Medical Statistics

at a Glance
Aviva Petrie
Head of Biostatistics Unit and Senior Lecturer
Eastman Dental Institute
University College London
256 Grays Inn Road
London WC1X 8LD and
Honorary Lecturer in Medical Statistics
Medical Statistics Unit
London School of Hygiene and Tropical Medicine
Keppel Street
London WC1E7HT

Caroline Sabin
Prof essor of Medical Statistics and Epidemiology
Department of Primary Care and Population Sciences
Royal Free and University College Medical School
Rowland Hill Street
London NW3 2PF

Second edition
Aviva Petrie, Caroline Sabin

Statystyka
medyczna
w zarysie
Ttumaczenie prof. dr hab. J e r z y M o c z k o
© Copyright by Wydawnictwo Lekarskie PZWL, Warszawa 2006

Tłumaczone z Aviva Petrie, Caroline Sabin, Medical Statistics at a Glance, Second edition
© 2005 Aviva Petrie and Caroline Sabin
Published by Blackwell Publishing Ltd
Blackwell Publishing, Inc., 350 Main Street, Malden, Massachusetts 02148-5020, USA
Blackwell Publishing Ltd, 9600 Garsington Road, Oxford 0X4 2DQ, UK
Blackwell Publishing Asia Pty Ltd, 550 Swanston Street, Carlton, Victoria 3053, Australia
The right of the Authors of this Work has been asserted in accordance with the Copyright, Design and Patents Act 1988.
This edition is published by arrangement with Blackwell Publishing Ltd, Oxford. Translated by Wydawnictwo Lekarskie
PZWL from the original English language version.

Responsibility of the accuracy of the translation rests solely with the Wydawnictwo Lekarskie PZWL and is not the respon-
sibility of Blackwell Publishing Ltd.

Wszystkie prawa zastrzeżone.

Przedruk i reprodukcja w jakiejkolwiek postaci całości bądź części książki
bez pisemnej zgody wydawcy są zabronione.

Redaktor ds. publikacji medycznych: Anna Plewa

Redaktor merytoryczny: Anna Nowosielska-Tiuryn
Redaktor techniczny: Małgorzata Chmielewska
Korekta: Zespół

Projekt okładki i stron tytułowych: Magdalena Kaczmarczyk

ISBN 83-200-3312-8

Wydanie I

Wydawnictwo Lekarskie PZWL

00-251 Warszawa, ul. Miodowa 10
tel. +48(22) 695-40-33
Księgarnia wysyłkowa:
tel. +48(22) 695-44-80
infolinia: 0-801-142-080
www.pzwl.pl
e-maił: promocia@pzwl.pi
Skład i łamanie: Mater, Warszawa
Druk i oprawa: Drukarnia Narodowa S.A., Kraków
SPIS TREŚCI

Przedmowa tłumacza 6 24 Dane kategorialne: dwie proporcje 64

Wstęp 8 25 Dane kategorialne: więcej niż dwie kategorie . 66

Opracowywanie danych Regresja i korelacja

1 Rodzaje danych 10 26 Korelacja 69
2 Wprowadzanie danych 12 27 Teoria regresji liniowej . . . ., 72
3 Kontrola błędów i wartości odskakujące . . . 14 28 Przeprowadzanie analizy regresji liniowej . . 74
4 Graficzna prezentacja danych 16 29 Wielokrotna regresja liniowa 78
5 Opis danych: wartość przeciętna 18 30 Wyniki binarne i regresja logistyczna . . . . 81
6 Opis danych: rozproszenie 20 31 Częstości i regresja Poissona 84
7 Rozkłady teoretyczne: rozkład normalny . . . 22 32 Uogólnione modele liniowe 88
8 Rozkłady teoretyczne: inne rozkłady 24 33 Zmienne wyjaśniające w modelach
9 Transformacje 26 statystycznych 90
34 Zagadnienia związane z modelowaniem
Próbkowanie i estymacja statystycznym 93
10 Próbkowanie i rozkłady próbkowania 28
11 Przedziały ufności 30 Ważne zagadnienia
35 Sprawdzanie założeń 96
Planowanie badania 36 Wyznaczanie wielkości próby 98
12 Planowanie badania I 32 37 Prezentacja wyników 101
13 Planowanie badania II 34
14 Eksperymenty kliniczne 36 Zagadnienia dodatkowe
15 Badania kohortowe 39 38 Narzędzia diagnostyczne 104
16 Badania przypadek-kontrola 42 39 Szacowanie zgodności 107
40 Medycyna poparta dowodami 110
Testowanie hipotez 41 Metody dla danych klasteryzowanych . . . . 112
17 Testowanie hipotez 44 42 Metody regresji dla danych klasteryzowanych 115
18 Błędy w testowaniu hipotez 46 43 Przeglądy systematyczne i metaanaliza . . . . 118
44 Analiza przeżycia 121
Podstawowe techniki analizy danych 45 Metody Bayesowskie 124
Dane numeryczne
19 Dane numeryczne: pojedyncza grupa 48 Dodatki
20 Dane numeryczne: dwie grupy powiązane . . 51 A Tablice statystyczne 126
21 Dane numeryczne: dwie grupy niepowiązane . 54 B Nomogram Altmana do obliczeń wielkości
22 Dane numeryczne: więcej niż dwie grupy . . 57 próby 133
C Typowe wydruki komputerowe 134
Dane kategorialne D Słowniczek terminów statystycznych 146
23 Dane kategorialne: pojedyncza proporcja . . . 60 E Skorowidz 156

5
 PRZEDMOWA TŁUMACZA
White lie, damned lie, statistics (Małe kłamstwo, wielkie
łgarstwo, statystyka) — te słowa przypisywane Markowi
Twainowi, w których opisał stopnie nieprawdy, chyba najle­
piej oddają stosunek większości „normalnych ludzi" do sta­
tystyki. Uważa się ją za narzędzie do manipulowania dany­
mi, pozwalające na pseudonaukowe udowadnianie swoich
racji. Wielu z nas, obserwując prognozy statystyczne prezen­
towane w środkach masowego przekazu, stwierdza, że wie­
lokrotnie nie zgadzają się one ze stanem faktycznym. Lubi­
my sytuacje jasne, niedwuznaczne, z których moglibyśmy
wywnioskować, że „białe jest białe, a czarne — czarne". Ma­
ło kto zdaje sobie sprawę z faktu, iż statystyka jest tak samo
dobrym i precyzyjnym działem matematyki jak algebra, try­
gonometria czy rachunek różniczkowy i całkowy. Stanowi
ona część rachunku prawdopodobieństwa i bez problemu
stosuje się ją w fizyce, chemii i naukach technicznych. Sto­
sowanie statystyki w ekonomii (np. prognozowanie kursów
giełdowych, analizy ubezpieczeniowe) również nie budzi
większych zastrzeżeń. Nieco inaczej przedstawia się sytu­
acja z zastosowaniem statystyki w naukach medycznych.
Dane medyczne charakteryzuje duży stopień zmienności
zarówno międzyosobniczej, jak i wewnątrzosobniczej. Do­
datkowym problemem jest uzyskanie próby o wystarczają­
cej liczebności (rzadkie jednostki chorobowe, kosztowne
procedury badawcze, zagadnienia etyczne w leczeniu inwa­
zyjnym) i z tego względu standardowe techniki statystyczne
często nie mogą być stosowane. Dlatego też w ramach staty­
styki ogólnej wyodrębniła się osobna gałąź wiedzy, zwana
biostatystyką. U źródeł jej dynamicznego rozwoju leżą pra­
ce Galtona, Pearsona i Fishera z pierwszej połowy XX wie­
ku, aczkolwiek wykorzystuje ona również teorie opracowa­
ne o wiele wcześniej przez Gaussa, Gosseta i Poissona. Nie
ma roku, by nie pojawiły się nowe techniki analizy danych
biomedycznych, istotnie wzbogacane przez rozwój technolo­
gii komputerowej. Bez użycia komputerów trudno wyobra­
zić sobie użycie takich metod, jak bootstrapping, jackkni-
fing, metoda Monte Carlo.
Próbę przedstawienia aktualnego stanu wiedzy z tej dzie­
dziny stanowi wydana w 2005 roku ośmiotomowa Encyclo-
pedia of Biostatistics pod redakcją P. Armitage'a i T. Coltona
— ogromne dzieło o ponad sześciu tysiącach stron zapisa­
nych drobnym drukiem. Niestety wiedza ta ma charakter
hermetyczny i jest niemal całkowicie niedostępna dla prze­
ciętnego człowieka. Cóż bowiem ma zrobić lekarz, który stu­
diując artykuły naukowe ze swojej dziedziny, napotka takie
sformułowania jak przedział ufności, regresja logistyczna
czy rozkład Poissona? Próba poszukiwania tych terminów
w wydawnictwach encyklopedycznych lub fachowych z za­
kresu statystyki z miejsca stawia go na przegranej pozycji
z uwagi na sformalizowany język i kompletnie niezrozumia­
łe dla niego wzory.
Na całym świecie w szkolnictwie medycznym wykładane
są metody biostatystyki. Niestety, z reguły przedmiot ten zo­
staje umiejscowiony na początkowych latach studiów w ra­
mach tzw. przedmiotów podstawowych. Powoduje to najczę­
ściej, że student traktuje go jako jeszcze jeden niepotrzebny
6
kurs, który trzeba zaliczyć, by dostać się do wymarzonej kli­
niki. Prawdziwa potrzeba użycia statystyki pojawia się na
wyższych latach, np. przy pisaniu pierwszych prac w ra­
mach studenckich towarzystw naukowych. Wtedy to po raz
pierwszy student staje przed problemem, jak sformułować
hipotezy badawcze, jak zebrać materiał do analizy, jak powi­
nien być on obszerny, co oznacza termin reprezentatywność,
jakiego użyć testu statystycznego, jak zinterpretować wyni­
ki itd. Powszechny dostęp do komputerów i zainstalowanych
w nich pakietów statystycznych znakomicie ułatwia sytu­
ację, lecz niestety tylko pozornie. Pojawiają się prace „na­
ukowe", w których niezdarne próby użycia statystyki gene­
rują wyłącznie szum informacyjny, a nie prawdziwą wiedzę.
Podobna sytuacja przydarza się słuchaczom studium dokto­
ranckiego. Przygotowywana rozprawa doktorska wymaga
bowiem rygorystycznego podejścia metodycznego, z reguły
surowo ocenianego przez recenzentów pracy. Również próba
publikowania swoich wyników w czasopismach medycznych
często kończy się zwróceniem pracy w celu wykonania po­
prawek dotyczących użytych technik statystycznych. W tej
sytuacji pozostaje jedynie zlecenie wykonania analiz staty­
stykowi, albo też ambitna próba odkurzenia notatek z biosta­
tystyki i przegryzienia się przez trudny materiał.
Na polskim rynku wydawniczym nie ma niestety dużego
wyboru książek poświęconych tej tematyce. Z reguły są to
albo dość stare pozycje, nie uwzględniające najnowszych
dokonań w tej dziedzinie, albo przeładowane wiedzą teore­
tyczną. Dlatego też niezwykle istotna wydaje się inicjatywa
skorzystania z najlepszych wzorców dydaktycznych dostęp­
nych w literaturze obcojęzycznej. Jedną z takich pozycji jest
książka Avivy Petrie i Caroline Sabin, pt. Statystyka me­
dyczna w zarysie, wydana po raz pierwszy przez Blackwell
Publishing w roku 2000 w ramach serii książek przezna­
czonych dla lekarzy ...ata Glance. W ciągu pięciu lat książ­
ka ta doczekała się siedmiu (!) wznowień, a w 2005 roku zo­
stała wydana w przeredagowanej i uzupełnionej wersji.
W Stanach Zjednoczonych jest polecana przy przygotowa­
niach do zdania egzaminu państwowego USMLE step 1.
Jej niezwykła popularność bierze się stąd, że Autorkom
udało się w znakomity sposób wyważyć ilość wiedzy teore­
tycznej niezbędną do zrozumienia podstawowych pojęć sta­
tystycznych i zastosowania praktyczne pojawiające się
w pracy lekarza. Opisane prostym, lecz precyzyjnym języ­
kiem rzeczywiste problemy z różnych dziedzin medycyny
bardzo dobrze ilustrują sposób użycia rozmaitych technik
statystycznych przedstawionych w tekście. Autorki w roz­
sądny sposób podają wzory (tam, gdzie to rzeczywiście ko­
nieczne) i całkowicie pomijają dowody potrzebne matematy­
kom, a nie lekarzom. Nie ogranicza to jednak w żaden
sposób precyzji przekazywanej informacji. Autorki przy­
wiązują dużą wagę do intuicyjnego zrozumienia zasad leżą­
cych u podstaw stosowania rozmaitych technik statystycz­
nych, nie wdając się niepotrzebnie w ich uzasadnianie.
Na książkę tę zwróciłem uwagę już w roku 2000 po jej
pierwszym wydaniu, prowadząc zajęcia z biostatystyki dla
studentów anglojęzycznych w Akademii Medycznej im. Ka-
rola Marcinkowskiego w Poznaniu. Kolejne roczniki studen­
tów potwierdzają jej niezwykłą przydatność przy przygoto­
waniu zarówno do testów w okresie studiów, jak i egzami­
nu USMLE step 1. Ucieszyła mnie zatem propozycja
Wydawnictwa Lekarskiego PZWL przetłumaczenia tej książ­
ki na język polski i udostępnienia tej cennej pozycji polskie­
mu odbiorcy. Jak każdy tłumacz, zdaję sobie sprawę z fak­
tu, iż tłumaczenie jest jak kobieta — „wierna nie jest
piękna, a piękna nie jest wierna". Problem stanowią nie tyl­
ko nieprzetłumaczalne na język polski (ale w pełni zrozu­
miale dla naukowców) słowa, takie jak bootstrapping, jack-
knifing, ale i specyfika językowa uniemożliwiająca krótkie,
jednoznaczne odwzorowanie tekstu. Na przykład, zwięzły
angielski termin virological Jailure po konsultacji z wiruso­
logami rozrósł się do „braku efektu terapeutycznego po le­
czeniu przeciwwirusowym". Dziękuję serdecznie Kolegom
lekarzom za poświęcenie mi czasu na skonsultowanie termi­
nologii medycznej i będę wdzięczny za wszystkie uwagi,
które mogłyby udoskonalić prezentowaną pracę.
Książka Avivy Petrie i Caroline Sabin, pt. Statystyka
medyczna w zarysie jest polecana zarówno kolejnym rocz­
nikom studentów wydziałów lekarskich i stomatologicznych,
jak i słuchaczom studiów doktoranckich na akademiach me­
dycznych. Jako niezwykle przydatną znajdą ją również stu­
denci wydziałów fizyki uniwersytetów i politechnik tam,
gdzie otwarte zostały kierunki fizyki medycznej. Może ona
stanowić również znakomity materiał dydaktyczny dla pro­
wadzących wykłady i ćwiczenia z biostatystyki na wspo­
mnianych kierunkach studiów. Może też stanowić nieocenio­
ne źródło fachowych informacji dla każdego lekarza,
zarówno naukowca pracującego w akademickich klinikach,
jak i lekarza praktyka pragnącego poprzez samokształcenie
poszerzać i doskonalić swoje umiejętności. W sprawdzeniu
zdobytej wiedzy z zakresu biostatystyki może pomóc test za­
mieszczony na stronie internetowej www.medstatsaag.com
(niestety nie został jeszcze spolszczony). Mam nadzieję, że
książka ta zdobędzie podobną popularność u polskiego Czy­
telnika, jak w krajach zachodnich, i dostarczy mu dużo war­
tościowych i przystępnie podanych informacji.
Jerzy A. Moczko
WSTĘP
Książka Statystyka medyczna w zarysie jest skierowana
do studentów akademii medycznych, badaczy medycznych,
słuchaczy studiów podyplomowych w zakresie dyscyplin
biomedycznych oraz personelu przemysłu farmaceutyczne­
go. Oni wszyscy na pewnym etapie życia zawodowego
zetkną się z wynikami ilościowymi (własnymi lub innych ba­
daczy), które będą wymagały krytycznej analizy i interpre­
tacji. A niektórzy będą oczywiście musieli zdać ten straszli­
wy egzamin ze statystyki! Z tego powodu nieocenione jest
właściwe zrozumienie statystycznych koncepcji i metodolo­
gii. W równym stopniu chciałybyśmy rozbudzić entuzjazm
Czytelnika dla statystyki co dostarczyć mu praktycznej wie­
dzy. W tym nowym wydaniu, podobnie jak to było w wyda­
niu poprzednim, naszym celem jest zapewnienie studentowi
i badaczowi, jak również klinicyście napotykającemu w lite­
raturze medycznej koncepcje statystyczne, książki, która
jest solidna, łatwa w czytaniu, wszechstronna, związana
z tematem i użyteczna w praktycznym zastosowaniu.
Wierzymy, że książka Statystyka medyczna w zarysie
będzie szczególnie użyteczna jako pomoc dla wykładowców
statystyki, również jako źródło odnośników. Struktura wy­
dania drugiego pozostaje taka sama jak wydania pierwsze­
go. Tak jak inne książki z serii ...w zarysie składa się z od­
rębnych, dwu-, trzy- lub rzadko czterostronicowych
rozdziałów, z których każdy omawia inny aspekt statystyki
medycznej. Z naszych własnych doświadczeń dydaktycz­
nych znałyśmy trudności, jakie napotykali nasi studenci
podczas zgłębiania statystyki medycznej, i starałyśmy się
wziąć je tu pod uwagę. Z tego względu zdecydowałyśmy się
ograniczyć teoretyczną zawartość książki do poziomu wy­
starczającego do zrozumienia użytych procedur, lecz który
nie zaciemnia jeszcze ich praktycznych zastosowań.
Statystyka medyczna jest obszernym przedmiotem obej­
mującym wielką liczbę zagadnień. W książce podajemy pod­
stawowe koncepcje statystyki medycznej i przewodnik
po najczęściej stosowanych procedurach statystycznych.
Epidemiologia jest ściśle powiązana ze statystyką medycz­
ną, omawiamy więc podstawowe zagadnienia tej dziedziny,
związane z planowaniem i interpretacją badania. Załączamy
również rozdziały, którymi Czytelnik zainteresuje się jedy­
nie okazjonalnie, lecz które mimo wszystko są fundamental­
ne dla wielu obszarów badań medycznych; na przykład me­
dycyna oparta na dowodach, przeglądy systematyczne
i metaanaliza, analiza przeżycia i metody bayesowskie. Tłu­
maczymy zasady leżące u podstaw tych zagadnień tak, by
Czytelnik był w stanie zrozumieć i zinterpretować ich wyni­
ki, jeżeli takowe zostaną zamieszczone w literaturze.
Porządek pierwszych 30 rozdziałów tego wydania odpo­
wiada wydaniu pierwszemu. Większość tych rozdziałów po­
została nie zmieniona w nowym wydaniu. Niektóre zawierają
stosunkowo małe zmiany, uwzględniające ostatnie zdobycze,
oraz odwołania, zmiany wynikają również z reorganizacji
materiału. Większe dodatki odnoszą się do stosunkowo zło­
żonych form analizy regresji, które obecnie są używane sze­
rzej niż wtedy, gdy przygotowywałyśmy pierwsze wydanie,
częściowo dlatego, że związane z tym oprogramowanie jest
8
bardziej dostępne i efektywne, niż było w przeszłości. Zmo­
dyfikowałyśmy rozdział o wynikach binarnych i regresji lo­
gistycznej (rozdział 30), włączając nowy rozdział o często­
ściach i regresji Poissona (rozdział 31) oraz znacząco
rozwinęłyśmy pierwotny rozdział „Modelowanie statystycz­
ne", tak że składa się on teraz z trzech rozdziałów: „Uogól­
nione modele liniowe" (rozdział 32), „Zmienne wyjaśniające
w modelach statystycznych" (rozdział 33) oraz „Zagadnienia
związane z modelowaniem statystycznym" (rozdział 34).
Zmodyfikowałyśmy również rozdział 41, który opisuje róż­
ne podejścia do analizy danych sklasteryzowanych, i doda­
łyśmy rozdział 42, o różnych metodach regresyjnych, które
mogą być użyte do analizy tego typu danych, W wydaniu
pierwszym zamieszczono krótki opis analizy szeregów cza­
sowych, z czego zdecydowałyśmy się zrezygnować w dru­
gim wydaniu, jako że wydawał się zbyt skrótowy, aby być
praktycznie użytecznym, a jego rozwinięcie wymagałoby
wyjścia poza przyjęte granice trudności. Z powodu usunię­
cia, jak i dodania pewnych rozdziałów, numeracja rozdzia­
łów w wydaniu drugim różni się od tej z poprzedniego wy­
dania, począwszy od rozdziału 30. Większość rozdziałów
w dalszej części książki, które były również w wydaniu
pierwszym, jeżeli w ogóle, to zmieniła się nieznacznie,
Opisowi każdej techniki statystycznej towarzyszy przy­
kład jej użycia. Ogólnie, dane do tych przykładów wzięłyśmy
ze wspólnych badań, w których uczestniczyłyśmy my lub na­
si koledzy; w niektórych przypadkach zaczerpnęłyśmy rze­
czywiste dane z wydanych publikacji. Tam, gdzie było to
możliwe, użyłyśmy tych samych danych w więcej niż jednym
rozdziale, aby odzwierciedlić rzeczywistość analizy danych,
która rzadko jest ograniczona do jednej techniki lub podej­
ścia. Chociaż uważamy, że należy podawać wzory i wyja­
śniać logikę postępowania, starałyśmy się unikać szczegółów
złożonych obliczeń — większość Czytelników ma dostęp
do komputerów i jest mato prawdopodobne, że będą Oni do­
konywali ręcznie obliczeń, może poza tymi najprostszymi.
Uznałyśmy, że rzeczą niezwykle ważną dla Czytelnika
jest umiejętność interpretacji wyników z pakietu kompute­
rowego. Dlatego tam, gdzie to możliwe, dla zobrazowania
wyników wybrałyśmy wydruki komputerowe. W pewnych
sytuacjach, gdy podejrzewałyśmy trudności interpretacyj­
ne, załączyłyśmy (Dodatek C) kompletne wydruki kompute­
rowe z analizy danych i opatrzyłyśmy je adnotacjami. W po­
wszechnym użyciu istnieje wiele pakietów statystycznych;
chcąc dać Czytelnikowi wskazówkę, jak może się zmieniać
postać wyników, nie ograniczyłyśmy się do wydruku z ja­
kiegoś szczególnego pakietu, lecz użyłyśmy trzech dobrze
znanych - SAS, SPSS oraz Stata.
W całym tekście jest wiele odwołań mających Czytelniko­
wi ułatwić dotarcie do różnych procedur. Podstawowy ze­
staw tablic statystycznych jest zawarty w Dodatku A. Książ­
ki Neave H. R.: Elementary Statistical Tables, Routledge
1981, i Diem K.: Documenta Geigy Scientific Tables, 7. wyd.,
Blackwell Publishing, Oxford 1970, obok wielu innych, za­
wierają wersje pełniejsze, których Czytelnik potrzebuje
przy bardziej precyzyjnych obliczeniach przeprowadzanych
bez użycia komputera. Słowniczek terminów (Dodatek D) po­
daje przystępne wyjaśnienia większości użytej terminologii.
Wiemy, że największą trudnością, jaką napotyka niesta-
tystyk, jest dobór odpowiedniej techniki. Dlatego przygoto­
wałyśmy dwa schematy blokowe, których można użyć za­
równo w celu podjęcia decyzji co do odpowiedniej metody
w danej sytuacji, jak i w celu znalezienia jej w prezentowa­
nej książce. Oba schematy blokowe zamieszczono przezor­
nie na wewnętrznej stronie okładek, aby zapewnić do nich
łatwy dostęp.
Jako narzędzie pomocne w ocenie własnych postępów
Czytelnik znajdzie interaktywne ćwiczenia zamieszczone
na naszej stronie internetowej (www.medstatsaag.com).
Strona ta zawiera również pełny zestaw cytowań (niektóre
z nich prowadzą bezpośrednio do Medline) uzupełniających
odnośniki zawarte w tekście i pozwalających odnaleźć
bazowe informacje dotyczące przykładów. Czytelnikom, któ­
rzy chcieliby dokładniej zgłębić poszczególne dziedziny sta­
tystyki medycznej, możemy polecić następujące książki:
Altman D. G.: Practical Statistics for Medical Research.
Chapman and Hall, Londyn 1991.
Armitage R, Berry G., Matthews J. F. N.: Statistkal Methods
in Medical Research. Blackwell Science, Oxford 2001.
Pocock S. J.: Clinical Trials: A Practical Approach. Wiley,
Chichester 1983.
Jesteśmy niezmiernie wdzięczne Markowi GilthorpeWi
i Jonathanowi Sterne'owi, którzy opracowali nieocenione
komentarze i sugestie do drugiego wydania, oraz Richardo­
wi Morrisowi, Fionie Lampe, Shak Hajat i Abulowi Basaro-
wi za ich uwagi na temat pierwszego wydania. Chcemy
podziękować każdemu, kto pomógł nam zdobyć dane do
przykładów. Oczywiście, bierzemy pełną odpowiedzialność
za jakiekolwiek błędy, które pozostały w tekście lub przy­
kładach. Chcemy również podziękować Mikowi, Geraldowi,
Ninie, Andrew i Karen, którzy ze stoickim spokojem znosili
nasze przygotowania do wydania pierwszego i żyli z nami
podczas trudnych prób opracowania wydania drugiego.
Aviva Petrie
Caroline Sabin
Londyn
1 RODZAJE DANYCH
DANE I STATYSTYKI
Celem większości prowadzonych prac badawczych jest ze­
branie danych na temat określonego obszaru badań. Dane
Obejmują obserwacje jednej lub wielu zmiennych. Każda
wielkość podlegająca zmianom nosi nazwę zmiennej.
Na przykład możemy zbierać podstawowe informacje kli­
niczne i demograficzne o pacjentach z określonym schorze­
niem, Interesujące nas zmienne mogą obejmować płeć, wiek
i wzrost pacjentów.
Dane uzyskuje się zazwyczaj z próby, która reprezentu­
je interesującą nas populację. Naszym celem jest znaczące
skondensowanie danych i wydobycie z nich użytecznej in­
formacji. Statystyka obejmuje metody zbierania, podsumo­
wywania, analizy i wyciągania wniosków z danych: w tym
celu stosujemy techniki statystyczne.
Dane mogą przyjmować rozmaite formy. Przed podję­
ciem decyzji co do wyboru najbardziej odpowiedniej meto­
dy statystycznej musimy wiedzieć, z jakim typem danych
mamy do czynienia. Każda zmienna i odpowiadająca jej da­
na może być albo kategorialna, albo numeryczna (ryci­
na 1.1).
DANE KATEGORIALNE (JAKOŚCIOWE)
Ten typ danych pojawia się, gdy każda jednostka może na­
leżeć wyłącznie do jednej z pewnej liczby oddzielnych kate­
gorii danej zmiennej.
• Dane nominalne — kategorie nie są uporządkowane,
lecz mają po prostu nadane nazwy. Przykładami mogą być
grupy krwi (A, B, AB i 0) lub stan cywilny (żonaty/wdo­
wiec/kawaler itp). W ostatnim przypadku nie zakładamy, że
Rycina 1.1. Diagram przedstawiający różne typy zmiennych.
10 Opracowywanie danych
małżeństwo jest lepsze (lub gorsze) od pozostawania w sta­
nie bezżennym.
• Dane porządkowe — kategorie są w pewien sposób
uporządkowane. Jako przykład można podać stan zaawan­
sowania choroby (zaawansowany, umiarkowany, łagodny,
brak choroby) lub natężenie bólu (ciężki, umiarkowany, ła­
godny, brak bólu).
Zmienna kategorialna jest binarna lub dychotomiczna,
jeżeli może przyjmować jedynie dwie kategorie. Przykłada­
mi mogą być odpowiedzi „tak/nie", „zmarł/żyje", „pacjent
jest chory/pacjent jest zdrowy".
DANE NUMERYCZNE (ILOŚCIOWE)
Ten typ danych pojawia się w chwili, gdy zmienne przyjmu­
ją wartości numeryczne. Dane numeryczne możemy podzie­
lić na dwa typy.
• Dane dyskretne — występują, gdy zmienne mogą
przybierać jedynie wartości całkowite. Przykładem mogą
być liczby zdarzeń, takie jak liczba wizyt u lekarza rodzin­
nego w ciągu roku lub liczba epizodów chorobowych w cią­
gu ostatnich pięciu lat.
• Dane ciągłe — występują, gdy nie ma innych ograni­
czeń wartości, jakie może przyjmować zmienna, niż te, któ­
re ograniczają nas w trakcie wykonywania pomiaru, np.
masa ciała lub wzrost.
ROZRÓŻNIANIE TYPÓW DANYCH
Często wykorzystujemy różne metody statystyczne w zależ­
ności od tego, czy dane są kategorialne, czy też numerycz­
ne. Chociaż rozróżnienie między danymi kategorialnymi
a numerycznymi jest zazwyczaj proste, w pewnych sytu­
acjach może się okazać niejasne. Na przykład, gdy mamy
do czynienia ze zmienną o dużej liczbie uporządkowanych
kategorii (np. skala stopnia bólu z siedmioma kategoriami)
może być trudno ją odróżnić od dyskretnej zmiennej nume­
rycznej. Rozróżnienie między dyskretnymi i ciągłymi dany­
mi numerycznymi może być jeszcze mniej oczywiste, choć
w ogólności ma ono znikomy wpływ na wyniki większości
analiz. Przykładem zmiennej traktowanej często jako dys­
kretna jest wiek (choć tak naprawdę jest to zmienna ciągła).
Zazwyczaj odnosimy się do „wieku w dniu ostatniej roczni­
cy urodzin", a nie do „wieku jako takiego", i dlatego kobie­
ta, która podaje, że ma 30 lat, mogła właśnie obchodzić swo­
je 30. urodziny lub właśnie zbliżać się do 31. rocznicy
urodzin.
Nie należy na początku zapisywać danych numerycznych
jako kategorialnych (np. poprzez zapisywanie grupy wieko­
wej, do której należy pacjent zamiast jego/jej aktualnego
wieku), ponieważ gubi się w ten sposób ważną informację.
Łatwo można dokonać konwersji zebranych danych nume­
rycznych do danych kategorialnych.

