Por

Nathan Auyeung

—

26 de mai. de 2026

Exemplos de Desenho Quase-Experimental: Tipos e Casos de Uso Reais

Nathan Auyeung

Contabilista Sênior na EY

Formado com um Bacharelado em Contabilidade, completou um Diploma de Pós-Graduação em Contabilidade

Os delineamentos quase-experimentais ajudam os investigadores a estudar a causa e o efeito quando a atribuição aleatória não é possível. Em vez de dependerem de grupos aleatórios controlados, estes estudos utilizam cenários do mundo real, tais como escolas, clínicas, bairros ou regiões.

Isso torna-os especialmente úteis na educação, nos cuidados de saúde e nas políticas públicas, onde os investigadores precisam frequentemente de respostas, mas não conseguem controlar totalmente quem recebe uma intervenção.

Neste guia, analisaremos os exemplos quase-experimentais mais importantes, explicaremos o que faz com que cada delineamento funcione e mostraremos como escolher e aplicar a abordagem correta no seu próprio estudo com clareza e confiança.

O Que É um Delineamento de Pesquisa Quase-Experimental?

Um delineamento de pesquisa quase-experimental examina causa e efeito sem atribuição aleatória.

Em vez de criar grupos aleatórios, utiliza grupos formados naturalmente que já existem em ambientes reais, o que torna a abordagem mais realista para a pesquisa aplicada. Os investigadores trabalham habitualmente com salas de aula, hospitais ou comunidades já existentes.

Conforme explicado em quasi experimental design, os quase-experimentos são amplamente utilizados em estudos aplicados porque oferecem um equilíbrio prático entre viabilidade e perspicácia causal significativa.

Ao contrário de um verdadeiro experimento, os participantes não são atribuídos aleatoriamente às condições. Isto pode tornar mais difícil excluir explicações alternativas, uma vez que os grupos podem diferir uns dos outros antes do início da intervenção.

Como resultado, a validade interna pode ser um desafio nos delineamentos quase-experimentais. Mesmo com estas limitações, os métodos quase-experimentais continuam a ser essenciais em disciplinas como a sociologia, a psicologia e a economia.

Variável independente: a intervenção ou tratamento
Variável dependente: o resultado medido
Grupo de controlo: o grupo de comparação que não recebe o tratamento
Grupo de tratamento: o grupo que recebe a intervenção

Principais Tipos de Exemplos de Delineamento Quase-Experimental

Aqui estão os principais tipos que verá na prática. As explicações incluem exemplos simples e onde os utilizaria realmente.

Delineamento de grupo de controlo não equivalente

Dois grupos são comparados, mas não foram atribuídos aleatoriamente. Já existiam.

Exemplo: Uma turma de uma escola recebe um novo programa de matemática. Outra turma utiliza o método antigo. No final do período, comparam-se as suas notas nos testes.
Onde é utilizado: Isto está em todo o lado na pesquisa educacional. Uma vez que os grupos não foram criados iguais à partida, os investigadores têm de utilizar a estatística (como o ANCOVA) para tentar dar conta das diferenças iniciais. O grande desafio é lidar com variáveis que não se contabilizaram.

Delineamento pré-teste/pós-teste de grupo único

Mede-se um único grupo, introduz-se algo e depois mede-se novamente. Não existe um grupo de controlo separado.

Exemplo: Uma fábrica regista quantos acidentes acontecem ao longo de seis meses. Em seguida, realizam um programa de formação em segurança. Depois disso, acompanham os acidentes durante mais seis meses para ver se o número diminuiu.
Porque é fraco: A diminuição dos acidentes pode dever-se à formação. Ou pode dever-se a outra coisa qualquer que aconteceu ao mesmo tempo, como uma desaceleração sazonal na produção. É difícil ter a certeza do que causou a mudança.
O compromisso: É muito fácil e barato de fazer, e é por isso que é comum em estudos de empresas e locais de trabalho. No entanto, fornece a evidência mais fraca de causa e efeito.

Pré-teste/pós-teste com grupo de controlo não equivalente

Esta é uma versão mais forte. Tem dois grupos existentes e mede ambos antes e depois de introduzir uma alteração a apenas um dos grupos.

