Dica do autor: Na epidemiologia, o pulo do gato é identificar que tipo de variável e desenho de estudo você tem antes de escolher a técnica estatística. Estudos transversais medem prevalência e costumam comparar proporções entre grupos; aí o teste qui‑quadrado é o caminho rápido para testar associação (tabela de contingência). Estudos caso‑controle avaliam odds e exigem medidas como razão de chances (OR) e modelos como regressão logística — a regressão linear comum não é adequada para desfechos dicotômicos, porque viola pressupostos e pode gerar predições fora do intervalo [0,1]. Para aferir causalidade, não basta uma taxa: é preciso temporariedade (exposição antes do desfecho), medida de incidência, controle de vieses e ajuste para confundidores — por isso coortes e medidas de incidência (risco, taxas) são mais informativas que prevalências. Por fim, quando as células da tabela tiverem contagens pequenas, use Fisher; quando quiser quantificar efeito, apresente RR, OR ou razão de prevalência e, para ajuste multivariado, utilize regressão logística ou Poisson robusta conforme o desfecho e o desenho.

Alternativa A: INCORRETA. Regressão linear não é apropriada para variáveis dependentes categóricas (ex.: doente/não doente) em estudos caso‑controle. O modelo linear pressupõe normalidade e variância constante dos resíduos; aplicado a resposta binária produz probabilidades fora de 0–1 e estimativas viesadas. O correto seriam medidas de associação (odds ratio) e modelagem por regressão logística ou, em casos específicos, regressão de Poisson com variância robusta.

Alternativa B: INCORRETA. Repetição da alternativa A e, portanto, com os mesmos problemas. Não use regressão linear para dados categóricos em caso‑controle; prefira modelos que respeitem a natureza binária do desfecho e permitam estimar OR e ajustar confundidores.

Alternativa C: CORRETA. O teste qui‑quadrado é a ferramenta clássica para testar associação entre duas variáveis categóricas em estudos transversais (comparar proporções entre expostos e não expostos). Ele avalia independência em tabelas de contingência; quando as frequências esperadas forem adequadas, fornece um teste simples e robusto. Lembre que o teste avalia associação estatística, não magnitude nem causalidade — por isso acompanhe com medida de associação (razão de prevalência, OR) e análise multivariada quando necessário.

Alternativa D: INCORRETA. Apesar de ter o mesmo enunciado da alternativa C, só uma alternativa deve ser considerada correta. Além disso, é importante frisar limitações do qui‑quadrado: com células de baixa contagem use o teste exato de Fisher; o qui‑quadrado não estima o efeito nem ajusta confundidores — para isso, recorra a medidas de associação e modelos multivariados.

Alternativa E: INCORRETA. Taxas de prevalência descrevem a frequência de um estado em um ponto ou período, mas não sustentam inferência causal por não garantirem temporariedade (exposição antes do desfecho). Para inferência causal são preferíveis medidas de incidência em estudos longitudinais (coortes), além de critérios como sequência temporal, plausibilidade biológica e controle de confundidores.

Resposta: Alternativa C