DANE POCHODNE
W badaniach medycznych możemy też napotkać inne rodza­
je danych. Obejmują one:
• Procenty — mogą pojawić się, gdy oceniamy poprawę
stanu zdrowia u pacjentów podlegających leczeniu, np. para­
metr funkcji oddechowej pacjenta (wymuszona objętość wyde­
chowa w 1 sekundzie, FEV1) może wzrosnąć o 24% w następ­
stwie leczenia nowym lekiem. W tym przypadku interesuje
nas raczej stopień poprawy, a nie wartość bezwzględna.
• Proporcje lub ilorazy — czasami możemy napotkać
proporcje lub iloraz dwóch zmiennych. Na przykład wskaź­
nik masy ciała (BMI), obliczany jako masa osobnika (kg) po­
2
dzielona przez kwadrat jego/jej wzrostu (m ), jest często
używany w celu oszacowania nadwagi lub niedowagi.
• Częstości — częstości chorób. Liczba zachorowań
wśród obiektów badania jest dzielona przez całkowitą licz­
bę lat obserwacji wszystkich osobników w tym badaniu
(rozdział 31). Dane takie są powszechnie stosowane w na­
ukach epidemiologicznych (rozdział 12).
• Punktacja — czasami, gdy nie możemy zmierzyć wiel­
kości, stosujemy wartości arbitralne, np. punktację. Na przy­
kład, odpowiedzi na pytania dotyczące jakości życia mogą
zostać zsumowane w celu uzyskania pewnej ogólnej wielko­
ści charakteryzującej jakość życia każdego osobnika.
Wszystkie wymienione powyżej zmienne w większości
analiz mogą być traktowane jako zmienne numeryczne. Tam,
gdzie zmienną uzyskuje się z więcej niż jednej wartości (np.
licznik i mianownik w procentach), jest rzeczą istotną zapisa­
nie wszystkich tych wartości. Na przykład, 10% poprawa
wskaźnika oceny leczenia może mieć rozmaite znaczenie kli­
niczne w zależności od wartości tego wskaźnika przed lecze­
niem.
DANE UCIĘTE
Dane ucięte możemy napotkać w takich na przykład sytu­
acjach:
• Jeżeli mierzymy dane laboratoryjne, używając narzę­
dzia, które jest w stanie zarejestrować dane powyżej pew­
nego poziomu, to żadne wartości pomiarowe leżące poniżej
tego poziomu nie zostają zidentyfikowane. Na przykład, je­
żeli mierzymy poziomy wirusa poniżej poziomu jego wykry­
walności, to wartości te opisujemy jako „nieoznaczalne",
mimo że w próbce mogło być nieco wirusów.
• W badaniach, w których część pacjentów wypada
z grupy badanej przed czasem zakończenia badania. Ten typ
danych jest omówiony bardziej szczegółowo w rozdziale 44.
/. Rodzaje danych 11
2 WPROWADZANIE DANYCH
Przy wykonywaniu jakichkolwiek badań niemal zawsze
wprowadza się dane do pakietu oprogramowania kompute­
rowego. Komputery są nieocenione, jeśli chodzi o poprawę
dokładności i prędkości zbierania danych oraz ich analizy,
ułatwiają wyszukiwanie błędów, pozwalają tworzyć graficz­
ne podsumowania danych i generować nowe zmienne. War­
to poświęcić nieco czasu na zaplanowanie wprowadzania
danych — może to zaoszczędzić wiele wysiłku w później­
szych etapach.
FORMATY WPROWADZANIA DANYCH
Istnieje wiele sposobów wprowadzania i zapamiętywania
danych w komputerze. Większość pakietów statystycznych
pozwala na bezpośrednie wprowadzenie danych. Jednakże
ograniczeniem takiego podejścia jest fakt, że niejednokrot­
nie nie można przenieść tych danych do innego pakietu. Pro­
stą alternatywą jest zapamiętanie danych albo w arkuszu
kalkulacyjnym, albo w pakiecie baz danych. Niestety zakres
dostępnych w nich procedur statystycznych jest najczęściej
mocno ograniczony i dla przeprowadzenia analiz trzeba
zwykle przenieść dane do specjalistycznego pakietu staty­
stycznego.
Bardziej elastycznym sposobem rozwiązania problemu
jest umieszczenie danych w plikach ASCII lub plikach tek­
stowych. Dane zapisane w formacie ASCII mogą być odczy­
tywane przez większość pakietów. Format ASCII składa się
po prostu z wierszy tekstu, który można oglądać na ekranie
komputera. Zazwyczaj każda zmienna w pliku jest oddzielo­
na od następnej pewnym ogranicznikiem, najczęściej spa­
cją lub przecinkiem. Jest to tzw. format swobodny.
Najprostszym sposobem wprowadzenia danych w forma­
cie ASCII jest użycie edytora tekstowego lub pakietu edycyj­
nego. W formacie tym można też zapisać dane złożone w ar­
kuszach kalkulacyjnych. Przy obu sposobach każdy wiersz
danych odpowiada zazwyczaj innemu obiektowi badania,
a każda kolumna odpowiada innej zmiennej, chociaż czasa­
mi stosowane są wiersze kontynuacyjne — gdy dla każdego
obiektu zbierana jest duża liczba zmiennych.
PLANOWANIE WPROWADZANIA DANYCH
Podczas zbierania danych w trakcie badania często będziesz
potrzebował do ich zapisania formularza lub kwestionariusza.
Staranne zaprojektowanie formularza pozwoli na zmniejsze­
nie nakładu pracy przy wprowadzaniu danych. Ogólnie, for­
mularze/kwestionariusze zawierają serię kratek, w których
zapisuje się dane — z reguły każda możliwa cyfra w odpowie­
dzi musi mieć osobną kratkę.
DANE KATEGORIALNE
Niektóre pakiety statystyczne mają problemy z obsługą da­
nych nienumerycznych. Dlatego przed wprowadzeniem da­
nych do komputera trzeba czasem przyporządkować kody
numeryczne do danych kategorialnych. Na przykład, można
12 Opracowywanie danych
przyporządkować kody 1, 2, 3 i 4 do kategorii: brak bólu,
ból slaby, ból umiarkowany i ból silny. Kody te mogą zostać
dodane do formularzy w trakcie zbierania danych. Dla da­
nych binarnych, np. dla odpowiedzi tak/nie, często wygod­
nie jest przyporządkować kody 1 (np. dla „tak") oraz 0 (dla
„nie").
• Zmienne kodowane pojedynczo — istnieje jedna moż­
liwa odpowiedź na to pytanie, np. czy pacjent zmarł. Nie
można udzielić na to pytanie jednocześnie odpowiedzi „tak"
i „nie".
• Zmienne kodowane wielokrotnie — dla każdego re­
spondenta możliwa jest więcej niż jedna odpowiedź.
Na przykład: jakie symptomy występują u tego pacjenta.
W tym przypadku osobnik może mieć dowolną liczbę symp­
tomów. Istnieją dwie metody kodowania tego typu danych
w zależności od tego, która z sytuacji ma miejsce.
• Istnieje tylko kilka możliwych symptomów, a każdy
osobnik może mieć kilka z nich. Można stworzyć pew­
ną liczbę zmiennych binarnych, które oznaczają, czy
pacjent odpowiedział tak lub nie na temat obecności każ­
dego możliwego symptomu. Na przykład: czy pacjent
kaszle?, czy pacjenta boli gardło?
• Istnieje wielka liczba możliwych symptomów, lecz
spodziewamy się, że każdy pacjent ma tylko kilka
z nich. Można stworzyć pewną liczbę zmiennych nomi­
nalnych; każda kolejna zmienna pozwala wtedy nazwać
symptom występujący u pacjenta. Na przykład: jaki wy­
stąpił pierwszy symptom u pacjenta?, jaki był drugi
symptom? Z góry trzeba tu zadecydować o maksymalnej
liczbie symptomów, jakie mogą wystąpić u pacjenta.
DANE NUMERYCZNE
Dane numeryczne należy wprowadzać z taką samą dokład­
nością, z jaką zostały one zmierzone, a jednostka pomiaru
powinna być jednakowa dla wszystkich obserwacji w obrę­
bie zmiennej. Na przykład, masa powinna być wyrażona
w kilogramach lub funtach, lecz nigdy w obu jednostkach
na zmianę.
KILKA FORMULARZY DLA PACJENTA
Czasami informacje zbiera się od tego samego pacjenta
przy więcej niż jednej okazji. Ważne jest wtedy zapewnie­
nie tego samego, unikalnego identyfikatora (np. numeru se­
ryjnego) powiązanego z osobnikiem — umożliwia on połącze­
nie wszystkich danych uzyskanych w badaniu na temat tego
osobnika.
PROBLEMY Z DATAMI I CZASEM
Daty i czas powinny być wprowadzane w sposób jednolity,
np. albo jako dzień/miesiąc/rok, albo miesiąc/dzień/rok,
ale nigdy wymiennie. Ważną sprawą jest znalezienie forma­
tu, jaki może być odczytywany przez pakiet statystyczny.

KODOWANIE BRAKUJĄCYCH WARTOŚCI
Przed rozpoczęciem wprowadzania danych należy rozważyć,
co chce się zrobić z danymi brakującymi. W większości przy­
padków do reprezentowania brakujących danych trzeba użyć
specjalnego symbolu. Pakiety statystyczne obsługują braki
danych w rozmaity sposób. Niektóre z nich używają znaków
specjalnych (np. kropka lub gwiazdka) do wskazania braku­
jących danych, podczas gdy inne wymagają zdefiniowania
własnego kodu dla wartości brakującej (najczęściej stosowa­
ne wartości to 9,999 lub -99). Wybrana wartość musi być ta­
ką wartością, która nie może zaistnieć w tej zmiennej.
Na przykład, przy wprowadzaniu zmiennej kategorialnej za­
wierającej cztery kategorie (kodowane jako 1, 2,3 i 4) dla re­
prezentowania wartości brakujących można wybrać kod 9.
Jednakże, jeżeli zmienną jest wiek dziecka, należy wybrać
inny kod. Zmienne brakujące zostaną dokładniej omówione
w rozdziale 3.

PRZYKŁAD

Rycina 2.1. Fragment arkusza kalkulacyjnego pokazujący dane zebrane w próbie 64 kobiet z wrodzonymi zaburzeniami krzepnięcia.

Dane zebrano w próbie 64 kobiet zarejestrowanych
w centrum hemofilii w Londynie jako część badania
nad wpływem wrodzonych zaburzeń krzepnięcia na cią­
żę i poród. Kobietom zadawano pytania związane z ich
problemami krzepnięcia oraz pierwszą ciążą (lub ich
obecną ciążą, jeżeli w trakcie przeprowadzanego wywia­
du były po raz pierwszy w ciąży). Ryc. 2.1 zawiera nie­
wielką część danych po ich wprowadzeniu do arkusza
kalkulacyjnego, lecz przed dokonaniem poprawek.
Schematy kodowania dla zmiennych kategorialnych
znajdują się w dolnej części ryciny 2.1. Każdy wiersz ar­
kusza reprezentuje kolejny obiekt badania; każda kolum­
na przedstawia inną zmienną. Jeżeli kobieta jest nadal
w ciąży, jej wiek w chwili porodu został przeliczony
na podstawie oszacowanej daty narodzin dziecka. Dane
związane z żywymi urodzeniami przedstawiono w roz­
dziale 37.

Dane uzyskane dzięki uprzejmości: dr. R. A. Kadira z University Department of Obstetrics and Gynaecology oraz profesora C. A. Lee
z Haemophilia Centrę and Haemostasis Unit, Royal Free Hospital, w Londynie.

