma tabela que cruza resultado eleitoral (reeleito vs. não reeleito) com família ideológica do partido (esquerda, centro, direita). Se os partidos fossem irrelevantes para a chance de reeleição, esperaríamos distribuições semelhantes em todos os grupos. O qui-quadrado nos ajuda a responder se, empiricamente, há associação entre ideologia partidária e sucesso eleitoral.
· Cor/raça e chances de eleição
Um dos debates centrais sobre representação política é a sub-representação de grupos racializados. Ao cruzarmos cor/raça autodeclarada dos candidatos com resultado eleitoral (eleito/não eleito), podemos verificar se há associação significativa. O teste não resolve sozinho a questão das causas, mas evidencia que os padrões não são fruto apenas do acaso.
· Escolaridade e confiança nas instituições
Pesquisas de opinião frequentemente medem confiança no Congresso, no Judiciário ou nos partidos. Cruzar grau de escolaridade com nível de confiança (confia/não confia) permite verificar se a percepção varia entre grupos educacionais. O qui-quadrado nos diz se essa variação é estatisticamente consistente.
· Região e apoio a reformas políticas
Em surveys nacionais, é comum observar diferenças regionais em relação a políticas públicas ou reformas constitucionais. Perguntar se região (Norte, Nordeste, Sudeste, etc.) está associada ao apoio ou rejeição a uma reforma é um exemplo clássico de aplicação.
Vantagens do teste na análise empírica
O teste de qui-quadrado é uma das ferramentas mais acessíveis da estatística aplicada às ciências sociais:
· Simplicidade: não exige modelos complexos nem cálculos sofisticados.
· Versatilidade: pode ser usado em surveys, censos eleitorais, bases parlamentares ou estudos de opinião pública.
· Robustez: com amostras razoavelmente grandes, fornece resultados confiáveis mesmo sem pressupor distribuição normal dos dados.
Além disso, por ser amplamente conhecido, é de fácil comunicação: tanto acadêmicos quanto jornalistas e formuladores de políticas conseguem compreender a lógica básica do resultado.
Hermelindo Fiaminghi, Circulos Alternados II, 1955
Há, no entanto, alguns pontos de atenção
· Tamanho da amostra: células muito pequenas (frequências esperadas menores que 5) podem comprometer a validade do teste.
· Interpretação: o teste apenas indica associação, não causalidade. Encontrar significância estatística não significa que uma variável “determina” a outra.
· Medida de intensidade: o qui-quadrado não mede força da associação. Para isso, recorremos a índices complementares, como o V de Cramér, que indica se a associação é fraca, moderada ou forte.
Quando não usar qui-quadrado
É importante saber os limites do teste:
· Variáveis ordinais com muitas categorias
Se suas variáveis têm ordem natural (ex: escolaridade: fundamental/médio/superior/pós-graduação), considere medidas de associação ordinal como gamma ou tau-b de Kendall, que aproveitam essa informação.
· Amostras muito pequenas
Com células esperadas menores que 5, o qui-quadrado perde precisão. Nestes casos, use o teste exato de Fisher (disponível para tabelas 2×2).
· Tabelas com muitas células vazias
Se sua tabela cruzada tem muitas categorias e várias células com zero ou poucos casos, considere reagrupar categorias ou usar simulações de Monte Carlo.
· Dados pareados ou medidas repetidas
O qui-quadrado pressupõe observações independentes. Para dados pareados, use o teste de McNemar.
Interpretando os resíduos padronizados: onde está a associação?
O qui-quadrado global nos diz se há associação, mas não onde ela está. Para isso, examinamos os resíduos padronizados de cada célula.
