Como verificar seus dados antes de submeter um artigo (Guia 2026)

Antes de submeter um artigo, faça quatro verificações nos números. Cada tamanho de amostra no texto deve corresponder às tabelas, e as porcentagens devem somar corretamente. As casas decimais devem ser consistentes, e os dados ausentes devem ser contabilizados e explicados. Esses são os erros que os revisores encontram primeiro, porque são os mais fáceis de achar.

Os revisores chegam com tempo limitado e uma heurística razoável. Se a aritmética nas tabelas não bate, a análise por trás dela provavelmente também não foi verificada. Essa inferência é injusta em casos individuais, mas correta com frequência suficiente para moldar a revisão.

Este guia aborda por que os erros numéricos dominam os comentários dos revisores e quais verificações valem a pena fazer antes de submeter um artigo. Ele termina mostrando como executá-las sem precisar ler cada tabela manualmente.

Por que os revisores pegam números, não a teoria

O N nunca bate

Um estudo começa com 120 participantes. Oito são excluídos por respostas incompletas, mais três falham em um teste de atenção e uma condição perde duas pessoas devido a uma falha técnica. A seção de métodos diz 120, a análise foi rodada com 107 e uma tabela ainda mostra 109 porque foi criada antes da última exclusão.

Ninguém fez nada de errado aqui. A contagem simplesmente mudou quatro vezes, e o manuscrito registra momentos diferentes dessa sequência. Um revisor que compara a seção de métodos com as tabelas vê uma contradição sem explicação.

O arredondamento se perde

Os resultados estatísticos fornecem muitas casas decimais. Números diferentes são copiados em momentos diferentes, alguns arredondados para duas casas e outros para três. As porcentagens calculadas a partir de subtotais arredondados somam 99,8 em vez de 100.

Individualmente, esses erros são triviais. Coletivamente, eles parecem descuido e são exatamente o que um leitor atento percebe ao passar o olho por uma tabela.

A figura e o texto não batem

Um gráfico é exportado no início, a análise é refinada e o texto é atualizado. A figura mantém os números antigos. Isso é comum o suficiente para que revisores experientes comparem as figuras com o texto como parte da rotina.

Essas três falhas compartilham a mesma causa. Nada deu errado na análise; o manuscrito simplesmente registra vários momentos diferentes de um processo que continuou avançando. Detectar isso é um problema de documentação, não de estatística.

O que isso custa para você

Uma rodada de revisão que poderia ser evitada. Inconsistências numéricas raramente causam rejeição por si só, mas geram uma rodada de revisões importantes que adiciona meses ao processo.

A atenção do revisor gasta no lugar errado. Cada comentário sobre um N que não bate é um comentário a menos sobre o seu argumento. Você recebe uma quantidade finita de atenção por revisão.

Uma correção após a publicação. O pior cenário é quando ninguém percebe o erro antes de submeter o artigo e ele passa por todo o processo. Correções pós-publicação são permanentes e públicas, e ficam associadas ao seu nome, e não ao revisor que não as viu.

As verificações que valem a pena fazer

Opção 1: Conciliar cada tamanho de amostra

Liste cada N e n que aparece em qualquer lugar: métodos, cada tabela, cada legenda de figura, o resumo. Rastreie cada um até uma etapa de filtragem específica. Qualquer número que você não consiga rastrear é um erro ou uma exclusão não documentada.

Em seguida, verifique se as exclusões batem: amostra inicial, menos cada exclusão documentada, deve ser igual à amostra analisada. Escreva essa sequência na seção de métodos. Os revisores raramente se opõem a exclusões explicadas; eles sempre se opõem àquelas que não são.

Opção 2: Verificar a aritmética em cada tabela

As porcentagens dentro de uma categoria devem somar 100, permitindo uma nota de arredondamento documentada. As contagens dos subgrupos devem somar o total do grupo. As médias dos subgrupos, ponderadas por seus tamanhos, devem conciliar com a média geral.

Este é um trabalho maçante e é onde mora a maioria dos erros. É também a verificação que os revisores têm mais probabilidade de fazer por conta própria, o que torna arriscado ignorá-la.

Opção 3: Auditar dados ausentes e outliers

Indique quantos dados estão ausentes, se eles estão ausentes de forma aleatória e como você lidou com isso. Exclusão em lista (listwise deletion), imputação e análise em pares (pairwise) produzem tamanhos de amostra diferentes, o que é uma fonte frequente do problema de N que não bate.

Faça o mesmo para os valores extremos (outliers) excluídos. Diga quantos foram removidos e sob qual regra. Considere relatar o resultado principal com e sem eles — veja nosso guia sobre como encontrar outliers em um conjunto de dados sem código. Um resultado que sobrevive a essa comparação é mais forte, e um que não sobrevive é algo que você vai querer descobrir antes do revisor.

Onde as três opções batem no mesmo limite

Cada verificação é mecânica e exige manter todo o manuscrito na cabeça ao mesmo tempo. Você está comparando um número nos métodos com outro na Tabela 3 e outro na legenda de uma figura. É um documento que você já leu tantas vezes que não consegue mais enxergar os erros.