2. Wprowadzanie danych 13
3 KONTROLA BŁĘDÓW I
W każdym badaniu zawsze istnieje możliwość pojawienia
się błędów w zbiorze danych albo w fazie początkowej pod­
czas dokonywania pomiarów, albo podczas ich zbierania,
przepisywania czy wprowadzania do komputera. Jednakże
liczbę błędów powstających przy wprowadzaniu i przepisy­
waniu można zredukować poprzez uważne sprawdzanie da­
nych po ich wprowadzeniu. Proste wzrokowe przejrzenie
danych często pozwala wychwycić wartości, które są w spo­
sób oczywisty błędne. W tym rozdziale sugerujemy pewne
techniki, których można używać przy sprawdzaniu danych.
BŁĘDY PRZY WPROWADZANIU
Najczęstszym źródłem błędów przy wprowadzaniu danych
jest tzw. palcówka. Przy małej liczbie danych można je porów­
nać z danymi na oryginalnych formularzach/kwestionariu­
szach, aby sprawdzić, czy nie popełniono omyłki przy wprowa­
dzaniu. Jednakże przy dużej liczbie danych procedura ta jest
niezwykle czasochłonna. Można również dwukrotnie wprowa­
dzić te same dane i porównać oba pliki programem kompute­
rowym. Każda różnica między oboma zestawami danych
wskazuje na błąd przy wprowadzaniu. Chociaż podejście to
nie wyklucza możliwości, że ten sam błąd pojawi się w obu ze­
stawach, lub tego, że sama wartość na formularzu/kwestiona­
riuszu jest nieprawidłowa, to jednak minimalizuje liczbę błę­
dów. Wadą tej metody jest fakt, iż zabiera ona dwukrotnie
więcej czasu przy wprowadzaniu danych, co powoduje konse­
kwencje finansowe i czasowe.
KONTROLA BŁĘDÓW
• Dane kategorialne — Stosunkowo łatwo można spraw­
dzić dane kategorialne, skoro każda zmienna może przyjmo­
wać tylko jedną z ograniczonej liczby wartości. Dlatego też
wartość niedozwolona musi być błędem.
• Dane numeryczne — Dane numeryczne są często trud­
ne do sprawdzenia, a jednocześnie podatne na błędy.
Na przykład, podczas wprowadzania danych numerycznych
łatwo jest przestawić cyfry lub pozycję przecinka dziesięt­
nego. Dane numeryczne można sprawdzać przez badanie
zakresu — dolnej i górnej granicy określonej dla danej
zmiennej. Jeżeli wartość leży poza zakresem, to zostaje za­
znaczona dla dalszego badania.
• Daty — Często sprawdzenie poprawności daty jest trud­
ne, chociaż czasami wiadomo, że powinna ona należeć do
pewnego okresu czasu. Daty można sprawdzać w celu upew­
nienia się, że są one prawidłowe. Na przykład, 30 lutego mu­
si być błędem, tak jak każdy dzień miesiąca powyżej 31 lub
każdy miesiąc powyżej 12. Można również stosować pewne
reguły logiczne. Na przykład, data urodzin pacjenta powinna
odpowiadać jego/jej wiekowi, a pacjenci powinni zwykle ro­
dzić się przed włączeniem do badania (przynajmniej w więk­
szości badań). Dodatkowo, pacjenci, którzy zmarli, nie powin­
ni się pojawiać na kolejnych wizytach kontrolnych!
Przy poprawianiu wszystkich błędów wartość powinna
zostać zmieniona jedynie wtedy, gdy mamy dowód, że został
14 Opracowywanie danych
popełniony błąd. Nie należy zmieniać wartości tylko dlatego,
że wyglądają nietypowo.
OPRACOWYWANIE DANYCH BRAKUJĄCYCH
Zawsze istnieje możliwość wystąpienia braku niektórych da­
nych. Jeżeli brakuje dużej części danych, to mało prawdopo­
dobne jest uzyskanie wiarygodnych rezultatów. Należy za­
wsze zbadać przyczynę pojawiania się braków danych
— jeżeli braki danych mają tendencję do skupiania się
w pewnej zmiennej i/lub w określonej podgrupie obiektów,
może to oznaczać, że zmienna nie jest stosowalna lub nigdy
nie została pomierzona dla tej grupy osób badanych. Jeżeli
to jest rzeczywistą przyczyną, może okazać się konieczne
wykluczenie tej zmiennej lub grupy obiektów z analizy.
Szczególne problemy możemy napotkać, kiedy szansa wystą­
pienia zmiennych brakujących jest silnie związana z najbar­
dziej interesującą nas w badaniu zmienną (np. zmienną wy­
nikową w analizie regresji — rozdział 27). W tej sytuacji
nasze wyniki mogą być silnie obciążone (rozdział 12). Załóż­
my na przykład, że jesteśmy zainteresowani pomiarem, któ­
ry odzwierciedla stan zdrowia pacjentów i dla niektórych
pacjentów brakuje tej informacji, ponieważ nie czuli się wy­
starczająco dobrze, by pojawić się na zaplanowanej wizycie
w klinice: jeżeli nie weźmiemy pod uwagę brakujących da­
nych w analizie, najprawdopodobniej otrzymamy zbyt opty­
mistyczny obraz ogólnego stanu zdrowia pacjentów. Możliwe
jest zredukowanie tego obciążenia przez zastosowanie odpo­
wiednich metod statystycznych1 lub przez oszacowanie jakąś
metodą brakujących danych2, jednakże najbardziej pożąda­
ną opcją jest minimalizacja od samego początku liczby bra­
kujących danych.
WARTOŚCI ODSKAKUJĄCE
Czym są wartości odskakujące?
Wartości odskakujące są obserwacjami, które różnią się
od większości danych i są niezgodne z pozostałymi danymi.
Wartości te mogą być prawdziwymi obserwacjami osób ba­
danych z bardzo ekstremalnymi poziomami zmiennej. Jed­
nakże mogą też być wynikiem błędów przy wprowadzaniu
lub błędnego doboru jednostek i dlatego należy sprawdzić
wszelkie podejrzane wartości. Istotną rzeczą jest wykrycie,
czy w zbiorze danych mamy do czynienia z wartościami od­
skakującymi, gdyż mogą one mieć znaczący wpływ na wy­
niki niektórych typów analiz (rozdział 29).
Na przykład, kobieta o wzroście 7 stóp (213,5 cm) będzie
stanowiła wartość odskakującą w większości zbiorów da­
nych. Chociaż wartość ta jest istotnie bardzo duża w porów­
naniu z przeciętnym wzrostem kobiet, może być wartością
1
Laird N. M.: Missing data in longitudinal studies. Statistics in
Medicine, 1988, 7, 305-315.
2
Engels J. M., Diehr R: Imputation of missing longitudinal data:
a comparison of methods. Journal of Clinical Epidemiology, 2003,
56, 968-976.
prawdziwą, a kobieta ta może być po prostu bardzo wysoka.
W tym przypadku, zanim podejmiesz decyzję o ważności wy­
niku, jeśli to możliwe, powinieneś dalej zbadać tę wielkość,
kontrolując inne zmienne, takie jak wiek i masa ciała. War­
tość powinna zostać zmieniona jedynie wtedy, gdy istnieje
wyraźny dowód, że jest ona nieprawdziwa.
Badanie wartości odskakujących
Najprostszą metodą jest wydrukowanie danych i ich wzro­
kowa kontrola. Przydaje się ona, gdy liczba obserwacji nie
jest za duża i gdy potencjalna wartość odskakująca jest
o wiele mniejsza lub o wiele większa od pozostałych danych.
Badanie rozstępu również powinno pozwolić zidentyfikować
możliwe wartości odskakujące. Alternatywę stanowi wykre­
ślenie w jakiś sposób danych (rozdział 4) — wartości odska­
kujące można łatwo identyfikować na histogramach i wy­
kresach rozrzutu (zobacz również dyskusję o wartościach
odskakujących w analizie regresji w rozdziale 29).
Rycina 3.1. Kontrola błędów w zestawie danych.
Fo wprowadzeniu danych (rozdział 2), plik z danymi spraw­
dzany jesr w celu usunięcia błędów. Niektóre ze wskaza­
nych niezgodności su prostymi błędami popełnionymi
przy wprowadzaniu. Na przykład, kod „41" w kolumnie
„płeć dziecka" dla pacjentki 'dO. jest nieprawidłowy i wyni­
ka z pominięcia informacji o pici: pozostała część danych
pacjentki 20. została wprowadzona do nieprawidłowych
kolumn. 1'nzosiate (up. nietypowe wartości w kolumnach
Radzenie sobie z wartościami odskakującymi
Jest rzeczą istotną, aby nie usuwać osoby badanej z analizy
tylko dlatego, że jego/jej wartości pomiarowe są wyższe lub
niższe, niż można się tego spodziewać.
Jednakże włączenie wartości odskakujących może mieć
wpływ na wyniki niektórych technik statystycznych. Pro­
stym wyjściem z tej sytuacji jest wykonanie analizy naj­
pierw przy uwzględnieniu, a potem przy wykluczeniu tych
wartości. Jeżeli wyniki są zbliżone, oznacza to, że wartości
odskakujące nie mają na nie wielkiego wpływu.
Jednakże jeżeli wyniki drastycznie się zmieniają, należy
zastosować odpowiednie metody, które podczas analizy da­
nych nie zostają zaburzane przez wartości odskakujące. Me­
tody te obejmują użycie transformacji (rozdział 9) i testów
nieparametrycznych (rozdział 17).
wieku ciążowego i masy ciała) też są najprawdopodobniej
błędami, lecz przed powzięciem decyzji należy sprawdzić
materiały źródłowe, jako że mogą one być prawdziwymi
wartościami odskakującymi. W naszym przykładzie wiek
ciążowy u pacjentki 27. wynosił 41 tygodni; zadecydowa­
no, że masa 11,19 kg była nieprawidłowa. Ponieważ nie
można było odnaleźć prawidłowej masy ciała tego dziecka,
wartość wprowadzono jako brakującą.
3. Kontrola błędów i wartości odskakujące ' 15
4 GRAFICZNA PREZENTACJA DANYCH

Jedną z pierwszych rzeczy, które przydają się po wprowa­
dzeniu danych do komputera, jest jakaś forma ich podsumo­
wania, tak abyśmy mogli „wyczuć" te dane. Można to uczynić
za pomocą diagramów, tabel i statystyk podsumowujących
(rozdziały 5 i 6). Diagramy są często skutecznymi narzędzia­
mi do przedstawiania danych, tworzenia prostych, podsumo­
wujących rycin oraz wykrywania wartości odskakujących
i trendów, zanim zostaną przeprowadzone jakiekolwiek for­
malne analizy.
JEDNA ZMIENNA
Rozkłady częstości
Empiryczny rozkład częstości zmiennej wiąże każdą moż­
liwą obserwację, klasę obserwacji (tj. zakres wartości) lub
kategorię z obserwowaną częstością jej pojawiania się. Je­
żeli zastąpimy każdą częstość przez częstość względną
(procent całkowitej częstości), możemy porównywać rozkła­
dy częstości w dwóch lub więcej grupach osób badanych.
Prezentacja rozkładów częstości
Jeżeli wyznaczyliśmy częstości (lub częstości względne) dla
danych kategorialnych lub niektórych numerycznych dys­
kretnych, możemy je przedstawić graficznie.
• Wykres słupkowy lub kolumnowy — dla każdej katego­
rii rysujemy osobny pionowy lub poziomy słupek, którego dłu­
gość jest proporcjonalna do częstości występowania danych
w tej kategorii. Słupki oddzielamy małymi przerwami, aby
wskazać, że dane są kategorialne lub dyskretne (rycina 41a).
• Wykres kołowy — dzielimy kółko na sekcje, po jednej
dla każdej kategorii, tak by powierzchnia każdej sekcji była
proporcjonalna do częstości występowania danych w tej ka­
tegorii (rycina 4.Ib).
Często trudniej jest przedstawić dane numeryczne cią­
gle, gdyż najpierw muszą być one wstępnie opisane suma­
rycznie. Najczęściej stosuje się następujące diagramy:
• Histogram — jest podobny do wykresu słupkowego,
ale ponieważ dane są ciągłe, pomiędzy słupkami nie powin­
no być przerw (rycina 4.Id). Szerokość każdego słupka jest
uzależniona od zakresu wartości dla danej zmiennej.
Na przykład, masa ciała dziecka (rycina 4.Id) może być ska­
tegoryzowana w przedziałach: 1,75-1,99 kg, 2,00-2,24 kg,
..., 4,25-4,49 kg. Powierzchnia słupka jest proporcjonalna
do częstości występowania danych w tym zakresie. Dlatego,
jeżeli jedna grupa pokrywa szerszy zakres wartości niż in­
ne, jej podstawa będzie szersza, a wysokość mniejsza.
Zwykle stosuje się od 5 do 20 grup: zakresy powinny być
na tyle wąskie, by mogły zilustrować charakterystyczne

Rycina 4.1. Wybór graficznych metod, które mogą służyć do prezentacji danych położniczych dla kobiet z zaburzeniami krzepliwości (rozdział 2).
(a) Wykres słupkowy pokazujący procent kobiet w badaniu, które wymagały znieczulenia przy użyciu każdego z wymienionych zabiegów podczas
porodu; (b) Wykres kołowy ukazujący procent kobiet w badaniu z każdym typem zaburzeń krzepliwości; (c) Segmentowany wykres kolumnowy
pokazujący częstość występowania krwawienia z dziąseł u kobiet z różnego typu zaburzeniami krwawienia; (d) Histogram pokazujący masę uro-
dzeniową noworodka; (e) Wykres punktowy pokazujący wiek matki w chwili porodu, z medianą wieku zaznaczoną jako linia pozioma; (f) Wykres
rozrzutu ukazujący zależność między wiekiem matki w chwili porodu (na osi poziomej, osi xl i masą ciała noworodka (na osi pionowej, osi y).

16 Opracowywanie danych
 3 1,0 0,4 odpowiedni percentyl, np. piąty i dziewięćdziesiąty piąty
(rozdział 6, rycina 6.1). Na wykresie tym można również za­
665 1,1 39
znaczyć wartości odskakujące.
53 1,2 99
9751 1,3 1135677999 Kształt rozkładu częstości
955410 1,4 0148
Wybór najodpowiedniejszej metody statystycznej często za­
leży od kształtu rozkładu. Rozkład danych jest najczęściej
987655 1,5 00338899
jednomodalny, przez co posiada jeden pik. Czasami rozkład
9531100 1,6 001355 jest bimodalny (dwa piki) lub równomierny (każda wartość
731 1,7 00114569 jest jednakowo prawdopodobna, na skutek czego nie wystę­
puje żaden pik). W przypadku rozkładu jednomodalnego za­
99843110 1,8 6
sadniczym celem jest wskazanie, gdzie leży większość da­
654400 1,9 01 nych w stosunku do wartości maksymalnej i minimalnej.
6 2,0 W szczególności należy oszacować, czy rozkład jest:
7 2,1 19 • symetryczny — scentrowany wokół pewnego punktu
środkowego, z jedną stroną będącą lustrzanym odbiciem
10 2,2
drugiej strony (rycina 5.1);
dipropionian placebo • przekrzywiony w prawo (dodatnio skośny) — ma dłu­
beklometazonu gi ogon złożony z jednej lub większej liczby wysokich war­
tości. Takie dane są często spotykane w badaniach medycz­
nych (rycina 5.2);
Rycina 4.2. Wykres typu „łodyga z liśćmi" ukazujący FEV1 (1) u dzie­
• przekrzywiony w lewo (ujemnie skośny) — ma długi
ci inhalujących dipropionian beklometazonu lub placebo (rozdział 21).
ogon złożony z jednej lub większej liczby niskich wartości
(rycina 4.Id).
wzory w rozkładzie danych, lecz nie aż tak wąskie, by
przedstawiały indywidualne dane. Histogram powinien zo­
DWIE ZMIENNE
stać opisany starannie, tak aby granice między kategoriami
byty wyraźnie zdefiniowane. Jeżeli jedna zmienna jest kategorialna, możemy narysować
• Wykres punktowy — każda obserwacja jest reprezen­ osobne diagramy pokazujące rozkłady drugiej zmiennej dla
towana przez jedną kropkę na poziomej (lub pionowej) linii każdej z kategorii. Inne wykresy odpowiednie dla takich da­
(rycina 4.1e). Jest to bardzo prosty sposób przedstawiania nych to wykresy słupkowe, kolumnowe klasteryzowane lub
danych, lecz może być niewygodny przy dużych zbiorach. segmentowane (rycina 4.1c).
Często na diagramach pokazuje się miarę zbiorczą, taką jak Jeżeli obie zmienne są numeryczne lub porządkowe,
średnia czy mediana (rozdział 5). Taki typ wykresu może można przedstawić związek między nimi za pomocą wykre­
być stosowany również dla danych dyskretnych. su rozrzutu (rycina 4. ID. Na diagramie dwuwymiarowym
• Wykres typu „łodyga z liśćmi" — jest to połączenie wykreśla się wartość jednej zmiennej w zależności od dru­
diagramu i tablicy; przypomina histogram położony na boku giej. Jedna zmienna jest zwykle nazywana zmienną x i jest
i jest faktycznie zbiorem wartości danych zapisanych w kie­ przedstawiana na osi poziomej. Druga zmienna, nazywana
runku rosnącym. Zazwyczaj rysuje się pionową „łodygę", zmienną y, jest wykreślana na osi pionowej.
złożoną z pierwszych kilku cyfr mierzonych wartości, upo­
rządkowanych w jakimś kierunku. Z „łodygi" wystają „li­
IDENTYFIKACJA WARTOŚCI ODSKAKUJĄCYCH
ście" — tj. końcowe cyfry każdej uporządkowanej wielkości,
które zapisujemy w układzie poziomym (rycina 4.2) we METODAMI GRAFICZNYMI
wzrastającym porządku numerycznym. Często wartości skrajne możemy wykrywać przy użyciu pre­
• Wykres skrzynkowy (zwany często „pudełkiem z wą­ zentacji danych jednej zmiennej. Na przykład, bardzo długi
sami") — jest to ustawiony pionowo lub poziomo prostokąt, ogon po jednej stronie histogramu może wskazywać na war­
którego boki odpowiadają górnemu lub dolnemu kwartylowi tość odskakującą. Jednakże czasami wartości odskakujące
wartości pomiarowych (rozdział 6). Linia przeprowadzona stają się widoczne dopiero wtedy, gdy analizujemy związek
przez prostokąt oznacza medianę (rozdział 5). Wąsy rozpo­ pomiędzy dwoma zmiennymi. Na przykład, masa 55 kg nie
czynające się na bokach prostokąta zazwyczaj reprezentują będzie niespotykana u kobiety o wzroście 1,6 m, lecz będzie
wartości minimalną i maksymalną, lecz czasami oznaczają nieprawdopodobnie niska u kobiety o wzroście 1,9 m.

4. Graficzna prezentacja danych 17

5 OPIS DANYCH: WARTOŚĆ PRZECIĘTNA
PODSUMOWYWANIE DANYCH
Bardzo trudno jest mieć jakiekolwiek „wyczucie" co do zbio­
ru pomiarów numerycznych, chyba że możemy je w jakiś
znaczący sposób podsumować. Użytecznym punktem wyjścia
jest często diagram (rozdział 4). Konstruując miary, które
opisują ważne charakterystyki danych, możemy również in­
formację skondensować. W szczególności, jeżeli mamy jakieś
spostrzeżenie na temat tego, co stanowi wartość reprezenta­
tywną i jeżeli wiemy jak szeroko wokół niej są rozrzucone
wartości, możemy stworzyć pewien obraz danych. Wartość
przeciętna jest ogólnym określeniem miary położenia; opi­
suje ona typowy pomiar. Ten rozdział poświęcamy miarom
przeciętnym, z których najczęściej używa się średniej i me­
diany (tabela 5.1). W rozdziale 6 wprowadzimy miary, które
opisują rozrzut lub rozproszenie obserwacji.
ŚREDNIA ARYTMETYCZNA
Średnia arytmetyczna (często po prostu zwana średnią)
zbioru wartości jest obliczana przez dodanie do siebie
wszystkich wartości i podzielenie tej sumy przez liczbę war­
tości w zbiorze.
Rzeczą przydatną jest streszczenie tego słownego opisu
przez wzór algebraiczny. Stosując notację matematyczną, za­
pisujemy nasz zbiór n wartości zmiennej xjako xx, x2, x3,...,
xn. Na przykład, jeżeli x reprezentuje wzrost osobnika (cm),
to Xj przedstawia wzrost pierwszego osobnika, a xt —wzrost
/tego osobnika itd. Możemy zapisać wzór na średnią arytme­
tyczną obserwacji, oznaczając ją symbolem x, w postaci:
Stosując notację matematyczną, zapis możemy skrócić do:
gdzie Z (duża grecka litera sigma) oznacza sumę, nato­
miast dolny oraz górny indeks przy Z wskazuje, że sumuje­
my wartości od i = 1 do n. Ta postać jest często dalej skra­
cana do formy:
MEDIANA
Jeżeli uporządkujemy dane w kierunku ich wzrostu, rozpo­
czynając od najmniejszej wartości i kończąc na największej,
wtedy medianą będzie wartość środkowa uporządkowane­
go szeregu. Mediana dzieli uporządkowany zbiór wartości
na dwie polowy, z równą liczbą wartości powyżej i poniżej
mediany. Łatwo jest wyznaczyć medianę, gdy liczba obser­
wacji n jest nieparzysta. Jest ona (n + D/2 obserwacją
w uporządkowanym szeregu. Tak więc, jeśli na przykład
n = 11, to mediana jest (11 + D/2 = 12/2 = 6 (szóstą) war­
18 Opracowywanie danych
tością w uporządkowanym szeregu. Gdy n jest parzyste, wtedy
ściśle mówiąc, mediana nie istnieje. Jednakże wtedy obliczamy
ją zazwyczaj jako średnią arytmetyczną dwóch środkowych
obserwacji w uporządkowanym szeregu danych [tj. n/2
i (n/2 + 1)]. Tak więc, jeżeli na przykład n - 20, to mediana
jest średnią arytmetyczną z 20/2 = 1 0 oraz (20/2 + D =
= (10 + 1) = 11 (dziesiątej i jedenastej wartości) w uporząd­
kowanym szeregu danych.
Mediana jest zbliżona do średniej, jeżeli dane mają roz­
kład symetryczny (rycina 5.1), jest mniejsza niż średnia,
gdy dane mają rozkład prawoskośny (rycina 5.2), natomiast
większa niż średnia przy rozkładzie lewoskośnym.
WARTOŚĆ MODALNA
Wartość modalna jest wartością najczęściej pojawiającą się
w zbiorze danych; jeżeli dane są ciągłe, zazwyczaj je grupu­
jemy i obliczamy modalną dla grup. Niektóre zbiory danych
nie mają wartości modalnej, ponieważ każda wartość poja­
wia się tylko raz. Czasami występuje więcej niż jedna war­
tość modaina; dzieje się tak wtedy, gdy dwie lub więcej
wartości pojawiają się taką samą liczbę razy, a częstość wy­
stępowania każdej z nich jest większa niż częstość wystę­
powania każdej innej wartości. Wartość modalna jest rzad­
ko stosowana jako miara podsumowująca.
ŚREDNIA GEOMETRYCZNA
Średnia arytmetyczna nie jest odpowiednią miarą położe­
nia, jeżeli dane są skośne. Jeżeli dane są prawoskośne,
możemy uczynić rozkład bardziej symetrycznym poprzez
zlogarytmowanie (z podstawą dziesiętną lub naturalną)
każdej wartości w szeregu danych (rozdział 9). Średnia
arytmetyczna wartości zlogarytmowanych jest miarą poło­
żenia danych przetransformowanych. Aby otrzymać miarę,
która będzie miała takie same jednostki jak oryginalne ob­
serwacje, musimy dokonać transformacji odwrotnej (tj.
wziąć antylogarytm) średniej z logarytmów danych; miarę
tę nazywamy średnią geometryczną. Przy założeniu, że
rozkład danych zlogarytmowanych jest w przybliżeniu sy­
metryczny, średnia geometryczna jest zbliżona do media­
ny i mniejsza niż wartość średnia z surowych danych (ry­
cina 5.2).
ŚREDNIA WAŻONA
Średniej ważonej używamy wtedy, gdy pewne wartości in­
teresującej nas zmiennej są ważniejsze niż inne. W celu
uwidocznienia stopnia ważności dołączamy wagi w{ do każ­
dej wartości x; z naszej próbki. Jeżeli wartości
xn mają odpowiadające wagi średnia wa­
żona jest określona jako:
 Tablica 5.1. Zalety i wady miar przeciętnych.
Miara
przeciętna Zalety Wady
Średnia • Można ją stosować • Zniekształcana przez
w przypadku wszystkich wartości odskakujące.
wartości. • Zniekształcana w przy­
• Zdefiniowana algebra­ padku rozkładów sko­
icznie, łatwa w algo- śnych.
rytmizacji.
• Znany rozkład próbko­
wania (rozdział 9).
Mediana • Nie jest zniekształca­ * Pomija większość do­
na przez wartości stępnych informacji.
odskakujące. • Nie zdefiniowana alge­
• Nie zniekształcana braicznie.
przez dane skośne. • Skomplikowany rozkład
Wiek matki w chwili narodzin dziecka (w latach) próbkowania.
Modalna • Łatwo daje się wyzna­ • Pomija większość do­
Rycina 5.1. Średnia, mediana i średnia geometryczna wieku kobiet czać dla danych kate- stępnych informacji.
w chwili narodzin dziecka, w badaniu opisanym w rozdziale 2. Ja­ gorialnych. • Nie zdefiniowana alge­
ko że rozkład wartości oznaczających wiek wygląda na symetrycz­ braicznie.
ny, trzy miary „przeciętnej" dają podobne wyniki, jak wskazuje • Nieznany rozkład prób­
przerywana linia. kowania.
Średnia • Przed transformacją • Daje się stosować jedy­
geome- odwrotną ma takie nie w przypadku, gdy
tryczna same zalety jak średnia. transformacja logaryt­
• Odpowiednia dla roz­ miczna wytwarza roz­
kładów prawoskośnych. kład symetryczny.
Średnia • Takie same zalety jak • Wagi muszą być znane
ważona średnia. lub oszacowane.
• Przypisuje względną
wagę do każdej obser­
wacji.
• Zdefiniowana algebra­
icznie.

Poziom trójolicerydów (mmol/L)

Rycina 5.2. Średnia, mediana i średnia geometryczna poziomu trój-

glicerydów w próbie 232 mężczyzn, którzy przebyli zawał serca
'rozdział 19). Jako że rozkład wartości oznaczających poziom trój-
źhcerydów jest prawoskośny, średnia daje wyższe wartości prze­
ciętne niż mediana lub średnia geometryczna.

