p-valor × tamanho da amostra × efeito verdadeiro
Escolha um hazard ratio (HR) verdadeiro e o número de eventos; simulamos centenas de ensaios idênticos e mostramos a distribuição dos p-valores que eles produziriam.
Dados simulados para fins didáticos. Cada ensaio: ln(HR observado) ~ Normal(ln HR, EP), com EP = 2/√eventos (aproximação de Schoenfeld, randomização 1:1); p bicaudal pelo teste de Wald. O ganho mediano supõe sobrevida exponencial (mediana tratada = mediana controle / HR) — fora dessa premissa, HR não se converte diretamente em razão de medianas. O corte de 0,05 é convenção, não fronteira natural.
O que significa "95% de confiança"
Repita o mesmo ensaio muitas vezes. Cada linha é o IC de um ensaio; em vermelho, os que não contêm o HR verdadeiro.
Dados simulados para fins didáticos. ln(HR observado) ~ Normal(ln HR, EP), EP = 2/√eventos; IC = exp(ln HR obs ± z·EP). O gráfico mostra os últimos 100 ensaios; os contadores consideram todos. Mudar HR, eventos ou nível recalcula os mesmos ensaios (mesmas sementes), para você ver só o efeito do parâmetro.
IC, nulidade e mínimo clinicamente relevante
Posicione a estimativa e o IC 95% em relação ao HR = 1 (nulidade) e ao MCID (mínimo clinicamente relevante) e veja como o resultado deve ser lido.
Cálculos didáticos. p bicaudal derivado do IC: EP = (ln sup − ln inf)/3,92 e z = ln(HR)/EP. No modo "limites", a estimativa pontual é a média geométrica dos limites (como num IC simétrico na escala log). A conversão ganho mínimo → MCID (MCID = mediana/(mediana + ganho)) supõe sobrevida exponencial.