Exemplo: Uma clínica inicia um novo programa para ajudar as pessoas a deixar de fumar. Outra clínica semelhante não o faz. Faz um inquérito aos fumadores em ambas as clínicas sobre os seus hábitos. Após um ano de funcionamento do programa na primeira clínica, volta a fazer o inquérito a todos.
Porque é melhor: Se a clínica com o programa mostrar uma redução muito maior no tabagismo do que a outra clínica, pode estar mais confiante de que o programa realmente funcionou. Ajuda a excluir a possibilidade de que algum fator externo (como uma nova campanha de saúde pública) tenha afetado todos ao mesmo tempo.

Eis como estes três primeiros delineamentos se comparam:

Tipo de Delineamento	Grupo de Controlo?	Pré-teste?	Força da Evidência
Pré-teste/pós-teste de grupo único	Não	Sim	Baixa
Grupo de controlo não equivalente	Sim	Opcional	Média
Pré-teste/pós-teste com controlo	Sim	Sim	Mais Alta

Delineamento de série temporal interrompida

Em vez de apenas uma medição "antes" e uma "depois", recolhe dados em muitos momentos ao longo de um período prolongado. Procura uma mudança na tendência após um evento específico.

Exemplo: Um país aprova uma lei que adiciona um imposto sobre bebidas açucaradas. Os investigadores analisam os dados de vendas de refrigerantes a nível nacional, mês a mês, durante anos antes do imposto e anos depois. Estão à procura de ver se a tendência de vendas a longo prazo cai claramente ou muda de forma precisamente quando o imposto começou.
Porque é útil: É poderoso para avaliar políticas e leis. Ver uma mudança num padrão de longo prazo é mais convincente do que uma mudança entre dois pontos isolados no tempo. Uma discussão aplicada detalhada pode ser encontrada em interrupted time series design in real world studies, que mostra como os delineamentos baseados no tempo são usados na pesquisa de saúde no mundo real.

Delineamento de descontinuidade de regressão

As pessoas são atribuídas a um grupo de tratamento com base no facto de ficarem acima ou abaixo de um ponto de corte específico numa escala.

Exemplo: Uma universidade concede bolsas de tutoria a estudantes cujo rendimento familiar seja inferior a $50.000. Os investigadores comparam então as taxas de graduação dos estudantes que quase se qualificaram (por exemplo, rendimento de $49.500) com os que quase não conseguiram (por exemplo, rendimento de $50.500).
A lógica: A ideia é que estes dois grupos de estudantes são praticamente idênticos em todos os aspetos, exceto nessa pequena diferença de rendimento e na bolsa que receberam. Qualquer grande diferença nos seus resultados pode ser associada com maior segurança à bolsa de estudo. Os economistas e analistas de políticas adoram este delineamento pela sua lógica inteligente.

Delineamentos de emparelhamento e de pontuação de propensão

Como não se pode aleatorizar, tenta-se simular isso com estatística. Encontra indivíduos no grupo de tratamento e "emparelha-os" com indivíduos quase idênticos de um grupo sem tratamento.

Exemplo: Está a estudar cursos universitários online versus presenciais. Pega em cada estudante do regime online e encontra um estudante presencial com a mesma média do ensino secundário, idade e curso. Em seguida, compara as notas destes pares emparelhados.
O senão: Apenas pode emparelhar pessoas com base em aspetos que consegue medir e dos quais tem dados. Não pode justificar diferenças ocultas, como o nível de motivação de um estudante ou o seu acesso a um local silencioso para estudar. Reduz o viés, mas não o elimina.

Exemplos Reais de Delineamento Quase-Experimental por Domínio

Vê estes métodos por todo o lado. Eis como se parecem na prática em algumas áreas importantes.

Educação

As escolas normalmente não podem baralhar os miúdos aleatoriamente para uma experiência. Por isso, trabalham com os grupos que têm.

Como se parece: Um distrito escolar decide testar um novo programa de explicação online. Oferecem-no a todos os estudantes da Lincoln High School. Entretanto, os alunos da Jefferson High School continuam a utilizar o antigo sistema de sala de estudo. No final do semestre, os investigadores comparam as notas dos exames finais de ambas as escolas.
Porque é utilizado: É uma forma padrão e prática de testar novas ferramentas ou programas de ensino quando a aleatorização real não é uma opção.

Cuidados de Saúde

Os hospitais e clínicas utilizam grupos de doentes existentes para estudar novos procedimentos ou sistemas.