Na przykład, przypuśćmy, że jesteśmy zainteresowani

wyznaczeniem średniego czasu pobytu pacjentów hospitali­
zowanych w szpitalach w okręgu i znamy średni czas zwol­
nienia pacjentów do domu w każdym szpitalu. Jedną z moż­
liwości będzie uwzględnienie jako wagi liczby pacjentów
w każdym ze szpitali.
Średnia ważona i średnia arytmetyczna są identyczne,
gdy każda waga jest równa jedności.

5. Opis danych: wartość przeciętna 19

6 OPIS DANYCH: ROZPROSZENIE
PODSUMOWYWANIE DANYCH
Jeżeli jesteśmy w stanie wyznaczyć dwie miary podsumo­
wujące dla zmiennej ciągłej — jedną, która wskazuje war­
tość przeciętną i drugą opisującą rozproszenie danych —
Wtedy dokonujemy kondensacji danych w sposób znaczący.
W rozdziale 5 wytłumaczyłyśmy, jak dobrać odpowiednią
miarę przeciętną. Ten rozdział poświęcamy omówieniu naj­
bardziej znanych miar rozproszenia (dyspersji lub zmien­
ności), które to miary zostały porównane w tablicy 6.1.
Rozstęp jest różnicą między największą i najmniejszą
wartością w zbiorze danych; często podaje się te dwie war­
tości zamiast ich różnicy. Trzeba zauważyć, że rozstęp daje
mylącą wielkość rozproszenia, gdy w danych znajdują się
wartości odskakujące (rozdział 3).
ROZSTĘPY UZYSKIWANE Z PERCENTYLI
Czym są percentyle?
Przypuśćmy, że uporządkowaliśmy dane w kierunku wzro­
stu ich wielkości, rozpoczynając od wartości najmniejszej
i kończąc na największej. Wartość zmiennej x, poniżej któ­
rej w uporządkowanym szeregu znajduje się 1% wartości
(a 99% wartości leży powyżej), jest zwana pierwszym per-
centylem. Wartość x, poniżej której leży 2% obserwacji,
zwana jest drugim percentylem itd. Wartości x, które dzie­
lą uporządkowany zbiór na 10 równych pod względem licz­
by części, tj. dziesiąty, dwudziesty, trzydziesty,... dziewięć­
dziesiąty percentyl zwane są decylami. Wartości, które
dzielą uporządkowany zbiór na cztery równe pod względem
liczby części, tj. dwudziesty piąty, pięćdziesiąty i siedem­
dziesiąty piąty percentyl nazywamy kwartylami. Pięćdzie­
siąty centyl jest medianą (rozdział 5).
Rycina 6.1. Wykres skrzynkowy masy urodzeniowej noworodka
(rozdział 2). Na rycinie znajduje się mediana, rozstęp międzykwar­
tylowy, rozstęp zawierający centralne 95% obserwacji oraz maksi­
mum i minimum.
20 Opracowywanie danych
Posługiwanie się percentylami
Miarę rozproszenia niezaburzaną przez wartości skrajne
możemy uzyskać, wykluczając wartości ekstremalne
w zbiorze danych i wyznaczając rozstęp dla pozostałych ob­
serwacji. Rozstęp międzykwartylowy definiujemy jako róż­
nicę między pierwszym i trzecim kwartylem, tj. pomiędzy
dwudziestym piątym i siedemdziesiątym piątym percenty­
lem (rycina 6.1). Zawiera on centralnych 50% obserwacji
z uporządkowanego szeregu, 25% obserwacji leży poniżej je­
go dolnej granicy, a 25% — powyżej jego górnej granicy.
Rozstęp międzydecylowy zawiera 80% centralnych obser­
wacji, tj. leżące między dziesiątym i dziewięćdziesiątym
percentylem. Często używa się rozstępu zawierającego 95%
centralnych obserwacji, tj. wykluczających 2,5% obserwacji
powyżej jego górnej granicy i 2,5% poniżej dolnej granicy
(rycina 6.1). Możemy używać tego przedziału do diagnozo­
wania choroby, przy założeniu, że jest on wyznaczony i wy­
starczającej liczby wartości zmiennej dla osób zdrowych.
Jest on często określany jako przedział odniesienia, zakres
odniesienia lub zakres normalny (rozdział 38).
WARIANCJA
Jedną z metod mierzenia rozproszenia danych jest wyzna­
czenie, w jakim stopniu każda z obserwacji jest oddalona
od średniej arytmetycznej. Oczywiście, im większe są te od­
ległości, tym większa jest zmienność obserwacji. Nie może­
my jednak używać średniej arytmetycznej tych odległości
jako miary rozproszenia, gdyż dodatnie różnice dokładnie
pokryją się z różnicami ujemnymi. Problem ten możemy
obejść przez podniesienie każdej odległości do kwadratu
i znalezienie średniej z kwadratów odległości (rycina 6.2);
wielkość tę nazywamy wariancją. Jeżeli mamy próbę
n obserwacji xlT x2, x3, ..., xn, dla których średnia wynosi
Rycina 6.2. Diagram pokazujący rozproszenie wybranych wartości
wieku matki w chwili porodu (rozdział 2) wokół wartości średniej.
Wariancja jest obliczana przez dodanie podniesionych do kwadratu
odległości między poszczególnymi punktami a średnią i następnie
podzielenie przez (n - 1).
i - £x,- /AI, obliczamy wariancję tych obserwacji, zwykle wynikami. Może się to zdarzyć dlatego, że dany osobnik nie
omaczoną pr2ez s 2 , jako zawsze odpowiada w dokładnie ten sam sposób i/lub
z powodu błędu pomiarowego. Jednakże wariancja we­
wnątrzgrupowa jest z reguły mniejsza niż wariancja, którą
wyznaczymy, biorąc pojedynczy pomiar każdego osobnika
Jak widać, nie jest to dokładnie sama średnia arytme­ w grupie (zmienność międzygrupowa). Na przykład, 17-let-
tyczna kwadratów odległości, ponieważ dokonujemy dziele­ ni chłopiec ma pojemność życiową płuc pomiędzy 3,60
nia przez n - 1 zamiast przez n. Przyczyną tego jest fakt, że a 3,87 1, gdy pomiar jest wykonywany dziesięciokrotnie.
w naszych badaniach niemal zawsze opieramy się na próbie Wartość pojedynczych pomiarów zebranych u 10 chłopców
danych (rozdział 10). Można wykazać teoretycznie, że otrzy­ w tym samym wieku zawiera się natomiast między 2,98
mamy lepsze oszacowanie wariancji w populacji, gdy doko­ a 4,33 1. Te pojęcia są ważne przy planowaniu badania (roz­
namy dzielenia przez (n- 1). dział 13).
Jednostką wariancji jest jednostka oryginalnej obserwa­
cji podniesiona do kwadratu, tj. jeżeli zmienna mierzona
Tablica 6.1. Zalety i wady miar rozproszenia.
jest w kg, jednostką wariancji jest kg2.
Miara
rozproszenia Zalety Wady
ODCHYLENIE STANDARDOWE Rozstęp • Łatwo daje się wy­ • Można go stosować
Odchylenie standardowe jest pierwiastkiem kwadratowym znaczyć. w przypadku tylko
2 wariancji. W próbie n obserwacji jest równe: dwóch wartości.
• Zniekształcany przez
wartości odskakujące.
• Ma tendencję do wzro­
stu, gdy rośnie wiel­
kość próby.
Możemy wyobrazić sobie odchylenie standardowe jako
Rozstęp • Zazwyczaj nie znie­ • Trudny do policzenia.
rodzaj wartości przeciętnej odległości obserwacji od warto­
oparty kształcany przez • Nie może być stosowany
ści średniej. Jest ono wyrażone w tych samych jednostkach,
o percentyle wartości odskakujące. dla małych prób.
co dane surowe.
• Niezależny od wiel­ • Bierze pod uwagę jedy­
Jeżeli podzielimy odchylenie standardowe przez wartość kości próby. nie dwie wartości.
średnią i wyrazimy ten iloraz w procentach, otrzymamy • Odpowiedni dla • Niezdefiniowany alge­
tzw. współczynnik zmienności. Jest on miarą rozproszenia danych skośnych. braicznie.
niezależną od jednostek, lecz powoduje pewne teoretyczne • Jednostka miary jest
Wariancja • Wykorzystuje
niedogodności, na skutek czego nie jest lubiany przez staty­ wszystkie wartości. kwadratem jednostki
styków. • Zdefiniowana alge­ pomiaru surowego.
braicznie.
Odchylenie • Te same zalety jak • Czułe na wartości
ZMIENNOŚĆ W OBRĘBIE OBIEKTÓW standardowe wariancji. odskakujące.
I MIĘDZY NIMI • Jednostka miary jest • Niewłaściwe dla danych
taka sama jak jedno­ skośnych.
Jeżeli wykonamy powtórzone pomiary zmiennej ciągłej dla
stka pomiaru surowego.
jednego osobnika, możemy się spodziewać, że wystąpi pew­ • Łatwe w interpretacji.
na zmienność (zmienność wewnątrzgrupowa) między jego

6. Opis danych: rozproszenie 21

7 ROZKŁADY TEORETYCZNE: ROZKŁAD NORMALNY
W rozdziale 4 pokazałyśmy, jak z danych obserwacyjnych
utworzyć empiryczny rozkład częstości. Rozkład ten kontra­
stuje z teoretycznym rozkładem prawdopodobieństwa, który
jest opisany modelem matematycznym. Jeżeli nasz ekspery­
mentalny rozkład przybliża jakiś szczególny rozkład częstotli­
wości, wtedy możemy wykorzystać wiedzę teoretyczną o tym
rozkładzie do udzielenia odpowiedzi na temat danych. Często
trzeba w tym celu obliczyć prawdopodobieństwo.
ZROZUMIENIE PRAWDOPODOBIEŃSTWA
Prawdopodobieństwo (prób — probability) jest miarą nie­
pewności; leży u podstaw teorii statystyki. Mierzy ono
szanaę wystąpienia danego zdarzenia i jest liczbą dodatnią
leżąca pomiędzy zerem a jedynką. Jeżeli jest równe zero, to
zdarzenie nie może się pojawić. Jeżeli jest równe jeden, to
zdar2enie musi się pojawić. Zjawisko zdarzenia dopełniają­
cego (zdarzenia niepojawiającego się) jest równe jeden mi­
nus prawdopodobieństwo zdarzenia pojawiającego się.
Prawdopodobieństwo zdarzenia warunkowego, tzn. praw­
dopodobieństwa zdarzenia, które zachodzi, jeżeli wystąpiło
inne zdarzenie, omówimy w rozdziale 45.
Prawdopodobieństwo możemy wyznaczyć, stosując róż­
ne podejścia.
• Subiektywne — stopień naszej osobistej wiary, że
zdarzenie nastąpi (np. że koniec świata nastąpi pod koniec
2050 roku).
• Częstościowe — proporcja liczby zdarzeń zjawiska
przy eksperymencie powtarzanym wielką liczbę razy (np.
ile razy otrzyma się „orła" przy tysiąckrotnym rzucaniu nie­
zafałszowanej monety).
• Aprioryczne — wymaga znajomości modelu teoretycz­
nego, zwanego rozkładem częstości, który opisuje prawdo­
podobieństwa wszystkich możliwych wyników eksperymen­
tu. Na przykład, teoria genetyczna pozwala opisać rozkład
prawdopodobieństwa otrzymania określonego koloru oczu
u dziecka zrodzonego z niebieskookiej kobiety i mężczyzny
o oczach brązowych. Odbywa się to przez wyszczególnienie
wszystkich możliwych genotypów koloru oczu i prawdopo­
dobieństw ich wystąpienia.
REGUŁY PRAWDOPODOBIEŃSTWA
Możemy stosować reguły dodawania i mnożenia prawdopo­
dobieństw.
• Reguła dodawania — jeżeli dwa zdarzenia, A i B, wza­
jemnie się wykluczają (tzn. każde wystąpienie jednego zda­
rzenia wyklucza pojawienie się drugiego), wtedy prawdopo­
dobieństwo pojawienia się jednego lub drugiego zdarzenia
jest równe sumie prawdopodobieństw pojawienia się każde­
go ze zdarzeń.
Prób (A lub B) = Prób (A) + Prób (B)
Jeżeli np. prawdopodobieństwo, że w pewnym gabinecie
dentystycznym pojawi się dorosły pacjent bez brakujących
zębów, z niektórymi brakującymi zębami lub bezzębny (tzn.
nie mający zębów), wynosi odpowiednio 0,67, 0,24 i 0,09,
22 Opracowywanie danych
wtedy prawdopodobieństwo, że pacjent ma zęby, wynosi
0,67 + 0,24 = 0,91.
• Reguła mnożenia — jeżeli dwa zdarzenia, A i B, są
niezależne (tj. wystąpienie jednego ze zdarzeń nie warun­
kuje drugiego zdarzenia), wtedy prawdopodobieństwo, że
zajdą oba zdarzenia, jest równe iloczynowi prawdopodo­
bieństw zajścia każdego z nich:
Prób (A i B) = Prob(A) x ProWB)
Jeżeli np. dwóch niespokrewnionych pacjentów czeka u chi­
rurga stomatologicznego, prawdopodobieństwo, że obaj nie
mają brakujących zębów wynosi 0,67 x 0,67 = 0,45.
ROZKŁADY PRAWDOPODOBIEŃSTWA:
TEORIA
Zmienna losowa jest wielkością, którą może przyjąć każda ze
zbioru wzajemnie wykluczających się wielkości z określonym
prawdopodobieństwem. Rozkład prawdopodobieństwa poka­
zuje prawdopodobieństwa wszystkich możliwych wartości
zmiennej losowej. Jest to rozkład teoretyczny, wyrażony ma­
tematycznie, posiadający średnią i wariancję, podobnie jak
posiada je rozkład empiryczny. Każdy rozkład prawdopodo­
bieństwa jest zdefiniowany pewnymi parametrami, które są
miarami podsumowującymi (np. średnia, wariancja), charak­
teryzującymi ten rozkład (tzn. znajomość tych parametrów
pozwala w pełni opisać rozkład). Parametry te są oszacowy­
wane w próbie przez odpowiednie statystyki. W zależności
od tego, czy zmienna losowa jest dyskretna, czy ciągła, roz­
kład prawdopodobieństwa może być dyskretny lub ciągły.
• Dyskretny (np. dwumianowy, Poissona) — możemy
otrzymać prawdopodobieństwa odpowiadające każdej moż­
liwej wartości zmiennej losowej. Suma wszystkich tych
prawdopodobieństw wynosi jeden.
• Ciągły (np. normalny, Chi-kwadrat, r i F) — możemy
jedynie wyznaczyć prawdopodobieństwo, że zmienna loso­
wa x przybierze wartość z pewnego przedziału (ponieważ
istnieje nieskończenie wiele wartości dla x). Jeżeli pozioma
oś przedstawia wartości x, możemy narysować krzywą
z równania rozkładu (funkcja gęstości rozkładu prawdopo­
dobieństwa); przypomina ona empiryczny, względny roz-
Catkowite pole pod krzywą = 1 (lub 100%)
Rycina 7.1. Funkcja gęstości prawdopodobieństwa (pdf) zmiennej x.
Rycina 7.2. Funkcja gęstości praw­
dopodobieństwa rozkładu normalne­
go zmiennej x.
(a) Symetryczna wokói średniej fi:
wariancja = a .
2
(b) Efekt zmiany średniej
(c) Efekt zmiany wariancj:
Rycina 7.3. Pola (procenty całkowitego prawdopodobieństwa) pod
krzywą dla (a) rozkładu normalnego x, ze średnią fi i wariancją a2,
i <b) standaryzowanego rozkładu normalnego z.
kład częstości (rozdział 4). Całkowite pole pod krzywą
wynosi jeden; to pole reprezentuje prawdopodobieństwo
wystąpienia wszystkich możliwych zdarzeń. Prawdopodo­
bieństwo, że x leży pomiędzy dwoma wartościami granicz­
nymi jest równe polu pod krzywą ograniczonemu tymi war­
tościami (rycina 7.1). Dla wygody przygotowałyśmy tablice
(Dodatek A) umożliwiające oszacowanie interesujących nas
prawdopodobieństw dla ogólnie stosowanych, ciągłych roz­
kładów prawdopodobieństwa. Są one szczególnie użyteczne
w przypadku wyznaczania przedziałów ufności (rozdział 11)
i testowania hipotez (rozdział 17).
ROZKŁAD NORMALNY (GAUSSOWSKI)
Jednym z najważniejszych rozkładów w statystyce jest roz­
kład normalny. Jego funkcja gęstości prawdopodobieństwa
(rycina 7.2) jest:
• całkowicie opisana przez dwa parametry, średnią (jti)
2
i wariancję fcr );
• ma kształt dzwonu (jednomodalna);
• jest symetryczna w stosunku do swej średniej;
• przesuwa się w prawo, gdy średnia rośnie, a w lewo,
gdy średnia maleje przy założeniu stałej wariancji;
• spłaszcza się, gdy wariancja rośnie, a staje się bardziej
wypikowana, gdy wariancja maleje (dla ustalonej średniej).
Dodatkowe własności tego rozkładu są następujące;
• średnia i mediana rozkładu normalnego są równe;
• prawdopodobieństwo (rycina 7.3a), że zmienna losowa
x o rozkładzie normalnym ze średnia fi i odchyleniu stan­
dardowym a leży pomiędzy:
(fi - a) i (fi + a) wynosi 0,68;
(fi - l,96cr) i (fi + 1,96a) wynosi 0,95;
(fi - 2,58a) i (fi + 2,58a) wynosi 0,99.
Przedziały te mogą zostać użyte do zdefiniowania prze­
działów odniesienia (rozdziały 6 i 38).
Jak sprawdzić normalność rozkładu, opisujemy w roz­
dziale 35.
STANDARYZOWANY ROZKŁAD NORMALNY
W zależności od wartości fi i a istnieje nieskończenie wiele
rozkładów normalnych. Standaryzowany rozkład normalny
(rycina 7.3b) jest szczególnym rozkładem normalnym, dla
którego stabelaryzowano wartości prawdopodobieństwa
(Dodatek Al, A4).
• Standaryzowany rozkład normalny ma średnią równą
zero i wariancję równą jeden.
• Jeżeli zmienna losowa x ma rozkład normalny ze śred­
nią fi i wariancją a2, wtedy zmienna standaryzowana (SND),
, jest zmienną losową, która ma standaryzowany
rozkład normalny.
7. Rozkłady teoretyczne: rozkład normalny 23
8 ROZKŁADY TEORETYCZNE: INNE ROZKŁADY
PARĘ SŁÓW USPOKOJENIA
Teoria dotycząca rozkładów prawdopodobieństwa może wy­
dać się złożona. Z naszego doświadczenia wiemy, że chciał­
byś jedynie wiedzieć, kiedy i jak ich użyć. Dlatego naszki­
cowałyśmy jedynie najważniejsze elementy, a ominęłyśmy
wzory definiujące rozkłady prawdopodobieństwa. Ich
zrozumienie wymaga jedynie znajomości podstawowych po­
jęć, terminologii i prawdopodobnie (chociaż w dobie kompu­
terów rzadko), umiejętności korzystania z tablic.
INNE CIĄGŁE ROZKŁADY
PRAWDOPODOBIEŃSTWA
Rozkłady te oparte 5ą na ciągłych zmiennych losowych. Czę­
sto nie sama zmienna mierzona, lecz statystyka otrzymana
z tej zmiennej podlega takiemu rozkładowi. Całkowite pole
pod krzywą funkcji rozkładu prawdopodobieństwa repre­
zentuje prawdopodobieństwo otrzymania wszystkich możli­
wych wyników i jest równe jeden (rozdział 7). Rozkład nor­
malny omówiłyśmy w rozdziale 7; inne rozkłady są opisane
w tym rozdziale.
Rozkład t (Dodatek A2, rycina 8.1)
• Opisany przez W. S. Gossetta, który publikował pod pseu­
donimem „Student"; jest często zwany rozkładem f-Studenta.
• Parametrem charakteryzującym rozkład t jest liczba
stopni swobody: możemy wykreślić funkcję gęstości praw­
dopodobieństwa, jeżeli znamy równanie rozkładu t i liczbę
stopni swobody. Liczbę stopni swobody omawiamy w roz­
dziale 11; należy zwrócić uwagę, że są one często blisko po­
wiązane z wielkością próby.
• Jego kształt jest podobny do standaryzowanego rozkła­
du normalnego, lecz jest bardziej rozciągnięty (ma dłuższe
ogony). Kształt ten przybliża się do rozkładu normalnego,
w miarę jak rośnie liczba stopni swobody.
• Jest szczególnie użyteczny do obliczania przedziałów
ufności i testowania hipotez o jednej lub dwóch średnich
(rozdziały 19-21).
Rycina 8.1. Rozkłady t z liczbą stopni swobody (df) = 1, 5, 50 i 500.
24 Opracowywanie danych
Rozkład Chi-kwadrat (Dodatek A3, rycina 8.2)
• Jest rozkładem prawoskośnym, przybierającym warto­
ści dodatnie.
• Jest określony przez liczbę stopni swobody (rozdział 11).
• Jego kształt zależy od liczby stopni swobody; staje się
bardziej symetryczny i przybliża się do rozkładu normalne­
go, w miarę jak wzrasta liczba stopni swobody.
• Jest szczególnie przydatny do analizy danych katego-
rialnych (rozdziały 23-25).
Rozkład F (Dodatek A5)
• Jest prawoskośny.
• Jest zdefiniowany przez proporcje. Rozkład stosunku
dwóch oszacowywanych wariancji obliczonych z danych
o rozkładzie normalnym przybliża rozkład F.
• Dwa parametry, które charakteryzują ten rozkład, to
liczby stopni swobody (rozdział 11) licznika i mianownika
proporcji.
• Rozkład F jest szczególnie przydatny przy porównywa­
niu dwóch wariancji (rozdział 18) oraz więcej niż dwóch śred­
nich przy użyciu analizy wariancji (ANOVA, rozdział 22).
Rozkład lognormalny
• Jest rozkładem prawdopodobieństwa zmiennej loso­
wej, której logarytm (o podstawie 10 lub e) podlega rozkła­
dowi normalnemu.
• Jest silnie prawoskośny (rycina 8.3a).
• Jeżeli obliczymy logarytm z naszych surowych danych,
które są prawoskośne, i otrzymujemy rozkład empiryczny
o kształcie zbliżonym do normalnego (rycina 8.3b), to nasze
dane przybliżają rozkład lognormalny.
• Wiele zmiennych w medycynie podlega rozkładowi
lognormalnemu. Po transformacji tych zmiennych poprzez
obliczenie logarytmów możemy wykorzystać właściwości
rozkładu normalnego do wnioskowania o tych zmiennych
(rozdział 7).
• Jeżeli dane mają rozkład lognormalny, możemy użyć
średniej geometrycznej (rozdział 5) jako podsumowującej
miary położenia.
Rycina 8.2. Rozkłady Chi-kwadrat z liczbą stopni swobody (df) = 1,
2, 5 i 10.
Rycina 8.3. (a) Rozkład lognormalny
poziomów trójglicerydów u 232 męż­
czyzn, u których wystąpiła choroba
serca (rozdział 19); (b) przybliżony roz­
kład normalny wartości log10 (poziom
trójglicerydów).
Rycina 8.4. Rozkład dwumianowy pokazujący liczbę sukcesów r, gdy prawdopodobieństwo sukcesu wynosi n - 0,20 dla wielkości próby
ta) n = 5, (b) n = 10, i (c) n - 50. (Notabene, w rozdziale 23 obserwowana częstość występowania seropozytywności HHV-8 wynosi
p= 0,187 = 0,2, a wielkość próby wynosiła 271; przyjęto, że proporcja podlega rozkładowi normalnemu).
DYSKRETNE ROZKŁADY
PRAWDOPODOBIEŃSTWA
Zmienna losowa, która określa rozkład prawdopodobieństwa,
jest dyskretna. Suma prawdopodobieństw wszystkich wza­
jemnie wykluczających się zdarzeń równa się jeden.
Rozkład dwumianowy
• Przypuśćmy, że w danej sytuacji są możliwe tylko dwa
wyniki: „sukces" lub „porażka". Na przykład, jesteśmy zain­
teresowani, czy po sztucznym zapłodnieniu in vitro (IVF) ko­
bieta pocznie dziecko (sukces), czy też nie (porażka). Jeżeli
weźmiemy n - 100 niespokrewnionych kobiet podlegających
IVF (każda z tym samym prawdopodobieństwem poczęcia),
obserwowana liczba poczęć (sukcesów) będzie losową zmien­
ną binomialną. Często koncepcja tego rozkładu jest wyjaśnia­
na poprzez n niezależnych powtórzeń eksperymentu (np. 100
rzutów monetą), w którym wynik jest albo sukcesem (np.
orzeł), albo porażką.
• Dwoma parametrami, które opisują rozkład dwumiano­
wy, są n, liczba osobników w próbie (lub powtórzeń ekspery­
mentu), oraz 7Z, prawdziwe prawdopodobieństwo sukcesu dla
każdego osobnika (lub każdego eksperymentu).
• Jego średnia (wartość zmiennej losowej, której spo­
dziewamy się po analizie n osobników lub po powtórzeniu
eksperymentu n razy) wynosi rut. Jego wariancja wynosi
nnd-n).
• Dla małego n rozkład jest prawoskośny, gdy n < 0,5,
i lewoskośny, gdy JC > 0,5. Rozkład staje się bardziej syme­
tryczny, gdy rośnie wielkość próby (rycina 8.4), i przybliża
rozkład normalny, jeżeli zarówno nn, jak i n(l- jr) są więk­
sze niż 5.
• Rozkładu dwumianowego możemy użyć, gdy wniosku­
jemy o proporcjach. W szczególności, gdy analizujemy pro­
porcje, często używamy przybliżenia normalnego rozkładu
dwumianowego.
Rozkład Poissona
• Zmienna losowa Poissona jest liczbą zdarzeń pojawiają­
cych się niezależnie i losowo w czasie lub przestrzeni z pew­
ną średnią częstością^. Na przykład, dzienna liczba przyjęć
do szpitala podlega rozkładowi Poissona. Możemy użyć naszej
wiedzy o rozkładzie Poissona do wyznaczenia prawdopodo­
bieństwa pewnej liczby przyjęć określonego dnia.
• Parametrem opisującym rozkład Poissona jest średnia,
tzn. przeciętna częstość fi.
• W rozkładzie Poissona średnia równa się wariancji.
• Jest to rozkład prawoskośny, gdy średnia jest mała,
lecz staje się coraz bardziej symetryczny, gdy średnia rośnie;
przybliża wtedy rozkład normalny.
8. Rozkłady teoretyczne: inne rozkłady 25
9 TRANSFORMACJE
DLACZEGO TRANSFORMOWAĆ?
Obserwacje w naszym badaniu mogą nie spełniać założeń
planowanej analizy statystycznej (rozdział 35).
• Zmienna może nie mieć rozkładu normalnego, co jest
założeniem dystrybucyjnym dla wielu różnych analiz.
• Rozrzut obserwacji w każdej z kilku grup może być
rozmaity (stalą wariancja jest założeniem o parametrze przy
porównywaniu średnich za pomocą testu f dla zmiennych
niepowiązanych i analizy wariancji; rozdziały 21-22).
• Dwie zmienne mogą nie być liniowo powiązane (linio­
wość jest założeniem w wielu analizach regresyjnych — roz­
działy 27-33 i 42).
Często pomocną rzeczą jest transformacja naszych da­
nych w celu spełnienia założeń leżących u podstaw propono­
wanych technik statystycznych.
JAK DOKONUJEMY TRANSFORMACJI?
Konwersja surowych danych na dane przetransformowane
polega na wykonaniu takich samych matematycznych transfor­
macji dla każdej obserwacji. Przypuśćmy, że mamy n obser­
wacji zmiennej y i stwierdzamy, że odpowied­
nia jest transformacja logarytmiczna. Bierzemy logarytm
z każdej obserwacji, tworząc: Jeżeli
oznaczymy zmienną transformowaną przez z, to z{ = dla
każdego i(i- 1, 2,..., n), a nasze zmienne przetransformowa­
ne można zapisać jako
Sprawdzamy, czy dzięki transformacji powstały dane
spełniające założenie planowanej analizy statystycznej (np.
przez wykreślenie histogramu przetransformowanych da­
nych, (patrz rozdział 35) i przystępujemy do ich analizy (zv
z 2 ; ..., zn). Często dokonujemy transformacji odwrotnej miar
podsumowujących (takich jak średnia) na oryginalną skalę
pomiarową; potem polegamy na wnioskach, wyciąganych
z testowania hipotez (rozdział 17) na danych przetransformo­
wanych.
26 Opracowywanie danych
TYPOWE TRANSFORMACJE
Transformacja logarytmiczna, z = log y
Jeżeli transformujemy dane logarytmicznie, możemy wybrać
podstawę logarytmu 10 (log10 y) lub naturalną e (loge y = In y,
logarytm Napera), lub dowolną inną podstawę, lecz musi ona
być jednakowa dla każdej wartości w zbiorze danych. Zwróć­
my uwagę, że nie możemy obliczyć logarytmu z liczb ujemnych
i zera. Transformacja odwrotna jest zwana antylogarytmowa-
niem; antylogarytm z logarytmu Napera jest eksponentą e.
• Jeżeli rozkład y jest prawoskośny, z= logy ma często
rozkład w przybliżeniu normalny (rycina 9.la). Wtedy y ma
rozkład lognormalny (rozdział 8).
• Jeżeli istnieje eksponencjalny związek między y i inną
zmienną x, tak że odpowiadająca mu krzywa skręca w górę,
gdy y (na osi pionowej) wykreślane jest w funkcji x (na osi
poziomej), wtedy związek między z- log y i r jest w przy-
bliżeniu liniowy (rycina 9. Ib).
• Przypuśćmy, że mamy różne grupy obserwacji, wszyat-
kie zawierające pomiary zmiennej ciągłej y. Można zauwa­
żyć, że grupy mające wyższe wartości y mają również więk­
sze wariancje. W szczególności, jeżeli współczynnik zmien­
ności zmiennej y (odchylenie standardowe podzielone przez
średnią) jest stały, transformacja logarytmiczna z = log y
wytworzy grupy mające zbliżone wariancje (rycina 9.1c).
W medycynie transformacja logarytmiczna jest często
stosowana z powodu jej logicznej interpretacji i dlatego, że
wiele zmiennych ma rozkłady prawoskośne.
Transformacja pierwiastkowania kwadratowego,
Transformacja ta ma właściwości zbliżone do właściwości
transformacji logarytmicznej, chociaż wyniki otrzymane po
jej przeprowadzeniu są bardziej skomplikowane w interpre­
tacji. Oprócz tego, że ma własności normalizacyjne i lineary-
zujące, pozwala również na stabilizację wariancji, jeżeli wa­
riancja rośnie ze wzrastającą wartością y, tj. gdy wariancja
podzielona przez średnią jest stała. Często stosujemy trans­
formację pierwiastkowania, jeżeli y jest liczbą rzadkich zda­
rzeń pojawiających się w czasie lub przestrzeni, tj. zmienną
Poissona (rozdział 8). Pamiętajmy, że nie możemy obliczyć
pierwiastka kwadratowego z liczby ujemnej.
Rycina 9.1. Efekty transformacji lo­
garytmicznej: (a) normalizacja, (b) li-
nearyzacja, (c) stabilizacja wariancji.
Rycina 9.2. Efekt transforma­
cji podnoszenia do kwadratu:
(a) normalizacja, (b) linearyza-
cja, (c) stabilizacja wariancji.