Um resíduo padronizado mede quantos desvios-padrão o valor observado está do esperado:
· Valores entre -2 e +2: dentro do esperado
· Valores acima de +2: célula contribui positivamente para a associação (mais casos que o esperado)
· Valores abaixo de -2: célula contribui negativamente (menos casos que o esperado)
Hermelindo Fiaminghi, Virtual XIV, 1958. Collection Adolpho Leirner
Medindo a força da associação: V de Cramér
Além da significância estatística, é fundamental avaliar a magnitude da associação. O V de Cramér complementa o qui-quadrado, normalizando o valor obtido para variar entre 0 e 1:
· 0.0–0.1: associação inexistente ou quase
· 0.1–0.3: associação fraca
· 0.3–0.5: associação moderada
· 0.5+: associação forte
Esse índice é especialmente útil em Ciência Política, onde não basta saber se uma clivagem é estatisticamente significativa; importa também avaliar sua relevância substantiva. Por exemplo, uma associação forte entre região e voto em determinado candidato indica uma clivagem territorial robusta, com implicações para campanhas eleitorais e estratégias partidárias.
Quando qui-quadrado diz sim mas não significa nada...
· O problema das amostras gigantes
Com amostras muito grandes (n > 10.000), até diferenças minúsculas se tornam estatisticamente significativas. Um exemplo:
Imagine cruzar gênero × voto em candidato X com n = 50.000:
Homens votam 51% no candidato
Mulheres votam 49% no candidato
Diferença de apenas 2 pontos percentuais, mas com n grande o qui-quadrado provavelmente será significativo (p < 0,05).
A solução? Sempre reporte:
· A significância estatística (p-valor)
· O tamanho do efeito (V de Cramér)
· As frequências observadas em termos substantivos
Uma associação pode ser estatisticamente significativa, mas substantivamente irrelevante para a pesquisa.
Para além do teste
Em análises exploratórias, o qui-quadrado é especialmente útil porque permite identificar rapidamente padrões de associação entre variáveis categóricas sem pressupor modelos complexos. Ele funciona como um primeiro filtro: ao cruzar, por exemplo, sexo/gênero e preferência partidária, o teste mostra se há sinais de associação que merecem ser investigados com técnicas mais robustas.
Em muitos casos, o qui-quadrado funciona como uma porta de entrada. Ele aponta que vale a pena explorar um cruzamento, mas análises mais sofisticadas (como regressões logísticas ou modelos multinomiais) permitem entender melhor os mecanismos.
Por exemplo, descobrir que existe associação entre partido e reeleição é o primeiro passo; em seguida, podemos modelar estatisticamente como fatores como tempo de TV, financiamento ou desempenho em votações legislativas afetam o resultado.
Hermelindo Fiaminghi, Guache sobre cartão, 1958.
Como aplicar isso na sua pesquisa
1. Sempre examine os resíduos padronizados para identificar quais células contribuem mais para a associação. Isso transforma um resultado abstrato em interpretação substantiva.
2. Reporte tanto a significância (p-valor) quanto a magnitude (V de Cramér) da associação. Nunca confie apenas no p-valor.
3. Combine com análise descritiva detalhada das frequências observadas vs. esperadas. Tabelas bem construídas comunicam tanto quanto testes estatísticos.
4. Documente suas decisões metodológicas, especialmente se reagrupar categorias ou excluir células com frequências muito baixas.
Conclusão
O teste de qui-quadrado de Pearson é um exemplo perfeito de como ferramentas estatísticas simples podem iluminar questões centrais da Ciência Política. Ele ajuda a verificar se padrões observados na vida política — diferenças entre partidos, desigualdades de representação, clivagens regionais ou sociais — são apenas fruto do acaso ou se refletem associações reais.
Em tempos de abundância de dados, lembrar do potencial desse teste clássico é uma maneira de reforçar a ponte entre estatística e política.
Referências recomendadas
Agresti, A. (2019). An Introduction to Categorical Data Analysis. 3ª ed. Wiley.
Agresti, A. (2013). Categorical Data Analysis. 3ª ed. Wiley.
Field, A. (2017). Discovering Statistics Using IBM SPSS Statistics. 5ª ed. Sage.
Siegel, S. & Castellan, N.J. (1988). Nonparametric Statistics for the Behavioral Sciences. 2ª ed. McGraw-Hill.