Como se parece: Um hospital instala um novo sistema digital para os enfermeiros registarem os sinais vitais dos doentes. Analisam o tempo médio de recuperação dos doentes admitidos nos seis meses anteriores à entrada em funcionamento do sistema e comparam-no com o tempo de recuperação dos doentes nos seis meses seguintes.
Porque é utilizado: Não se pode atribuir aleatoriamente alguns doentes para receberem piores cuidados. Esta abordagem permite que os investigadores da área da saúde estudem melhorias no mundo real de forma controlada.

Políticas Públicas

Quando uma nova lei ou imposto é introduzido, afeta toda a gente. Os investigadores estudam os efeitos analisando os dados ao longo do tempo.

Como se parece: Um estado aumenta a idade legal para comprar tabaco de 18 para 21 anos. Os responsáveis de saúde pública acompanham então as taxas de tabagismo a nível estadual entre os adolescentes durante vários anos antes e depois da alteração da lei, procurando uma queda na linha de tendência.
Porque é utilizado: Isto é frequentemente um delineamento de série temporal interrompida. É a principal forma de descobrir se uma política de grande escala causou realmente a mudança que todos esperavam.

Negócios e Marketing

As empresas testam novas ideias num subconjunto de clientes antes de um lançamento completo, muitas vezes porque um teste A/B real não é possível.

Como se parece: Uma aplicação de redes sociais desenvolve uma nova funcionalidade de vídeo. Lançam-na primeiro para todos os utilizadores no Canadá. Durante três meses, monitorizam a frequência com que os utilizadores canadianos assistem a vídeos em comparação com utilizadores de mercados semelhantes, como o Reino Unido e a Austrália, que ainda não têm a funcionalidade.
Porque é utilizado: Os analistas, mesmo em fóruns como o Reddit, chamam a isto um "lançamento faseado". Permite que uma empresa veja a utilização no mundo real e detete problemas antes de um lançamento global, enquanto continua a recolher dados comparativos.

Este tipo de estudo situa-se frequentemente entre a visão qualitativa e a medição quantitativa. Se não tiver a certeza de como estas abordagens diferem, a qualitative vs quantitative research explica como cada método contribui para as decisões de delineamento de pesquisa.

Vantagens e Desvantagens do Delineamento Quase-Experimental

Saber em que é que estes métodos são bons e onde falham é fundamental para julgar os estudos que os utilizam.

Vantagens

A maior força é que lhe permitem estudar coisas quando uma experiência real não é possível ou ética.

Utilização no mundo real: Pode pesquisar programas, políticas e tratamentos tal como acontecem de facto nas escolas, hospitais ou cidades. Não está a criar um ambiente de laboratório artificial.
Praticabilidade ética: Muitas vezes, não se pode negar aleatoriamente a alguém um tratamento potencialmente útil. Os Institutos Nacionais de Saúde apontam que muitos estudos clínicos têm de utilizar delineamentos não aleatórios precisamente por esta razão.
Eficiência: Os investigadores podem frequentemente utilizar dados que já existem, como registos escolares ou registos de admissão hospitalar. Isto torna os estudos mais rápidos e menos dispendiosos de realizar.
Escala: Estes delineamentos podem ser aplicados a grandes grupos, até mesmo a populações inteiras, o que é necessário para avaliar coisas como novas leis ou campanhas de saúde pública.

Desvantagens

O principal compromisso é uma alegação mais fraca sobre causa e efeito. Não pode ter tanta certeza de que o tratamento que está a estudar é a verdadeira razão de qualquer mudança.

O problema central: Sem atribuição aleatória, os grupos que está a comparar podem ter sido diferentes desde o início. Talvez os alunos do novo programa de matemática tivessem pais mais solidários. Talvez os doentes que receberam uma nova terapia fossem geralmente mais saudáveis. Estas diferenças pré-existentes podem distorcer os seus resultados.
Variáveis de confusão: Estes são os fatores não medidos que podem realmente ser responsáveis pelo resultado. São a ameaça constante neste tipo de pesquisa.
Viés de seleção: A forma como as pessoas acabam num grupo ou noutro não é aleatória. As pessoas que optam por aderir a um novo programa podem ser mais motivadas do que as que não o fazem, o que por si só poderia levar a melhores resultados.
Incerteza: No fim de contas, fica com uma forte correlação, semelhante à que se vê na pesquisa correlacional, mas não com uma prova definitiva de causalidade. A evidência é sugestiva, não à prova de bala.