Transformacja hiperboliczna, z =1/y

Często stosujemy transformację hiperboliczna w przypadku
czasów przeżycia, z wyjątkiem sytuacji, gdy stosujemy spe­
cjalne techniki do ich analizy (rozdział 41). Transformacja
hiperboliczna ma własności podobne do własności transfor­
macji logarytmicznej. Oprócz tego, że ma właściwości norma­
lizujące i linearyzujące, jest ona bardziej efektywna w stabi­
lizacji wariancji niż transformacja logarytmiczna, jeżeli
wariancja rośnie znacznie ze wzrastającymi wartościami y,
np. gdy wariancja podzielona przez średnią jest wartością
stałą. Należy zwrócić uwagę, że nie można obliczyć odwrotno­
ści z zera.
2
Transformacja podnoszenia do kwadratu, z = y
Transformacja podnoszenia do kwadratu daje odwrotne wy­
niki niż transformacja logarytmiczna.
• Jeżeli rozkład y jest lewoskośny, rozkład z - y2 jest
często w przybliżeniu normalny (rycina 9.2a).
• Jeżeli związek między dwoma zmiennymi, x i y, jest ta­
ki, że krzywa skręca w stronę mniejszych wartości, gdy ry­
sujemy y w funkcji x, wtedy związek pomiędzy z=yz\ xjest
w przybliżeniu liniowy (rycina 9.2b).
• Jeżeli wariancja zmiennej ciągłej y ma tendencję do
spadku, gdy y rośnie, wtedy transformacja podnoszenia do
kwadratu z-y2 stabilizuje wariancję (rycina 9.2c).

Transformacja logitowa (logistyczna),

Tej transformacji używamy najczęściej do każdej proporcji

p w zbiorze proporcji. Gdy p - 0 lub p - 1, nie możemy wy­
konać transformacji logitowej, ponieważ odpowiadające war­
tości logitów wynoszą -~> i +», Wyjściem z tej sytuacji jest
wzięcie wartości p równej l/(2n) zamiast 0 oraz [1 - l/(2n)}
zamiast 1, gdzie n jest wielkością próby.
Transformacja ta linearyzuje krzywą sigmoidalną (ryci­
na 9.3). Zagadnienie użycia transformacji logitowej w anali­
zie regresji zostało omówione w rozdziale 30. Rycina 9.3. Efekt transformacji logitowej na krzywą sigmoidalną.

9. Transformacje 27
10 PRÓBKOWANIE I ROZKŁADY PRÓBKOWANIA
DLACZEGO DOKONUJEMY
PRÓBKOWANIA?
W statystyce populacja reprezentuje całą grupę obiektów,
którymi jesteśmy zainteresowani. Ogólnie, badanie całej po­
pulacji jest kosztowne i pracochłonne, a w niektórych przy­
padkach wręcz niemożliwe, ponieważ populacja może być hi­
potetyczna (np. pacjenci, którzy będą leczeni w przyszłości).
Dlatego zbieramy dane na temat próby obiektów, która jak
wierzymy, jest reprezentatywna dla tej populacji (tj. ma po­
dobną charakterystykę jak obiekty w populacji), i używamy
jej do wyciągania wniosków o populacji.
Gdy pobierzemy próbę z populacji, stwierdzimy, że infor­
macje na jej temat mogą nie w pełni odzwierciedlać to, co jest
prawdziwe dla populacji. Na skutek zbadania jedynie części
populacji popełniliśmy błąd próbkowania. W tym rozdziale
pokażemy, jak używać teoretycznych rozkładów prawdopodo­
bieństwa (rozdziały 7 i 8) do kwantyfikacji tego błędu.
OTRZYMYWANIE
PRÓBY REPREZENTATYWNEJ
Ideałem jest uzyskanie próby losowej. Tworzona jest lista
wszystkich obiektów w populacji (operat losowania) i z tej
listy wybierane są losowo obiekty, co oznacza, że każda
możliwa próba o określonej liczebności ma takie samo praw­
dopodobieństwo, by być wybraną z populacji. Czasami może­
my mieć trudności ze stworzeniem takiej listy lub związane
z tym koszty są zbyt duże i wtedy pobieramy próbę dogod­
ną. Na przykład, gdy badamy pacjentów z określonym sta­
nem klinicznym, możemy wybrać pojedynczy szpital i badać
w nim niektórych lub wszystkich pacjentów w tym stanie.
Bardzo rzadko stosuje się schematy nielosowe, takie jak pró­
by kwotowe lub próbkowanie systematyczne. Chociaż opisa­
ne w tej książce testy statystyczne zakładają, że obiekty
w próbie zostały wybrane w sposób losowy, dają one ogólnie
sensowne wyniki tak długo, jak długo próba pozostaje repre­
zentatywna dla populacji.
ESTYMATORY PUNKTOWE
Często jesteśmy zainteresowani wartością parametru w po­
pulacji (rozdział 7), np. średnią lub proporcją. Parametry
oznacza się zwykle literami alfabetu greckiego. Na przykład,
średnią populacyjną oznaczamy literą fi, a populacyjne od­
chylenie standardowe literą o. Wartość parametru oszacowu­
jemy przy użyciu danych zebranych w próbie. Oszacowanie
to określa się jako statystykę próby lub estymator punkto­
wy parametru (tj. przyjmujący pojedynczą wartość), w prze­
ciwieństwie do estymatora przedziałowego (rozdział 11),
który przyjmuje zakres wartości.
WARIANCJA PRÓBKOWANIA
Jeżeli pobierzemy z populacji powtarzane próby tej samej
wielkości, to jest rzeczą nieprawdopodobną, aby estymatory
28 Próbkowanie i estymacja
parametru populacyjnego były w każdej próbie dokładnie ta­
kie same. Jednakże nasze parametry powinny być zbliżone
do prawdziwej wartości parametru w populacji i podobne je­
den do drugiego. Kwantyfikując zmienność tych estymato­
rów, otrzymamy informację o dokładności naszego estymato­
ra i dzięki temu możemy oszacować błąd próbkowania.
W rzeczywistości zwykle pobieramy tylko jedną próbę
z populacji Nadal jednak możemy robić użytek z naszej teo­
retycznej wiedzy o estymatorach próby, aby wyciągać wnio­
ski o parametrze w populacji.
PRÓBKOWANIE ROZKŁADU ŚREDNIEJ
Wyobraźmy sobie, że jesteśmy zainteresowani estymacją
średniej populacyjnej; możemy wielokrotnie pobrać z popu­
lacji próby o liczebności n i z każdej próby estymować śred­
nią. Histogram estymatorów tych średnich pokaże ich roz­
kład (rycina 10.1); jest to rozkład próbkowania średniej.
Możemy wykazać, że:
• Jeżeli wielkość próby jest wystarczająco duża, estyma­
tory średniej podlegają rozkładowi normalnemu, jakikol­
wiek byłby rozkład oryginalnych danych w populacji (wyni­
ka to z twierdzenia znanego jako Centralne Twierdzenie
Graniczne).
• Jeżeli próba jest mała, to estymatory średniej podlega­
ją rozkładowi normalnemu, gdy dane w populacji podlegają
rozkładowi normalnemu.
• Średnia z estymatorów jest nieobciążonym estymato­
rem prawdziwej średniej w populacji, tj. średnia estymato­
rów równa jest prawdziwej średniej populacyjnej.
• Zmienność rozkładu mierzona jest odchyleniem stan­
dardowym estymatorów; jest ona znana jako błąd standar­
dowy średniej (często oznaczany jako SEM). Jeżeli znamy
odchylenie standardowe w populacji (o), wtedy błąd standar­
dowy średniej jest równy:
SEM =
Jeżeli mamy tylko jedną próbę, a tak jest zazwyczaj, na­
szym najlepszym estymatorem średniej populacyjnej jest
średnia próby i ponieważ rzadko kiedy znamy odchylenie
standardowe w populacji, oszacowujemy błąd standardowy
średniej jako:
SEM =
gdzie s jest odchyleniem standardowym obserwacji w próbie
(rozdział 6). SEM określa miarę dokładności naszego estyma­
tora.
Interpretacja błędów standardowych
• Duży błąd standardowy wskazuje, że estymator jest nie­
precyzyjny.
• Mały błąd standardowy wskazuje, że estymator jest
precyzyjny. Błąd standardowy jest zmniejszony, tj. otrzymu­
jemy wyższą precyzję estymatora, gdy:
• zwiększymy wielkość próby (rycina 10.1);
• dane mają mniejszą zmienność.
SD CZY SEM?
Chociaż oba parametry wyglądają podobnie, są używane do
różnych celów. Odchylenie standardowe opisuje zmiany war­
tości danych i powinno być używane, gdy chcemy ilustrować
ich zmienność. W przeciwieństwie do tego, błąd standardowy
opisuje precyzję estymacji średniej w próbie i powinien być
używany, gdy jesteśmy zainteresowani średnią w zbiorze da­
nych.
gdzie r jest liczbą obiektów w próbie posiadających pewną
własność. Jeżeli wielokrotnie losujemy z naszej populacji pró­
by o wielkości n i wykreślamy estymator proporcji w postaci
histogramu, to rozkład próbkowania proporcji będzie
w przybliżeniu rozkładem normalnym z wartością średnią n.
Odchylenie standardowe tego rozkładu estymowanych pro­
porcji jest błędem standardowym proporcji. Jeżeli losujemy
tylko pojedynczą próbę, jest on określany przez wyrażenie:

PRÓBKOWANIE ROZKŁADU PROPORCJI

Czasem jesteśmy zainteresowani proporcją obiektów w po­
pulacji, które mają pewną własność. Gdy losujemy z popula­
cji próbę o wielkości n, naszym najlepszym estymatorem Podaje ono miarę precyzji naszego estymatora n\ mała
p proporcji w populacji n jest: wartość błędu standardowego oznacza dokładny estymator.

PRZYKŁAD

Rycina 10.1. la) Teoretyczny rozkład normalny log10 (poziomów trójglicerydów), ze średnią = 0,31 log10 (mmol/L) i odchyleniem stan­
dardowym = 0,24 log]0 (mmol/L), oraz obserwowane rozkłady średnich 100 próbek losowych o wielkościach: (b) 10, (c) 20 i (d) 50, po­
chodzących z tfgo rozkładu teoretycznego.