Essa é a real dificuldade. Não que as verificações sejam difíceis, mas fazer a autoverificação de um documento que você mesmo escreveu é pouco confiável, de uma forma que nenhum nível de cuidado consegue resolver.

Como rodar essas verificações com o Powerdrill Bloom

Passo 1: Faça o upload dos seus dados

Faça o upload do conjunto de dados de análise. O Powerdrill Bloom traça o perfil de cada coluna ao ser carregado, de modo que as contagens de valores ausentes e os tamanhos dos grupos fiquem visíveis como fatos, e não como coisas que você precisa lembrar.

Passo 2: Descreva as verificações em linguagem natural

Peça a conciliação diretamente. Quantos casos completos existem por grupo após aplicar essas exclusões, se as porcentagens das categorias somam 100 e quais colunas têm valores ausentes. Em seguida, peça a comparação que realmente importa — como o resultado principal muda com e sem os casos excluídos.

Passo 3: Exporte o gráfico, relatório ou apresentação

Extraia uma tabela de resumo de contagens e valores ausentes para comparar com o seu manuscrito. Uma nota escrita registrando a sequência de exclusão para a seção de métodos é gerada a partir da mesma solicitação.

Por que isso supera uma leitura manual

	Verificação manual	Powerdrill Bloom
Conciliar o N entre as seções	Ler e comparar manualmente	Contagens retornadas por etapa de filtragem
Auditoria de valores ausentes	Inspeção coluna por coluna	Perfil traçado no upload
Resultado com e sem exclusões	Rodar a análise duas vezes	Solicitar ambos
Após uma revisão	Repetir todo o processo	Solicitar novamente para o novo arquivo

A última linha é a que decide se as verificações realmente acontecem. Uma auditoria que leva uma tarde inteira é executada uma vez, antes da primeira submissão, e ignorada antes da reapresentação. E é justamente nesse momento que os números acabaram de mudar.

Um checklist pré-submissão

Rastreie cada N até uma etapa de filtragem. Se você não souber dizer qual regra gerou um número, não o publique.

Recompute os totais das tabelas. Porcentagens devem somar 100, subgrupos devem somar o total do grupo, sem exceções, a menos que haja uma nota de arredondamento na própria tabela.

Gere novamente as figuras após a análise final. Nunca reutilize um gráfico exportado antes da última revisão. Nosso guia sobre como fazer gráficos para um artigo científico aborda os requisitos de formatação.

Indique explicitamente o tratamento de dados ausentes. O método e o tamanho de amostra resultante, na seção de métodos.

Verifique o resumo em relação aos resultados. Os resumos são escritos no início e atualizados por último, por isso costumam conter os números mais antigos do manuscrito. Eles também são a parte que a maioria dos leitores vê, o que torna qualquer erro ali desproporcionalmente visível.

Peça para outra pessoa ler as tabelas. Um colega que não viu os dados encontrará em dez minutos o que você deixou passar por semanas. Peça para ele verificar a aritmética em vez do argumento, pois essa é a verificação que você não consegue fazer no seu próprio manuscrito.

Conclusão

As verificações que evitam rodadas de revisão não são nada glamorosas: conciliar os tamanhos das amostras, verificar a aritmética, contabilizar os dados ausentes e gerar as figuras por último. Nenhuma delas exige sofisticação estatística, e todas são fáceis de ignorar quando o prazo está apertado.

O motivo de serem ignoradas é que são caras para repetir, e precisam ser repetidas toda vez que a análise muda. Experimente o Powerdrill Bloom no seu conjunto de dados antes da sua próxima submissão. Veja também nossa página de limpeza de dados com IA e o guia sobre como limpar e remover duplicatas de dados do Excel com IA.

Perguntas frequentes

O que os revisores verificam primeiro em um artigo?

A consistência interna dos números. Tamanhos de amostra nos métodos, tabelas e resumo, se as porcentagens somam corretamente e se as figuras correspondem ao texto. Essas verificações são rápidas e sinalizam o cuidado com que o restante do trabalho foi preparado.

O que devo verificar antes de submeter um artigo?

Indique a amostra inicial, cada exclusão com sua respectiva regra e contagem, e a amostra final analisada, de modo que a sequência faça sentido aritmeticamente. Exclusões explicadas raramente são questionadas; mudanças inexplicáveis no tamanho da amostra sempre são.

Devo relatar os resultados com e sem outliers?

Quando a conclusão depende de um pequeno número de valores extremos, sim. Relatar ambas as versões é mais robusto do que simplesmente excluí-los sem mencionar, e evita que um revisor descubra essa sensibilidade antes de você.

Por que minhas porcentagens não somam 100?

Geralmente devido ao arredondamento independente de cada componente. Adicione uma nota informando que as porcentagens podem não somar 100 devido ao arredondamento ou calcule-as de forma que somem. Ambas as opções são aceitáveis; o silêncio não é.

Qual quantidade de dados ausentes é considerada excessiva?

Não existe um limite universal, e o padrão importa mais do que a quantidade. Dados ausentes de forma aleatória são mais toleráveis do que dados ausentes de forma sistemática. Indique a quantidade, o padrão e o método de tratamento adotado, e deixe que os revisores julguem.