Uma explicação mais detalhada destes desafios e de como os investigadores os gerem é discutida em quasi experimental design validity and causal inference, que explora a inferência causal e as questões de validade em delineamentos quase-experimentais.

Como Desenhar um Estudo Quase-Experimental Passo a Passo

Se precisar de realizar um destes estudos, aqui está um caminho simples a seguir.

1. Defina a sua pergunta Comece com uma pergunta clara de causa e efeito. Seja específico.

Fraca: "O programa funciona?"
Melhor: "Os alunos do ensino secundário que completam o novo programa de tutoria por pares mostram um aumento maior nas notas do exame final de álgebra do que os que não o completam?"

2. Encontre os seus grupos Não vai criar grupos aleatoriamente. Vai utilizar os que já existem.

Grupo de tratamento: As pessoas, salas de aula ou regiões que receberão a intervenção (por exemplo, as três filiais da empresa que estão a receber o novo software).
Grupo de controlo/comparação: Os grupos que continuarão como habitualmente (por exemplo, as duas filiais que mantêm o sistema antigo). O seu objetivo é tornar estes grupos o mais semelhantes possível desde o início.

3. Escolha o seu delineamento A sua escolha depende inteiramente do que for prático para a sua situação.

Se apenas tiver acesso a um grupo, utilizaria um delineamento de pré-teste/pós-teste de grupo único.
Se tiver dois grupos existentes e puder medi-los antes e depois, utilize um pré-teste/pós-teste com grupo de controlo não equivalente.
Se estiver a estudar uma alteração de política e tiver dados ao longo de muitos anos, um delineamento de série temporal interrompida é a sua melhor opção.
Se o tratamento for decidido por um corte rigoroso (como uma nota de teste ou nível de rendimento), um delineamento de descontinuidade de regressão é a opção mais rigorosa.

4. Considere outras variáveis Este é o passo analítico mais crítico. Uma vez que não aleatorizou, deve tentar controlar outros fatores estatisticamente e utilizar medidas que sejam o mais fiáveis possível.

Emparelhamento: Emparelhe cada pessoa do grupo de tratamento com alguém do grupo de controlo que tenha características semelhantes (idade, nota do teste anterior, etc.).
Análise de regressão: Utilize-a para isolar o efeito do seu tratamento enquanto mantém outras variáveis matematicamente constantes.
Diferença-em-diferenças: Compare a mudança no grupo de tratamento com a mudança no grupo de controlo. Isto ajuda a anular tendências que afetaram ambos os grupos.

Se ainda estiver a decidir como estes métodos se enquadram na sua abordagem de pesquisa mais ampla, os research paradigms podem ajudar a esclarecer como diferentes delineamentos se alinham com os objetivos de pesquisa.

5. Analise e relate com precaução Interprete os seus números com cuidado.

Não afirme que "provou" que a intervenção causou a mudança. Diga que a evidência "sugere" ou "apoia" uma ligação causal.
Seja transparente sobre as limitações do estudo. Liste explicitamente as outras variáveis que não pôde controlar e que podem ter influenciado os resultados. Esta honestidade é o que torna a pesquisa credível.

Ao comunicar os resultados, a clareza no estilo de citação também é importante para a credibilidade. Se estiver a formatar escrita académica, o et-al example apa fornece orientações sobre a utilização adequada de citações em artigos de pesquisa.

Considerações Finais sobre Delineamento Quase-Experimental

Provavelmente já sentiu como é difícil provar causa e efeito quando não pode controlar tudo, e os resultados podem parecer incertos ou fáceis de questionar. É frustrante. Estes delineamentos ajudam-no a trabalhar com condições reais enquanto obtém respostas úteis, mesmo quando cenários perfeitos não são possíveis.

Em vez de pensar demasiado em cada limitação, foque-se em construir uma estrutura clara e em explicar bem as suas escolhas. Ferramentas como o Jenni podem ajudá-lo a organizar as suas ideias mais rapidamente e a manter a sua escrita afiada, para que passe menos tempo bloqueado e mais tempo a fazer avançar a sua pesquisa.

Índice