10. Próbkowanie i rodzaje próbkowania 29

11 PRZEDZIAŁY UFNOŚCI
Gdy wylosowaliśmy próbę z naszej populacji, otrzymaliśmy
estymator punktowy (rozdział 10) interesującego nas para­
metru i wyznaczyliśmy błąd standardowy w celu określenia
jego dokładności. Jednakże dla większości ludzi błąd stan­
dardowy nie jest sam w sobie szczególnie interesujący. Bar­
dziej przydaje się włączenie tej miary dokładności do esty­
matora przedziałowego parametru populacji. Robimy to,
wykorzystując naszą wiedzę na temat teoretycznego rozkła­
du statystyki próby w celu obliczenia przedziału ufności dla
tego parametru. Ogólnie przedział ufności rozciąga się po
każdej stronie estymatora pewną wielokrotność odchylenia
standardowego; te dwie wartości (granice przedziału ufno­
ści), które go definiują, są zwykle rozdzielane przecinkiem,
myślnikiem lub słowem „do" i ujęte w nawiasy.
PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ
Użycie rozkładu normalnego
W rozdziale 10 stwierdziłyśmy, że średnia próby podlega
rozkładowi normalnemu, jeżeli próba jest duża. Dlatego, gdy
ro2ważamy średnią próby, możemy zrobić użytek z właści­
wości rozkładu normalnego. W szczególności chodzi o fakt,
że 95% rozkładu średnich próby leży w obrębie 1,96 odchy­
lenia standardowego (SD) średniej populacyjnej. To odchyle­
nie standardowe nazywamy błędem standardowym średniej
(SEM), W przypadku pojedynczej próby 95% przedział ufno­
ści (CI) dla średniej określamy jako:
od: średnia próby - (1,96 x SEM),
do: średnia próby + (1,96 x SEM).
Jeżeli powtórzymy eksperyment wielokrotnie, zakres ten
będzie zawierał prawdziwą średnią populacyjną w 95% sytu­
acji. Zakres ten jest znany jako 95% przedział ufności dla
średniej. Zazwyczaj interpretujemy taki przedział ufności ja­
ko zakres wartości, wewnątrz którego z prawdopodobień­
stwem 95% leży prawdziwa średnia populacyjna. Chociaż nie
jest to w pełni poprawne (jako że średnia populacyjna jest
wartością ustaloną i dlatego nie może mieć wyznaczonego
prawdopodobieństwa), będziemy jednak interpretować prze­
dział ufności w ten właśnie sposób, gdyż jest on łatwiejszy
do zrozumienia pod względem pojęciowym.
Użycie rozkładu t
Ściśle rzecz biorąc, do obliczeń powinniśmy użyć rozkładu
normalnego wtedy, gdy znamy wariancję a2 w populacji. Co
więcej, jeżeli próba jest mata, średnia próby podlega rozkła­
dowi normalnemu jedynie wtedy, gdy dane w populacji ma­
ją rozkład normalny. Jeżeli dane nie mają rozkładu normal­
nego i/lub nie znamy wariancji w populacji, lecz jedynie
estymujemy ją przez s 2 , średnia próby podlega rozkładowi
t (rozdział 8). Wyznaczamy wtedy 95% przedział ufności dla
średniej jako:
od: średnia próby — (f0 05 x SEM),
do: średnia próby + (f005 x SEM)),
30 Próbkowanie i estymacja
tj. średnia próby ±
gdzie t0 05 jest punktem procentowym (percentylem) rozkła­
du tz(n- 1) stopniami swobody, co daje dwustronne praw­
dopodobieństwo (rozdział 17) równe 0,05 (Dodatek A2). Ogól­
nie powoduje to nieco szerszy przedział ufności niż w przy­
padku użycia rozkładu normalnego, co pozwala uwzględnić
dodatkową niepewność, którą wprowadziliśmy przez oszaco­
wanie populacyjnego odchylenia standardowego i/lub która
wynika z tego, że próba jest mała. W przypadku dużej próby
różnicę między oboma rozkładami można zaniedbać. Dlatego,
gdy obliczamy przedziały ufności dla średniej, zawsze, na­
wet gdy próba jest duża, używamy rozkładu t.
Zgodnie z konwencją zwykle stosujemy 9596 przedziały
ufności Możemy jednak wyznaczyć także inne pr2edziały uf­
ności, np. 99% przedział ufności dla średniej. Zamiast mno­
żenia błędu standardowego przez stabelaryzowaną wartość
rozkładu t odpowiadającą prawdopodobieństwu 0,05, mno­
żymy go wtedy przez wartość odpowiadającą dwustronnemu
prawdopodobieństwu 0,01. 99% przedział ufności jest szer­
szy niż 95%, co odzwierciedla większą ufność co do tego, 26
zakres zawiera prawdziwą średnią populacyjną.
PRZEDZIAŁY UFNOŚCI DLA PROPORCJI
Rozkład próbkowania proporcji przypomina rozkład dwu­
mianowy (rozdział 8). Jednakże gdy próba n jest wystarcza­
jąco duża, wtedy rozkład próbkowania proporcji jest w przy­
bliżeniu rozkładem normalnym ze średnią n. Oszacowuje­
my n jako proporcję w próbie p = r/n (gdzie r jest liczbą
obiektów w próbie z określoną własnością), a jego błąd
standardowy określa się jako y (rozdział 10).
95% przedział ufności dla proporcji wyznacza się w na­
stępujący sposób:
Jeżeli próba jest mata (zwykle gdy np lub n[l -p\ jest
mniejsze niż 5), musimy użyć do wyznaczenia dokładnych
przedziałów ufności rozkładu dwumianowego 1. Należy zwró­
cić uwagę, że jeżeli p jest wyrażone w procentach, zastępu­
jemy (1 - p) przez (100 - p).
INTERPRETACJA PRZEDZIAŁÓW UFNOŚCI
Kiedy interpretujemy przedział ufności, jesteśmy zaintereso­
wani paroma problemami.
• Jak jest szeroki? Szeroki przedział wskazuje, że esty­
mator jest niedokładny. Szerokość przedziału ufności zależy
od wielkości błędu standardowego średniej, który z kolei za­
leży od wielkości próby i, gdy rozważamy zmienną nume-
1
Diem K.: Documenta Geigy Scientifw Tables. Blackwell Publłshing,
Oxford 1970.
ryczną, od zmienności danych. Dlatego matę badania na da­
nych o dużej zmienności dają szersze przedziały ufności niż
większe badania z mniej zmiennymi danymi.
• Jakie z tego można wyciągnąć wnioski kliniczne?
Górna i dolna granica zapewniają określenie, czy wyniki są
klinicznie istotne (patrz przykład).
• Czy zawiera szczególnie interesujące wielkości? Mo­
żemy sprawdzić, czy hipotetyczna wartość dla parametru po­
pulacyjnego wpada do przedziału ufności. Jeżeli tak, to nasze
wyniki są zgodne z wartością hipotetyczną. Jeżeli nie, wtedy
jest nieprawdopodobne, aby parametr miał taką wartość (dla
95% przedziału ufności szansa wynosi co najwyżej 5%).
LICZBA STOPNI SWOBODY
W statystyce spotyka się określenie „liczba stopni swobody".
Ogólnie można je wyznaczyć jako wielkość próby minus licz­
ba ograniczeń w określonych obliczeniach; ograniczenia te
mogą być parametrami, które mamy wyznaczyć. Jako prostą
ilustrację tego zagadnienia rozważmy zespół trzech liczb,
które dają sumę (T). Dwie z tych liczb mogą „swobodnie"
przyjąć dowolną wielkość, podczas gdy trzecia jest ustalona
przez ograniczenia nałożone przez 71 Dlatego liczby mają
PRZYKŁAD
Przedział ufności dla średniej
Chcemy wyznaczyć średni wiek podczas pierwszego poro­
du u kobiet z zaburzeniami krwawienia. W próbie mamy
49 takich kobiet (rozdział 2):
Średni wiek w chwili porodu x - 27,01 lat.
Odchylenie standardowe s = 5,1282 lat.
Błąd standardowy SEM = = 0,7326 lat.
Zmienna ma w przybliżeniu rozkład normalny, ale po­
nieważ wariancja jest nieznana, do wyznaczenia przedzia­
łu ufności używamy rozkładu t. 95% przedział ufności dla
średniej wynosi:
27,01 ± (2,011 x 0,7326) = (25,54, 28,48) lat,
gdzie 2,011 jest punktem procentowym rozkładu t
z (49 - 1) = 48 stopniami swobody dającym dwustronne
prawdopodobieństwo równe 0,05 (Dodatek A2).
Jesteśmy na 95% pewni, że prawdziwy wiek średni
przy pierwszym porodzie w populacji kobiet z zaburzenia­
mi krzepnięcia wynosi pomiędzy 25,54 i 28,48 lat. Ten
przedział jest całkiem wąski, co wskazuje na to, że esty­
mator jest dokładny. W całej populacji w roku 1997 śred­
ni wiek przy pierwszym porodzie wynosił 26,8 lat. Jako że
26,8 wpada do naszego przedziału ufności, nie ma dowodu
na to, że kobiety z zaburzeniami krzepnięcia rodzą dzieci
w starszym wieku niż pozostałe.
Należy zwrócić uwagę, że 99% przedział ufności (25,05,
2H,97 lat) jest nieco szerszy niż przedział 95%, co odzwier­
ciedla zwiększony poziom ufności, że średnia leży w prze­
dziale.
dwa stopnie swobody. Podobnie, liczba stopni swobody wa­
riancji próby (rozdział 6), jest równa wielko­
ści próby minus jeden, ponieważ w celu obliczenia s2 musi­
my obliczyć średnią próby (x), czyli estymator średniej po­
pulacyjnej.
BOOTSTRAPPING
Bootstrappingjest procesem komputerowej intensywnej sy­
mulacji, który możemy wykorzystać w celu otrzymania prze­
działu ufności dla parametru, jeżeli nie chcemy przyjmować
założeń na temat rozkładu próbkowania jego estymatora (np.
rozkładu normalnego dla średniej próby). Z próby oryginalnej
tworzymy wielką liczbę próbek losowych (zwykle co naj­
mniej 1000), wszystkie o tej samej wielkości co próba orygi­
nalna, poprzez próbkowanie ze zwracaniem, tzn. pozwalając
obiektowi, który został wybrany, na ponowne włączenie do
losowania, tak że obiekt może być wybrany więcej niż raz
w danej próbie. Każda próba dostarcza estymator parame­
tru, a zmienność rozkładu tych estymatorów wykorzystywa­
na jest do uzyskania przedziału ufności dla parametru (np.
percentyle 2,5 oraz 97,5 dają 95% przedział ufności).
Przedział ufności dla proporcji
27 (42,2%) spośród 64 włączonych do badania kobiet zgła­
szało, że co najmniej raz w tygodniu mają krwawienie
z dziąseł. Jest to stosunkowo wysoki procent i może służyć
jako sposób identyfikacji nie zdiagnozowanych kobiet z za­
burzeniami krwawienia w całej populacji. Obliczamy 95%
przedział ufności dla proporcji kobiet z krwawiącymi dzią­
słami w populacji.
Proporcja w próbie = 27/64 = 0,422.
Błąd standardowy proporcji = =0,0617.
95% przedział ufności = 0,422 ± (1,96 x 0,0617) =
= (0,301, 0,543).
Jesteśmy pewni na 95%, że prawdziwy procent kobiet
z zaburzeniami krwawienia w populacji, które doświad­
czyły krwawienia z dziąseł, leży pomiędzy 30,1% i 54,3%.
Jest to całkiem szeroki przedział ufności, sugerujący małą
dokładność; większa próba pozwoli nam uzyskać bardziej
dokładny estymator. Jednakże zarówno górna, jak i dolna
granica tego przedziału ufności wskazują na to, że duża
część tych kobiet miała prawdopodobnie krwawienie
z dziąseł. Musimy więc zdobyć oszacowanie częstości tych
dolegliwości w całej populacji, zanim wyciągniemy jakie­
kolwiek wnioski o wykorzystaniu tej wartości w diagnozo­
waniu kobiet z zaburzeniami krzepnięcia.
11. Przedziały ufności 31
12 PLANOWANIE BADANIA I

Zaplanowanie badania jest nadzwyczaj ważne, gdyż badania
źle zaprojektowane mogą dać mylące rezultaty. Duża liczba
danych ze słabego badania nie zrekompensuje problemów
związanych z tym, jak zostało zaprojektowane. W tym roz­
dziale oraz w rozdziale 13 przedyskutujemy główne aspekty
planowania badania. W rozdziałach 14-16 omówimy specy­
ficzne typy badań: badania kliniczne, kohortowe i przypa-
dek-kontrola.
Na samym początku należy jasno sformułować cel każde­
go badania. Możemy chcieć oszacować parametr w populacji,
taki jak ryzyko wystąpienia jakiegoś zdarzenia (rozdział 15),
rozpatrywać związek między określonym czynnikiem etiolo­
gicznym a wynikiem badania lub zbadać efekt jakiegoś zabie­
gu (takiego jak nowy sposób leczenia). Istnieje wiele możli­
wych sposobów planowania każdego takiego badania.
Ostateczny wybór schematu będzie zależał nie tylko od ce­
lów, lecz także od dostępnych źródeł i argumentów etycznych
(patrz tablica 12.1).
BADANIA EKSPERYMENTALNE
CZY OBSERWACYJNE
• Badania eksperymentalne mają taki charakter, że in­
terwencja badacza może w pewien sposób wpływać na wy­
nik. Badania kliniczne (rozdział 14) są przykładem badań
eksperymentalnych, w których eksperymentator wprowadza
pewien sposób leczenia. Należą do nich również badania ze
zwierzętami lub badania laboratoryjne, które przeprowadza­
ne są w warunkach eksperymentalnych. Badania ekspery­
mentalne dostarczają najbardziej przekonujących dowodów
dla każdej hipotezy, gdyż ogólnie rzecz biorąc, pozwalają na
kontrolę czynników, które mogą wpływać na wynik. Jednak­
że nie zawsze badania te są wykonalne, a gdy angażują lu­
dzi albo zwierzęta, mogą być nieetyczne.
• Badania obserwacyjne, na przykład kohortowe (rozdział
15) lub badania przypadek-kontrola (rozdział 16), polegają na
tym, że badacz nie robi niczego, co mogłoby wpłynąć na wy­
nik, lecz po prostu obserwuje zdarzenia. Badania te mogą do­
starczyć mniej informacji niż badania eksperymentalne, po­
nieważ często nie mamy możliwości kontrolowania wszystkich
czynników zaburzających wynik. Jednakże, w pewnych sytu­
acjach, mogą one być jedynym sposobem badania, który jest
pomocny lub możliwy. Badania epidemiologiczne, określają­
ce związek między interesującymi czynnikami a chorobą
w populacji są badaniami obserwacyjnymi.

Tablica 12.1. Schematy badań.

Typ badania Procedura Forma Postępowanie Postępowanie Postępowanie Typowe
czasowa w przeszłości w chwili obecnej w przyszłości wykorzystanie

Przekrojowe Przekro­ Obser­ Zebranie • Oszacowanie rozpowszech­

jowe wacyjne wszystkich nienia
informacji • Zakresy odniesienia i testy
diagnostyczne
• Obecny stan zdrowia grupy

Powtarzane Przekro­ Obser­ Zebranie Zebranie Zebranie • Zmiany w czasie

przekrojowe jowe wacyjne wszystkich wszystkich wszystkich
informacji informacji informacji

Kohortowe Longitu- Obser­ Zdefiniowanie Obserwacja • Prognoza i wywiad choro­

(Rozdział 15) dinalne wacyjne kohorty i osza­ Upływ wyników bowy (co stanie się z kimś,
(prospe­ cowanie czyn­ czasu kto teraz choruje)
ktywne) ników ryzyka • Etiologia

Przypadek- Longitu- Obser­ Oszaco­ Zdefiniowanie • Etiologia (zwłaszcza dla

-kontrola dinalne wacyjne wanie Informacje przypadków rzadkich chorób)
(Rozdział 16) (retrospe­ czyn­ z literatury i zmiennych
ktywne) ników lub doku­ kontrolowanych
ryzyka mentacji (tj. rezultatów)
medycznej

Ekspory- Longitu- Ekspery­ Stosowany Obserwacja • Badanie kliniczne dla oceny

ment dinalne mentalne zabieg Upływ wyników leczenia (rozdział 14)
(prospe­ czasu • Próba określenia miary
ktywne) zapobiegania, np. ocena
szczepionki na wielką skalę
• Eksperyment laboratoryjny

32 Planowanie badania
OKREŚLENIE PRZYCZYNOWOŚCI
W BADANIACH OBSERWACYJNYCH
Chociaż najbardziej przekonujący dowód na sprawczą rolę
czynnika w chorobie zwykle pochodzi z badań eksperymen­
talnych, można również wykorzystać informację z badań ob­
serwacyjnych przy założeniu, że spełnione są pewne kryte­
ria. Najbardziej znane kryteria określania przyczynowości
1
zostały zaproponowane przez Hilla .
• Przyczyna musi poprzedzać skutek.
• Związek powinien być wiarogodny, tzn. wyniki powin­
ny być sensowne pod względem biologicznym.
• Wyniki z wielu źródeł powinny być ze sobą zgodne.
• Związek między przyczyną a skutkiem powinien być
silny.
• W odniesieniu do skutku powinien występować zwią­
zek typu dawka-odpowiedź, tzn. wyższe poziomy oddziały­
wania powinny prowadzić do cięższych chorób lub bardziej
gwałtownego napadu choroby.
• Usunięcie badanego czynnika powinno zmniejszać ry­
zyko wystąpienia choroby.
BADANIA PRZEKROJOWE
LUB LONGITUDINALNE
• Badania przekrojowe wykonywane są w konkretnym
momencie. Należą do nich przegląd literatury i spisy ludno­
ści w populacji. Są one szczególnie przydatne w oszacowaniu
punktowego rozpowszechnienia warunków w populacji.
Liczba osobników z chorobą
Rozpowszechnię- _ w konkretnym momencie
nie punktowe Całkowita liczba badanych
w tym samym momencie
Ponieważ nie wiemy, jaka była kolejność zdarzeń przed
badaniem, możemy jedynie powiedzieć, że istnieje związek
między interesującym nas czynnikiem i chorobą, natomiast
nie możemy stwierdzić, że chorobę najprawdopodobniej wy­
wołał ten czynnik. Co więcej, nie możemy oszacować zacho­
rowalności, tzn. tempa wzrostu nowych zdarzeń w określo­
nym okresie czasu (rozdział 31). Dodatkowo, ponieważ
badania przekrojowe są przeprowadzane tylko w jednym mo­
mencie, nie możemy badać trendów czasowych. Badania te są
jednak z reguły szybkie i tanie.
• Powtarzane badania przekrojowe mogą być przepro­
wadzane w różnych momentach w celu oszacowania trendu
czasowego.
Ponieważ jednak w badaniach tych włącza się różne gru­
py osobników w różnych momentach, mogą wystąpić trudno-
1 wprowadzenia zdrowych osób do badania (rozdział 15),
Hill A. B.: The erwironment and disease: association or causation?
Proceedings of the Royal Society of Medicine, 1965, 58, 295.
ści ze stwierdzeniem, czy zmiany w czasie po prostu nie od­
zwierciedlają istniejących różnic między grupami badanych
osobników.
• Badania longitudinalne polegają na śledzeniu próby
osobników w czasie. Z reguły są badaniami prospektywny­
mi, w których obiekty obserwuje się od pewnego momentu
(rozdział 15). Czasami badania retrospektywne, w których
wybiera się osobników i identyfikuje czynniki (rozdział 16),
jakie pojawiły się w przeszłości, również są traktowane jako
longitudinalne. Badania longitudinalne trwają z reguły dłu­
żej niż badania przekrojowe, więc wymagają więcej zasobów
i jeżeli polegają na pamięci pacjenta lub na rejestrach medycz­
nych, mogą podlegać obciążeniu (zob. koniec tego rozdziału).
Badania eksperymentalne są na ogół prospektywne, gdyż
analizują wpływ interwencji na wynik, który pojawi się
w przyszłości. Jednakże badania obserwacyjne mogą być za­
równo prospektywne, jak i retrospektywne.
GRUPY KONTROLNE
Użycie grup porównawczych lub grup kontrolnych jest rze­
czą istotną przy planowaniu badania i interpretowaniu ja­
kichkolwiek jego wyników. Na przykład, kiedy oceniamy
przyczynową rolę określonego czynnika w wystąpieniu cho­
roby, ryzyko choroby powinno być oceniane zarówno u nara­
żonych, jak i nienarażonych na interesujący czynnik (rozdzia­
ły 15 i 16). Patrz także „Porównywanie sposobów leczenia"
w rozdziale 14.
BŁĄD SYSTEMATYCZNY
Mówimy, że pojawił się błąd systematyczny (obciążenie), gdy
występuje stała różnica między wynikami badania a praw­
dziwym stanem rzeczy. Można wyróżnić następujące rodza­
je błędu systematycznego:
• Błąd systematyczny obserwatora — pewien obserwator
konsekwentnie niedocenia lub przecenia określoną zmienną;
• Błąd systematyczny uwikłania — przypadkowe związ­
ki wynikają z powodu błędu pełnego dopasowania czynników
związanych zarówno z czynnikiem ryzyka, jak i z wynikiem
(patrz rozdział 34);
• Błąd systematyczny doboru — pacjenci wybrani do ba­
dania nie są reprezentatywni dla populacji, do której będą
odnoszone wyniki badania;
• Błąd systematyczny informacyjny — pomiary rejestro­
wane są nieprawidłowo w systematyczny sposób;
• Błąd systematyczny publikacyjny — tendencja do pu­
blikowania wyłącznie tych prac, które donoszą o wynikach
pozytywnych lub lokalnych.
Inne błędy systematyczne mogą na przykład być spowo­
dowane przez odwołania do pamięci (rozdział 16), efekt
oszacowanie (rozdział 14) oraz przydział (rozdział 14).
12. Planowanie badania I 33
13 PLANOWANIE BADANIA II
ZMIENNOŚĆ
Zmienność w danych może być spowodowana przez znane
czynniki, błędy pomiarowe lub przez niewyjaśnioną zmien­
ność losową. Wpływ zmienności w danych na oszacowanie
parametru populacyjnego mierzymy przy użyciu błędu stan­
dardowego (rozdział 10). Gdy pomiar zmiennej podlega
znacznym zmianom, estymatory związane z tą zmienną będą
niedokładne, z dużymi błędami standardowymi. Oczywiście,
pożądane jest zredukowanie wpływu zmienności tak dalece,
jak to możliwe, a przez to zwiększenie dokładności naszych
estymatorów. Można tego dokonać na różne sposoby.
POWTARZANIE
Estymatory są bardziej dokładne, jeżeli pomiary się powta­
rza (np. dwa lub trzy pomiary danej zmiennej dla każdego
obiektu w każdej sytuacji). Jednakże, ponieważ pomiary po­
wtarzane nie są niezależne, musimy uważać przy analizie
tych danych. Prostym podejściem do takich wyników jest
użycie w analizie średniej z każdego zbioru pomiarów po­
wtarzanych zamiast pomiarów oryginalnych. Możemy rów­
nież użyć metod, które w specyficzny sposób przetwarzają
pomiary powtarzane (patrz rozdziały 41 i 42).
WIELKOŚĆ PRÓBY
Wybór odpowiedniej wielkości próby jest krytycznym punk­
tem planowania badania. Przy zwiększonej próbie błąd stan­
dardowy estymatora jest redukowany, co prowadzi do
zwiększonej dokładności i mocy badania (rozdział 18). Obli­
czenia wielkości próby (rozdział 36) powinny być przeprowa­
dzone przed rozpoczęciem badania.
SZCZEGÓLNE MODELE BADAŃ
Modyfikacje prostych planów badań mogą prowadzić do uzy­
skania bardziej precyzyjnych estymatorów. Zasadniczo po­
równujemy wpływ jednego lub więcej sposobów oddziały­
wania (np. leczenia) na jednostki doświadczalne. Jednostka
doświadczalna jest najmniejszą grupą obiektów, które moż­
na traktować w analizie jako niezależne, na przykład kon­
kretny pacjent, próbka krwi lub piat skóry. Jeżeli jednostki
eksperymentalne są losowo (tzn. przypadkowo) przyporząd­
kowane do sposobów oddziaływania (rozdział 14) i nie ma
Żadnych dalszych udoskonaleń schematu badania, mamy do
czynienia z projektem całkowicie zrandomizowanym. Cho­
ciaż poddaje się on analizie w sposób bezpośredni, jest nie-
wydajny w przypadku znaczącej zmienności między jednost­
kami doświadczalnymi. W tej sytuacji możemy zastosować
blokowanie i/lub użyć projektu naprzemiennego (metoda
cross-over) w celu zredukowania wpływu tej zmienności.
Blokowanie
Często istnieje możliwość zgrupowania jednostek doświad­
czalnych, które mają podobne charakterystyki, w jednorod­
34 Planowanie badania
ne bloki lub warstwy (np. bloki mogą reprezentować różne
grupy wiekowe). Zmienność między jednostkami w bloku
jest mniejsza niż między jednostkami z różnych bloków. Jed­
nostki wewnątrz każdego bloku są losowo przydzielane do
sposobów oddziaływania; porównujemy więc raczej oddzia­
ływania w obrębie każdego bloku, niż dokonujemy całościo­
wego porównania pomiędzy obiektami w różnych blokach.
Przez to możemy bardziej precyzyjnie określić efekty oddzia­
ływania, niż zrobilibyśmy to bez blokowania.
Projekty równoległe a naprzemienne (rycina 13.1)
Ogólnie, porównujemy obiekty w różnych grupach. Na przy­
kład, większość badań klinicznych (rozdział 14) to badania
równoległe, w których każdy pacjent otrzymuje jedno
z dwóch (lub sporadycznie więcej) porównywanych typów le­
czenia, tj. polegają one na porównaniach między osobnikami.
Ponieważ zazwyczaj istnieje mniejsza zmienność w po­
miarach jednego osobnika niż pomiędzy różnymi osobnikami
(rozdział 6), w pewnych sytuacjach możemy woleć wykorzy­
stanie każdego osobnika jako jego/jej własną kontrolę. Te
porównania w obrębie osobnika (wewnątrzosobnicze) zapew­
niają porównania bardziej dokładne niż te uzyskane z pro­
jektów między osobnikami (międzyosobnicze) i wymagają
mniejszej liczby osobników dla osiągnięcia takiego samego
stopnia dokładności. W badaniach klinicznych projekt na­
przemienny1 jest przykładem porównań wewnątrzosobni-
czych; jeżeli istnieją dwa schematy leczenia, każdy osobnik
otrzymuje oba, jeden po drugim w porządku losowym, co po­
zwala wyeliminować jakikolwiek efekt kalendarzowy. Okre­
sy leczenia są rozdzielone przez okres wymywania, który
pozwala na rozproszenie jakichkolwiek efektów resztkowych
(przeniesienia) z poprzedniego schematu leczenia. Dla każ­
dego osobnika analizujemy różnicę w odpowiedziach na le­
czenie w każdym ze schematów. Schemat może być użyty tyl­
ko wtedy, gdy leczenie znosi symptomy chwilowo, a nie
doprowadza do wyleczenia, oraz czas odpowiedzi nie jest
wydłużony.
Eksperymenty czynnikowe
Jeżeli jesteśmy zainteresowani więcej niż jednym czynni­
kiem, osobne badania, z których każde określa wpływ jedne­
go zmieniającego się czynnika, mogą być nieefektywne
i kosztowne. Projekty czynnikowe pozwalają na równocze­
sną analizę większej liczby czynników podlegających bada­
niu. Najprostszy schemat, eksperyment czynnikowy 2 x 2 ,
bierze pod uwagę dwa czynniki (np. dwa różne schematy le­
czenia), każdy rozważany na dwóch poziomach (np. leczenie
aktywne lub nieaktywne). Jako przykład można podać bada­
nie US Physicians Health2, zaprojektowane dla stwierdzenia
1
Senn, S.: Cross-cwer Trials in Clinical Research. Wiley, Chichester
1993.
2
Steering Committee of the Physicians Health Study Research Gro­
up: Finał report of the aspirin component of the on-going Physicians
Health Study. New England Journal of Medicine, 1989, 321, 129-135.
stopnia przydatności aspiryny i beta-karotenu w zapobiega­ Oceniamy efekt poziomu beta-karotenu przez porównanie
niu chorobom serca i nowotworom. Użyto w nim schematu pacjentów z lewej kolumny z tymi z prawej kolumny. Podob­
czynnikowego 2 x 2 z dwoma czynnikami będącymi dwoma nie możemy ocenić efekt poziomu aspiryny przez porównanie
różnymi związkami i dwoma poziomami każdego z nich, pacjentów w górnym wierszu z tymi z dolnego wiersza. Do­
wskazującymi, czy lekarz otrzyma! związek aktywny, czy je­ datkowo możemy ocenić, czy oba czynniki wchodzą w inte­
go placebo (patrz rozdział 14). Tablica 13.1 pokazuje możliwe rakcję, tzn. czy efekt poziomu beta-karotenu jest różny dla
kombinacje leczenia. dwóch poziomów aspiryny.
Jeżeli efekty się różnią, mówimy, że istnieje interakcja
między dwoma czynnikami (rozdział 34). W tym przypadku
interakcja sugerowałaby, że kombinacja aspiryny i beta-ka­
Tablica 13.1. Kombinacje aktywnego leczenia. rotenu razem wziętych jest bardziej (lub mniej) efektywna,
Beta-karoten niż moglibyśmy się spodziewać z prostego dodawania osob­
Aspiryna Nie Tak nych efektów każdego leku. Schemat ten pozwala więc uzy­
skać dodatkową informację w stosunku do dwóch osobnych
Nie Żaden Beta-karoten badań i jest bardziej efektywnym sposobem wykorzystania
Tak Aspiryna Aspiryna + beta-karoten zasobów informacji, gdyż wymaga mniej licznej próby dla
uzyskania estymatorów o określonym stopniu dokładności.

(a)Równolegty

Populacja

Stosowanie Ocena
terapii odpowiedz,

Porównanie
Ocena odpowiedzi
Próba wstępna
(między
pacjentami)
Stosowanie Ocena
leczenia odpowiedzi.
kontrolnego

(b) Naprzemienny
Porównanie odpowiedzi
(w obrębie pacjentów)
Populacja

Stosowanie Stosowanie
Ocena ' Ocena ł
terapii leczenia
odpowiedzi. odpowiedzi.
washout kontrolnego

Ocena
Próba wstępna

Stosowanie Ocena N washout Stosowanie Ocena

leczenia odpowiedzi. terapii odpowiedzi
kontrolnego

Porównanie odpowiedzi
(w obrębie pacjentów)
Rycina 13.1. Schematy (a) równoległy oraz (b) naprzemienny.

13. Planowanie badania II 35

14 EKSPERYMENTY KLINICZNE
1
Eksperyment kliniczny jest jakąkolwiek formą planowanego
badania doświadczalnego sprawdzającego wpływ nowego le­
czenia na wyniki kliniczne u ludzi. Eksperymenty kliniczne
mogą być badaniami przedklinicznymi, małymi badaniami kli­
nicznymi oceniającymi wpływ i bezpieczeństwo (Eksperymen­
ty I/II fazy) lub pełną ocenę nowego sposobu leczenia (Ekspe­
rymenty III fazy). W tym rozdziale omówimy główne aspekty
eksperymentów III fazy, z których każdy powinien być opisa­
ny w publikacji (patrz lista ustaleń CONSORT w tablicy 14.1
oraz ryciny 14.1 i 14.2).
PORÓWNANIA LECZENIA
Eksperymenty kliniczne są badaniami prospektywnymi, po­
nieważ mierzą wpływ leczenia realizowanego obecnie na wy­
niki, z którymi będzie można się zapoznać w przyszłości.
Ogólnie, w eksperymentach klinicznych ocenia się nowe za­
biegi (np. rodzaj lub dawka leku, procedura chirurgiczna).
Dla uproszczenia, w całym tym rozdziale założymy, że
w eksperymencie oceniamy tylko jedną nową formę leczenia.
Ważną cechą eksperymentów klinicznych jest to, że powin­
ny być porównawcze (rozdział 12). Bez leczenia kontrolnego
nie mamy pewności, że każdy wynik jest wyłącznie skutkiem
leczenia, można też przecenić to, jak ważne jest nowe lecze­
nie. Kontrolą może być standardowe leczenie (kontrola pozy­
tywna) lub, jeżeli takowe nie istnieje, kontrola negatywna,
którą może być placebo (które wygląda i smakuje jak nowy
lek, lecz które nie zawiera żadnego aktywnego związku) lub
brak leczenia, gdy zezwalają na to względy etyczne.
WYNIKI KOŃCOWE
Na wstępie musimy zadecydować, które wyniki najlepiej od­
zwierciedlają korzyści z nowej terapii. Nazywa się je podsta­
wowymi wynikami końcowymi badania i zwykle dotyczą
skuteczności terapii. Wtórne wyniki końcowe, które często
są związane z toksycznością, są interesujące i także powin­
ny być na początku wzięte pod uwagę. Ogólnie, wszystkie te
wyniki końcowe są analizowane na końcu badania. Jednak­
że możemy sobie zażyczyć przeprowadzenia pewnych analiz
przejściowych (chwilowych), gdy na przykład chcemy się
upewnić, że toksyczność nie jest nadmierna i nie wymaga
przerwania eksperymentu. Należy uważać na problemy wy­
nikające z wielokrotnego testowania hipotez (rozdział 18),
gdy porównuje się wyniki powtarzanego leczenia.
PRZYDZIELANIE
DO GRUPY TERAPEUTYCZNEJ
Gdy pacjent formalnie został włączony do badania, przydziela
się go do grupy terapeutycznej. Generalnie pacjent jest przy­
dzielany W sposób losowy (tj. oparty na szansie), za pomocą
procesu znanego jako przydział losowy lub randomizacja.
Przebiega to często przy użyciu wygenerowanej komputerowo
Pocook S. J.; Clmical Trials: A Practical Approach. Wiley, Chiche­ Kerry S. M., Bland J. M.: Santple size in cluster randomization.
1
ster 1983.
36 Planowanie badania
listy liczb losowych lub za pomocą tablic liczb losowych (Doda­
tek A12). Na przykład, w celu alokacji pacjentów do dwóch ro­
dzajów leczenia możemy podążać za sekwencją liczb losowych
i przydzielać pacjenta do leczenia A, jeżeli liczba jest parzysta
(traktując zero jako liczbę parzystą) lub do leczenia B, jeżeli
liczba jest nieparzysta. Proces ten sprzyja podobieństwu mię­
dzy grupami leczenia pod względem charakterystyki pierwot­
nej (charakterystyki odniesienia) przy wprowadzaniu do ba­
dania, tj. unika się błędu systematycznego przydziału,
a w konsekwencji uwikłania (rozdziały 12 i 34), co maksyma­
lizuje efektywność eksperymentu. Jeżeli zastosowano rando-
mizację, a charakterystyka pierwotna nie jest jednakowo roz­
łożona w grupach leczenia (określa się ją przez zbadanie
odpowiednich miar podsumowujących, np. średnich i odchy­
leń standardowych), rozbieżność musi być dziełem przypadku.
Dlatego błędem jest przeprowadzanie formalnego, statystycz­
nego testowania hipotez (np. testu t, rozdział 21) do porówna­
nia jakiejkolwiek pierwotnej charakterystyki w grupach le­
czenia, ponieważ testy hipotez określają, czy różnica między
grupami jest otrzymana przez przypadek.
Eksperymenty, w których pacjenci są randomizowani,
tak aby otrzymali albo nowe leczenie, albo leczenie kontrolne,
znane są jako eksperymenty sterowane losowo (określane
skrótem RCT — randomized controlled trials) i uważa się
je za optymalne.
Istnieją dalsze udoskonalenia randomizacji, włączające
randomizację warstwową (w której bierze się pod uwagę
ważne czynniki) i randomizację blokową (która gwarantuje
w przybliżeniu jednakowe wielkości grup leczenia). Przy­
dział systematyczny, w którym pacjenci są przydzielani do
grup leczenia systematycznie, np. w zależności od dnia wi­
zyty lub daty urodzin, powinien być unikany zawsze, gdy jest
to możliwe; klinicysta może określić proponowany schemat
leczenia dla poszczególnego pacjenta, zanim zostanie on włą­
czony do eksperymentu, a to może wpłynąć na jego/jej de­
cyzję co do włączenia pacjenta do eksperymentu. Czasami
używamy randomizacji klasterowej, w której do leczenia
przydzielamy grupy osobników (np. wszystkich ludzi zareje­
strowanych u pojedynczego lekarza domowego) zamiast po­
jedynczych osobników. W takich badaniach powinniśmy za­
chować szczególną uwagę przy planowaniu wielkości próby
i analizowaniu danych (patrz również rozdziały 36, 41 i 42)2.
ZAŚLEPIANIE LUB MASKOWANIE
Obciążenie oszacowania może pojawić się wtedy, gdy pa­
cjenci i/lub klinicyści są świadomi przydziału do grupy le­
czenia, zwłaszcza wtedy, gdy reakcja na nie jest subiektyw­
na. Świadomość przydziału do grupy leczenia może wpływać
na zauważanie oznak poprawy lub zdarzeń niepomyślnych.
Dlatego tam, gdzie to możliwe, wszyscy uczestnicy ekspery­
mentu (klinicyści, pacjenci, oceniający) powinni być „zaśle­
piani" lub „maskowani" co do przydziału do grupy leczenia.
2
British Medical Journal, 1998, 316, 549.
Eksperyment, w którym pacjent, zespół leczący i oceniający
nie są świadomi przydziału do grupy leczenia, jest ekspery­
mentem podwójnie ślepym. Eksperymenty, w których nie­
możliwe jest „zaślepienie" pacjenta, mogą być pojedynczo
ślepe, przy założeniu, że klinicysta i/lub oceniający są „za­
ślepieni" (nieświadomi) co do przydziału do leczenia.
DANE PACJENTA
Jako że eksperymenty kliniczne prowadzone są na ludziach,
dane pacjenta mają wielkie znaczenie. W szczególności, każdy
eksperyment kliniczny musi przejść przez komisję etyczną,
która osądza, czy nie narusza on Deklaracji Helsińskiej. Od
każdego pacjenta trzeba uzyskać zgodę poinformowanego pa­
cjenta (lub od legalnego opiekuna czy rodziców, gdy pacjent nie
jest pełnoletni) zanim zostanie on włączony do eksperymentu.
PROTOKÓŁ
Zanim zostanie przeprowadzony jakikolwiek eksperyment
kliniczny, należy przygotować pisemny opis wszystkich
aspektów badania, nazywany protokołem badania. Zawiera
on informację o celach i przedmiocie eksperymentu, wraz
z opisem pacjentów, których należy włączyć do badania (kry-

Tablica 14.1. Lista tematów z deklaracji CONSORT (Consolidation of Standards for Reporting Trials), które należy włączyć do opisu ekspe­
rymentu randomizowanego (www.consort-statement.org).
SEKCJA PRACY Pozy­ Opisane na
i temat cja Opis stronie *
TYTUŁ 1. Jak pacjenci zostali przyporządkowani do zabiegu (np. przydział losowy, randomizowany, lub lo­
I STRESZCZENIE sowo przyporządkowany).
WSTĘP 2. Podstawy naukowe i uzasadnienie.
Podstawy
METODY 3. Kryteria wyboru uczestników oraz ustaleń i miejsca, gdzie dane zostały zebrane.
Uczestnicy
Zabiegi 4. Dokładne szczegóły zabiegów planowanych dla każdej grupy oraz informacje na temat tego, jak i kie­
dy byty faktycznie wykonane.
Cele 5. Wyszczególnienie celów oraz hipotez.
Wyniki 6. Jasno zdefiniowane pierwotne i wtórne wyniki pomiarów, a tam, gdzie to możliwe, wszystkie metody
użyte do poprawy jakości pomiarów (np. obserwacje wielokrotne, szkolenie osób oceniających).
Wielkość próby 7. W jaki sposób wyznaczono wielkość próby i, gdy to było zastosowane, wyjaśnienie wszelkich analiz
przejściowych i reguł zatrzymania.
Randomizacja — 8. Metody użyte do tworzenia sekwencji przydziału losowego, uwzględniające szczegóły każdego
generacja sekwencji ograniczenia (np. blokowanie, stratyfikacja).
Randomizacja — 9. Metody użyte do implementacji sekwencji losowego przydziału, wyjaśnienie, czy sekwencja zosta­
ukrywanie przydziału ła ukryta do czasu przypisania zabiegów.
Randomizacja — 10. Kto generował sekwencje przydziału, kto włączał do badania uczestników, kto przyporządkował
implementacja uczestników do ich grup.
Zaślepianie 11. Czy uczestnicy, osoby wykonujące zabiegi i oceniające wyniki byli nieświadomi przydziału do grupy.
(maskowanie) Tam, gdzie je zastosowano, jak oceniono powodzenie maskowania.
Metody statystyczne 12. Metody statystyczne użyte do porównywania grup w celu otrzymania wyniku(ów) pierwotnego(ych). Do­
datkowe metody analiz, takie jak analizy w podgrupach lub analizy skorygowane.
WYNIKI 13. Przepływ uczestników w każdym etapie (bardzo pożądany jest diagram, patrz rycina 14.1). Dla każ­
Przepływ uczestników dej grupy należy podać liczbę uczestników przyporządkowanych losowo, otrzymujących planowa­
ne leczenie, kończących badanie i analizowanych w celu otrzymania wyników pierwotnych. Nale­
ży opisać rozbieżności z planowanym badaniem, wraz z ich przyczynami.
Wtaczanie do badania 14. Daty określające okresy włączania i dalszego postępowania.
Dane bazowe 15. Dane demograficzne i charakterystyki kliniczne każdej grupy.
Analizowane liczby 16. Liczba uczestników (mianownik) w każdej grupie włączonej do każdej analizy i to, czy analiza była
wykonana z zamiarem leczenia. Tam, gdzie to możliwe, należy podać wyniki przy użyciu liczb bez­
względnych (np. 10/20 zamiast 50%).
Wyniki i oszacowania 17. Podsumowanie rezultatów dla każdej grupy, dla wszystkich wyników pierwotnych i wtórnych oraz
oszacowana wielkość efektu i jego dokładność (np. 95% przedział ufności).
Analizy pomocnicze 18. Określenie różnorodności przez podanie wszystkich pozostałych wykonanych analiz, także analiz
w podgrupach i analiz skorygowanych, ze wskazaniem na wcześniej zaplanowane oraz robocze.
Zdarzenia niepomyślne 19. Wszystkie ważne zdarzenia niepomyślne lub efekty uboczne w każdej grupie zabiegowej.
DYSKUSJA 20. Interpretacja wyników, z uwzględnieniem hipotezy badania, źródeł możliwego błędu systematycz­
Interpretacja nego oraz niedokładności i ryzyka błędu związanego z wielokrotnością analiz i wyników.
Uogólnienie 21. Możliwość uogólnienia (zewnętrzna ważność) wyników eksperymentu.
Ogólny dowód 22. Ogólna interpretacja wyników w kontekście współczesnej wiedzy.

14. Eksperymenty kliniczne 37

teria włączenia i wykluczenia), plany leczenia, opis zbiera­
nia danych i analizy, ewentualne plany w przypadku wystą­
pienia problemów i projekt szkolenia personelu. Ważną rze­
czą jest włączenie do eksperymentu wystarczającej liczby
pacjentów, aby szansa prawidłowego wykrycia prawdziwych
efektów leczenia była wystarczająco duża. Dlatego przed roz­
poczęciem każdego eksperymentu klinicznego należy wyzna­
czyć optymalną wielkość badania (rozdział 36).
Protokół rozbieżności obejmuje pacjentów, którzy zostali
włączeni do eksperymentu, lecz nie spełnili kryteriów proto­
kołu, np. pacjenci nieprawidłowo włączeni lub ci, którzy wy­
Rycina 14.1. Profil przebiegu eksperymentu randomizowanego
zgodnie z deklaracją CONSORT (www.consort-statement.org).
38 Planowanio badania
padli z badania, a także pacjenci, którzy zmienili leczenie.
W celu uniknięcia błędu systematycznego badanie należy
analizować na podstawie zamiaru leczenia: wszyscy pacjen­
ci, o których mamy informację, są analizowani w grupach, do
których zostali pierwotnie włączeni, bez względu na to, czy
podlegali oni leczeniu. Gdy jest to możliwe, należy zebrać in­
formacje o pacjentach, którzy wypadli z eksperymentu. Nie
poleca się analiz na bazie leczenia, w których pacjenci są
włączani do analizy tylko wtedy, gdy mają zakończony pełny
kurs leczenia, ponieważ często prowadzi to do obciążenia po­
równań leczenia błędem systematycznym.
Rycina 14.2. Przykład profilu eksperymentu (adaptowany za zgodą
z eksperymentu opisanego w rozdziale 40).
15 BADANIA KOHORTOWE
W badaniu kohortowym obserwujemy zwykle przez jakiś
czas grupę osobników w celu zbadania, czy narażenie na
szczególny czynnik etiologiczny wpłynie w przyszłości na za­
padalność na jednostkę chorobową (rycina 15.1). Jeżeli tak,
to czynnik ten zostaje uznany za czynnik ryzyka choroby. Na
przykład, wiele badań kohortowych sprawdzało związek
między czynnikami dietetycznymi a rakiem. Chociaż więk­
szość badań kohortowych ma charakter prospektywny, moż­
na również badać kohorty historyczne, w których informację
uzyskuje się retrospektywnie. Jednakże jakość studiów hi­
storycznych jest często zależna od zapisów medycznych i od
pamięci, a te mogą podlegać obciążeniu.
Badania kohortowe mogą być ustalone lub dynamiczne.
W pierws2ym przypadku, jeżeli osobnik opuszcza ustaloną
kohortę, nie jest zastępowany innym. Natomiast w kohortach
dynamicznych osobnicy mogą wypadać z kohorty, a nowi do
niej dołączać, gdy jest taka potrzeba.
WYBÓR KOHORTY
Kohorta powinna być reprezentatywna dla populacji, co do
której będziemy uogólniali wyniki. Często jest korzystne, aby
osobnicy byli rekrutowani z podobnego źródła, takiego jak
określona grupa zawodowa (np. pracownicy cywilni, lekarze
praktycy), gdyż można wtedy łatwo uzyskać informację
o śmiertelności i zachorowalności z zapisów w miejscu pracy,
a z osobnikami można nawiązać ponowny kontakt, o ile będzie
to konieczne. Taka kohorta może jednak nie być prawdziwie
reprezentatywna dla ogólnej populacji i może być zdrowsza.
Kohorty można też rekrutować z list lekarzy domowych, jeśli
włączy się do badania grupy osobników o różnym stanie zdro­
wia. Jednakże pacjenci ci będą mieli zbliżone warunki socjal­
ne, gdyż mieszkają w tym samym obszarze.
Gdy próbujemy określić efekt etiologiczny czynnika ryzy­
ka, osobnicy rekrutowani do kohorty powinni być zdrowi na
początku badania. Ma to na celu upewnienie się, że przed za­
Niechorujący
Niechorujący
Teraz
Rycina 15.1. Prezentacja w postaci dia­
gramu badania kohortowego (częstości
w nawiaeach, patrz tablica 15.1). Punkt początkowy
chorowaniem byli narażeni na czynnik ryzyka, co pozwala na
postulowanie przyczynowej roli tego czynnika. Ponieważ
osobnicy na początku badania są wolni od choroby, często ob­
serwujemy efekt włączania osób zdrowych. Współczynniki
śmiertelności w pierwszym okresie badania są zatem często
niższe, niż moglibyśmy oczekiwać w ogólnej populacji. Stanie
się to oczywiste, gdy współczynniki śmiertelności zaczną na­
gle rosnąć w kolejnych latach badania.
OBSERWACJA OSOBNIKÓW
Gdy obserwujemy osobników przez pewien czas, istnieje za­
wsze ryzyko, że mogą oni wypaść z postępowania. Osobnicy
mogą zmienić adres bez zostawienia informacji o zmianie
miejsca zamieszkania lub mogą zdecydować, że chcą zakoń­
czyć badanie. Jeżeli duża liczba osobników wypada z postę­
powania, zyski z badania kohortowego zoatają zmniejszone.
Powinniśmy zatem znaleźć sposób zminimalizowania takiego
wypadania, np. przez utrzymywanie regularnych kontaktów
z osobnikami.
INFORMACJA O WYNIKACH I NARAŻENIU
Ważne jest uzyskanie pełnej i dokładnej informacji o skut­
kach choroby, np. śmiertelności i chorowaniu z innych przy­
czyn. Można to osiągnąć dzięki przeszukiwaniu rejestrów
chorób, statystyk śmiertelności i zapisów szpitalnych oraz le­
karzy rodzinnych.
Narażenie na badany czynnik ryzyka może się zmieniać
w czasie badania. Na przykład, jeżeli określamy związek
między spożyciem alkoholu i chorobami serca, poziom typo­
wego spożycia alkoholu przez osobnika najprawdopodobniej
będzie się zmieniał w czasie. Dlatego w celu zbadania zmian
narażenia na ten czynnik z upływem czasu należy powtarzać
wywiad przy kolejnych okazjach.
Rozwój
choroby (a)
Narażeni
na czynnik
Niechorujący (c)
Rozwój
choroby \b)
Nienarażeni
na czynnik
Niechorujący (d)
Przysztość
Uptyw czasu
15. Badania kohortowe 39
ANALIZA BADAŃ KOHORTOWYCH
Tablica 15.1. Częstości obserwowane (patrz rycina 15.1).
Narażeni na czynnik
Tak Nie Razem
Badana choroba
Tak a b a+ b
Nie c d c+ d
Razem at c b+ d n= a+ b+ c+ d
Ponieważ pacjenci obserwowani są w czasie longitudinal-
nie, można oszacować ryzyko zachorowania w populacji po-
przoz obliczenie ryzyka w badanej próbie.
Oszacowane ryzyko zachorowania =
_ Liczba zachorowań w okresie badania _ a + b
Całkowita liczba w kohorcie n i dlatego są kosztowne.
Ryzyko zachorowania wśród osobników narażonych i nie-
narażonych na badany w populacji czynnik można oszacować
w ten sam sposób.
Oszacowane ryzyko dla grupy narażonej,
risk exp = a/(a+c).
Oszacowane ryzyko dla grupy nienarażonej,
risk
uneXp=fe/(6+rf)-
Wtedy oszacowane ryzyko względne
Ryzyko względne (RR — relaxive risk) oznacza zwiększo­
ne (lub zmniejszone) ryzyko choroby związane z ekspozycją
na badany czynnik. Ryzyko względne równe jeden oznacza,
Że ryzyko jest takie samo w grupach eksponowanej i nie eks­
ponowanej. Ryzyko względne większe niż jeden oznacza, że
w grupie narażonej na czynnik istnieje zwiększone ryzyko
w porównaniu z grupą nienarażoną; ryzyko względne mniej­
sze od jeden wakazuje na redukcję ryzyka choroby w grupie
eksponowanej. Na przykład, ryzyko względne równe 2 wska­
zywałoby, że osobnicy w grupie narażonej mają dwa razy
większe ryzyko zachorowania niż ci z grupy nienarażonej.
Ryzyko względne zawsze należy interpretować wraz z ry­
zykiem zachorowania. Nawet wysokie ryzyko względne ma
ograniczone implikacje kliniczne, gdy ryzyko zachorowania
jest bardzo małe.
Wyznaczenie przedziału ufności dla ryzyka względnego
pozwala sprawdzić, czy ryzyko względne jest równe jedno­
ści. Obliczenia te przeprowadza się prosto przy użyciu kom­
putera i dlatego pomijamy szczegóły.
40 Planowanie badania
ZALETY BADAN KOHORTOWYCH
• Można określić sekwencję czasową zdarzeń.
• Dostarczają informacji o szerokim zakresie wyników.
• Można bezpośrednio zmierzyć zapadalność na chorobę
lub ryzyko zachorowania.
• Można zebrać bardzo szczegółowe informacje na temat
narażenia na szeroki zakres czynników.
• Możliwe jest badanie narażenia na bardzo rzadkie
czynniki.
• Narażenie można mierzyć wielokrotnie, tak że można
badać, jak zmienia się narażenie z upływem czasu.
• Zredukowany jest błąd systematyczny odwołania do
pamięci i wyboru w porównaniu z badaniami przypadek-
-kontrola (rozdział 16).
WADY BADAŃ KOHORTOWYCH
• Ogólnie badają one osobników w długich okresach
• Tam, gdzie interesujący wynik zdarza się rzadko, wy­
magana jest bardzo duża wielkość próby.
• W miarę postępu badania często zwiększa się utrata
pacjentów, gdyż przemieszczają się lub opuszczają badanie,
co prowadzi do powstania obciążonych wyników.
• Na skutek długiego czasu trwania badania c2ęsto poja­
wia się trudność w utrzymaniu zgodności pomiarów i wyni­
ków w czasie. Co więcej, po wstępnym wywiadzie osobnicy
mogą modyfikować swoje zachowania.
• Skutki choroby i ich prawdopodobieństwo lub sama
etiologia choroby mogą zmieniać się w czasie.
KOHORTY KLINICZNE
Czasami wybieramy kohortę pacjentów z tymi samymi wa­
runkami klinicznymi, którzy są leczeni w jednym lub kilku
szpitalach, i obserwujemy ich (albo jako chorych hospitalizo­
wanych, albo jako ambulatoryjnych) w celu sprawdzenia, jak
wielu pacjentów doświadczyło ustąpienia choroby (w przy­
padku pozytywnego wyniku badania) lub postępu choroby,
takiego jak śmierć lub nawrót. Informacja o każdym pacjen­
cie, której szukamy, jest zwykle tą, którą zbiera się jako
część rutynowego postępowania klinicznego. Cel kohort kli­
nicznych lub obserwacyjnych baz danych może obejmować
opis wyników dla osobników w określonym stanie i określe­
nie efektów rozmaitych podejść do leczenia (np. różne leki
lub rozmaite techniki leczenia). W przeciwieństwie do eks­
perymentów randomizowanych (rozdział 14), które często za­
wierają bardzo wybiórczą próbę osobników chcących uczest­
niczyć w eksperymencie, kohorty kliniczne niejednokrotnie
obejmują wszystkich pacjentów w określonym stanie w szpi­
talach objętych badaniem. Dlatego wyniki z tych kohort trak­
tuje się jako bardziej dokładne odzwierciedlenie wyników
widocznych w praktyce klinicznej. Jednakże, ponieważ przy­
dział do leczenia w tych badaniach nie jest randomizowany
(rozdział 14), kohorty kliniczne są szczególnie narażone na
obciążenie uwikłania (rozdziały 12 i 34).
PRZYKŁAD
British Regional Heart Study1 jest wielkim badaniem ko- MI w następnych 10 latach
hortowym na bazie 7735 mężczyzn w wieku 40-59 lat, lo­ Palenie na
sowo wybranych z baz lekarzy domowych w 24 brytyj­ początku badania Tak Nie Razem
skich miastach. Ma na celu zidentyfikowanie czynników Zawsze palii 563 (9,5%) 5336 (90,5%) 5899
wywołujących niedokrwienną chorobę serca. Przy rekru­ Nigdy nie palił 87 (4,8%) 1732 (95,2%) 1819
towaniu do badania mężczyzn pytano o pewne czynniki de­
Razem 650 (8,4%) 7068 (71,6%) 7718
mograficzne i dotyczące stylu życia, m.in. o zwyczaje doty­
czące palenia papierosów. Spośród 7718 mężczyzn, od
których uzyskano informację o tym, czy palą, 5899 (76,4%)
Oszacowane ryzyko względne = = 2,00.
paliło na jakimś etapie swego życia (włączając tych, którzy
są aktualnymi palaczami i którzy kiedyś palili). W ciągu 10
następnych lat 650 spośród 7718 mężczyzn (8,4%) miało Można wykazać, że 95% przedział ufności dla prawdzi­
zawał serca (MI — myocardial infarctiord. Wyniki przed­ wego ryzyka względnego wynosi: (1,60, 2,49).
stawione w tablicy pokazują liczbę i procent palaczy i nie­ Ryzyko względne możemy interpretować tak, że ozna­
palących, którzy mieli zawał serca lub nie mieli go w okre­ cza, iż mężczyźni w średnim wieku, którzy kiedykolwiek
sie 10 lat. palili, najprawdopodobniej dwukrotnie częściej doznają
zawahi serca w ciągu najbliższych 10 lat, niż ci, którzy ni­
gdy nie palili. Mówiąc inaczej, ryzyko zawału serca u męż­
czyzn, którzy kiedykolwiek palili, jest o 100% większe niż
u tych, którzy nigdy nie palili.

1
Dane uzyskane dzięki uprzejmości: dr F. C. Lampe, ms M. Walker i dr P. Whincup, Department of Primary Care and Population Scien­
ces, Royal Free and Unwersity College Medical School, Londyn, Wielka Brytania.

15. Badania kohortowe 41

16 BADANIA PRZYPADEK-KONTROLA
W badaniu przypadek-kontrola porównuje się charaktery­
stykę grupy pacjentów z pewną jednostką chorobową (przy­
padki) z grupą osobników bez stanu chorobowego (kontrola)
w celu sprawdzenia, czy jakiekolwiek czynniki pojawiały się
częściej lub rzadziej w grupie przypadków niż w grupie kon­
trolnej (rycina 16.1). Takie badania retrospektywne nie do­
starczają informacji o chorobowości lub zachorowalności na
chorobę, lecz mogą dawać wskazówki, które czynniki wzmaga­
ją lub redukują ryzyko choroby.
SELEKCJA PRZYPADKÓW
Ważną rzeczą jest zdefiniowanie, czy przypadki zapadalności
(pacjenci, którzy byli rekrutowani w chwili diagnozy) lub przy­
padki chorobowości (pacjenci, którzy byli zdiagnozowani przed
włączeniem do badania) powinny być włączone do badania.
W drugim przypadku pacjenci mogli mieć czas na zastanowie­
nie się nad swoją historią narażenia na czynniki ryzyka,
zwłaszcza gdy choroba jest szeroko opisywana, tak jak rak,
i mogli zmienić swoje zachowania po diagnozie. Ważne, żeby zi­
dentyfikować tak wiele przypadków, jak to możliwe, aby wyni­
ki niosły jak najwięcej informacji, a wnioski mogły zostać
uogólnione w przyszłości na następne populacje. Aby to osią­
gnąć, trzeba czasem uzyskać dostęp do list szpitalnych i reje­
strów chorób oraz włączyć przypadki śmierci w okresie, kiedy
przypadki i kontrole byty definiowane, ponieważ ich wyklucze­
nie może prowadzić do obciążonej próby przypadków.
SELEKCJA KONTROLI
Osobnicy kontrolni powinni być badani przed włączeniem do
eksperymentu, co pozwala upewnić się, że na pewno nie ma­
ją analizowanej choroby. Czasami może być więcej niż jeden
osobnik kontrolny dla każdego przypadku. Tam, gdzie to
możliwe, osobnicy kontrolni powinni być wybierani z tego sa­
mego źródła, co przypadki. Kontrole są często wybierane ze
szpitali. Jednakże, ponieważ czynniki ryzyka związane ze
skutkami jednej choroby mogą być także związane ze skut­
kami innych chorób, dobór kontroli na bazie szpitalnej może
spowodować nadreprezentację osobników, którzy byli ekspo­
nowani na badany czynnik ryzyka, i dlatego nie zawsze jest
Rycina 16.1. Prezentacja w postaci diagramu przypadek-kontrola.
42 Planowanie badania
odpowiedni. Często dopuszcza się wybór kontroli z populacji
ogólnej, chociaż osobnicy mogą wówczas nie mieć motywacji
do wzięcia udziału w takim badaniu i dlatego częstości odpo­
wiedzi mogą być mniejsze w kontroli niż w grupie przy­
padków. Wybór kontroli z tej samej okolicy zamieszkania
gwarantuje często, że przypadki i kontrole mają podobne
warunki socjalne.
DOPASOWYWANIE
Wiele badań przypadek-kontrola jest dopasowywanych w taki
sposób, aby przypadki i kontrole byty jak najbardziej podobne.
Ogólnie, pożyteczny jest dobór z dopasowaniem płci (tj. jeżeli
przypadek jest mężczyzną, to kontrola powinna być również
mężczyzną), a czasami dopasowanie pacjentów według wieku.
Ważne jest jednak, aby nie dopasowywać na podstawie bada­
nego czynnika ryzyka lub jakiegokolwiek czynnika, który leży
na przyczynowej ścieżce powstania choroby (rozdział 34), gdyż
wyklucza to możliwość badania określającego każdy związek
między czynnikiem ryzyka a chorobą. Niestety, dopasowanie
oznacza, że wpływ na chorobę zmiennych, które zostały użyte
do dopasowania, nie może zostać zbadany.
ANALIZA BADAŃ Z NIEDOPASOWANYMI
PRZYPADKAMI-KONTROLAMI
Tablica 16.1 ukazuje częstości obserwowane. Ponieważ pa­
cjenci są wybrani na bazie ich statusu chorobowego, nie ma
możliwości oszacowania absolutnego ryzyka zachorowania.
Możemy obliczyć iloraz szans, zdefiniowany jako:
Szansa bycia przypadkiem
w grupie narażonej
Iloraz szans =
Szansa bycia przypadkiem
w grupie nienarażonej
gdzie na przykład szansa, aby być przypadkiem w grupie na­
rażonych jest równa:
prawdopodobieństwo bycia przypadkiem w grupie narażonej
prawdopodobieństwo niebycia przypadkiem w grupie narażonej
Szanse bycia przypadkiem w próbach narażonej (exp) i nie­
narażonej (unexp) wynoszą:
szansaexp szansa
unexp:
i dlatego oszacowany iloraz szans wynosi
Gdy choroba jest rzadka, iloraz szans jest estymatorem
ryzyka względnego i interpretuje się go w podobny sposób,
tj. wskazuje zwiększoną lub zmniejszoną szansę związaną
z narażeniem na badany czynnik. Iloraz szans równy jeden
wskazuje, że szanse są takie same w grupach narażonej
i nienarażonej; iloraz szans większy od jeden wskazuje, że
szanse zachorowania w grupie narażonej są większe niż
w grupie nienarażonej, etc. Dla ilorazu szans można również
wyznaczyć przedziały ufności i testować hipotezy.
Tablica 16.1. Wartości obserwowane (patrz rycina 16.1).
Narażenie na czynnik
Tak Nie Suma
Stan choroby
Przypadek a b a+ b
Kontrola c d c+ d
Suma a+c b+d n= a+ b + c+ d
ANALIZA BADAŃ Z DOPASOWANYMI
PRZYPADKAMI-KONTROLAMI
Tam, gdzie to możliwe, analiza badań z dopasowanymi przy­
padkami i kontrolami powinna pozwalać na to, by przypadki
i kontrole były związane ze sobą jako wynik dopasowania.
Dalsze szczegóły na temat metod analizy dla badań powiąza­
nych można znaleźć w rozdziale 30 (patrz: warunkowa regre­
sja logistyczna) oraz w pracy Breslow i Day1.
1
Breslow N. E., Day N. E.: Statistical Methods in Cancer Research,
Volume I — The Analysis of Case-control Studies. International
Agency for Cancer Research, Lyon 1980.
PRZYKŁAD
1327 kobiol w wieku 50-81 lat ze złamaniem biodra,
mieszkających w dużej aglomeracji miejskiej w Szwecji,
zostało przebadanych w badaniu niedopasowanych przy-
padków-kontroli. Zostały one porównane z 3262 kobietami
7. grupy kontrolnej w tym samym zakresie wiekowym, wy­
branymi losowo z rejestru narodowego. W badaniu skon­
centrowano się na sprawdzeniu, czy kobiety podlegające
obecnie postmenopauzalnej hormonalnej terapii zastępczej
(HRT — łwrmone replacement therapy) rzadziej łamały bio­
dra niż niepodlegające terapii. Wyniki w tablicy pokazują
liczbę kobiet leczonych obecnie HRT i tych, które nigdy nie
miały terapii lub podlegały jej wcześniej, w grupie badanej
i kontrolnej. Obserwowany iloraz szans = (40 x 3023)/(239
x 1287) = 0,39. Można wykazać, że 95% przedział ufności
dla ilorazu szans wynosi (0,28, 0,56). •
Dano pobrane / pracy: Michaelsson K., Baron J. A., Farahmand B. Y., i in.: Hormone replacement therapy and risk of hipfracture: popu-
lathn basfd rase-control study. British Medical Journal, 1998, 316, 1858-1863.
ZALETY BADAŃ PRZYPADEK-KONTROLA
• Są one ogólnie względnie szybkie, tanie i łatwe do wy­
konania.
• Są szczególnie przydatne w rzadkich chorobach.
• Można badać szeroki zakres czynników ryzyka.
• Nie istnieje utrata obserwacji.
WADY BADAŃ PRZYPADEK-KONTROLA
• Obciążenie wywołane pamięcią, kiedy chorzy mają
różną zdolność zapamiętywania różnych szczegółów z wła­
snej historii, stanowi potencjalny problem. Na przykład, pa­
cjenci z rakiem płuc mogą dobrze pamiętać pewien okres,
kiedy palili, podczas gdy grupa kontrolna może nie pamiętać
podobnego okresu.
• Jeżeli początek choroby uprzedza narażenie na czynnik
ryzyka, nie można wnioskować przyczynowości.
• Badania przypadek-kontrola nie są odpowiednie, gdy
narażenie na czynnik ryzyka jest niskie.
Tak więc szansa złamania biodra u kobiet po menopau-
zie w analizowanym zakresie wieku w Szwecji, które aktu­
alnie podlegają HRT, wynosiła 39% szansy tego zdarzenia
u kobiet, które nigdy nie używały lub uprzednio używały
HRT, tj. aktualne leczenie HRT zmniejsza szansę złamania
biodra o 61%.
Częstości obserwowane w badaniu ztamań
Nigdy nie
Obecnie leczone HRT/
leczone /wcześniej
HRT leczone HRT Razem
Ze złamaniem biodra (chore) 40 1287 1327
Bez złamania biodra (kontrola) 239 3023 3262
Razem 279 4310 4589
16. Badania przypadek-kontrola 43
17 TESTOWANIE HIPOTEZ
Często zbieramy dane w celu określenia, jak wiele mamy do­
wodów przeciwko określonej hipotezie o populacji. W celu
kwantyfikacji stopnia naszej pewności przeciw określonej
hipotezie stosujemy procedurę znaną jako testowanie hipo­
tez (lub testowanie istotności).
Rozdział ten opisuje ogólne postępowanie w testowaniu
hipotez (ramka 17.1); szczegóły testów dla różnych typów hi­
potez podane są w kolejnych rozdziałach. Dla ułatwienia,
test dla każdej z hipotez opisany jest w podobnej ramce.
RAMKA 17.1 Testowanie hipotez
— ogólny przegląd
Testowanie hipotez obejmuje pięć etapów:
1. Sformułowanie hipotez zerowej i alternatywnej, pod­
legających badaniu.
2. Zebranie odpowiednich danych z próby obiektów.
3. Obliczenie wartości statystyki testu określonej dla hi­
potezy zerowej.
4. Porównanie wartości statystyki testu z wartościami
znanego rozkładu prawdopodobieństwa.
5. Interpretacja wartości p i wyników.
DEFINIOWANIE HIPOTEZ
ZEROWEJ I ALTERNATYWNEJ
Zwykle testujemy hipotezę zerową (HJ, która zakłada brak
oddziaływania w populacji (np. różnica między średnimi wy-
no5i zero). Na przykład, jeżeli interesuje nas porównanie od­
setka palących mężczyzn i kobiet w populacji, hipoteza zero­
wa ma kształt:
HQ. Odsetki palących mężczyzn i kobiet w populacji są ta­
kie same.
Następnie określamy hipotezę alternatywną (HJ, która
zachodzi, gdy hipoteza zerowa nie jest prawdziwa. Hipoteza
alternatywna odnosi się bezpośrednio do teorii, którą chce­
my zbadać. Tak więc, w naszym przypadku możemy sformu­
łować hipotezę:
/fj-. Odsetki palących mężczyzn i kobiet w populacji się
różnią.
Nie określiliśmy kierunku różnicy między osobami palą­
cymi, tzn. nie stwierdziliśmy, czy mężczyźni stanowią więk­
szy czy mniejszy odsetek w populacji niż kobiety. Jest to
więc tzw. test dwustronny, w którym dopuszczamy każdą
ewentualność. Test ten jest polecany, gdy nie jesteśmy pewni
kierunku różnicy, o ile takowa istnieje. W pewnych, bardzo
rzadkich okolicznościach, możemy przeprowadzić test jedno­
stronny, w którym w ff, określamy kierunek działania. Moż­
na go zastosować, gdy rozważamy chorobę, na skutek której
wszyscy nie leczeni umierają (nowy lek nie może sprawy po­
gorszyć), lub gdy prowadzimy badanie równoważności czy
braku pogorszenia (patrz ostatnia część tego rozdziału).
44 Testowanie hipotez
OTRZYMYWANIE STATYSTYKI TESTOWEJ
Po zebraniu danych, w celu wyznaczenia statystyki testu,
podstawiamy wartości z naszej próby do wzoru, specyficzne­
go dla testu, którego używamy. Statystyka ta odzwierciedla
siłę dowodu zawartego w danych przeciwko hipotezie zero­
wej — zwykle większa wartość, przy zaniedbaniu jej znaku,
oznacza silniejszy dowód.
OTRZYMYWANIE WARTOŚCI P
Wszystkie statystyki testowe podlegają znanym teoretycznym
rozkładom częstości (rozdziały 7 i 8). W celu uzyskania war­
tości p, reprezentującego pole w obu (lub czasem w jednym)
ogonach rozkładu prawdopodobieństwa, wiążemy wartość sta­
tystyki testu otrzymanej z próby ze znanym rozkładem. Więk­
szość pakietów komputerowych oblicza dwustronną wartość
p w sposób automatyczny. Wartość p jest prawdopodobień­
stwem otrzymania naszych wyników lub wyników hardziej
skrajnych, jeżeli hipoteza zerowa jest prawdziwa. Hipoteza
zerowa bardziej wiąże się z interesującą nas populacją nla
z próbą. Dlatego hipoteza zerowa jest albo prawdziwa, albo fał­
szywa i nie możemy interpretować wartości p jako prawdopo­
dobieństwa, że hipoteza zerowa jest prawdziwa.
UŻYCIE WARTOŚCI P
Musimy podjąć decyzję, jak silnych dowodów potrzebujemy
do odrzucenia hipotezy zerowej na korzyść hipotezy alterna­
tywnej. Im mniejsza jest wartość p, tym mamy silniejsze do­
wody przeciw hipotezie zerowej.
• Zazwyczaj przyjmujemy, że jeżeli wartość p jest mniej­
sza niż 0,05, mamy dowód wystarczający do odrzucenia hi­
potezy zerowej, skoro istnieje tak mała szansa uzyskania ta­
kich wyników, jeżeli hipoteza zerowa byłaby prawdziwa.
Możemy wtedy odrzucić hipotezę zerową i powiedzieć, że
wyniki są istotne na poziomie 5% (rycina 17.1).
• Jeżeli natomiast wartość p jest równa lub większa niż
0,05, zazwyczaj stwierdzamy, że nie mamy dowodów wystar­
czających do odrzucenia hipotezy zerowej. Nie odrzucamy hi­
potezy zerowej i mówimy, że wyniki nie są istotne na pozio­
mie 596 (rycina 17.1). Nie oznacza to, że hipoteza zerowa jest
prawdziwa; po prostu nie mieliśmy dostatecznego dowodu,
aby ją odrzucić.
Rycina 17.1. Rozkład prawdopodobieństwa statystyki testowej uka­
zujący dwustronne prawdopodobieństwo, p = 0,05.
 Wybór 5% jest arbitralny. W 5% sytuacji błędnie odrzuci­
my hipotezę zerową, chociaż jest ona prawdziwa. W sytu­
acjach, w których implikacje kliniczne błędnego odrzucenia
hipotezy zerowej są poważne, możemy żądać silniejszego do­
wodu przed jej odrzuceniem (np. możemy się zdecydować na
odr2ueenie hipotezy zerowej, jeżeli wartość p jest mniejsza
niż 0,01 lub 0,001). Wybrana wartość odcięcia dla p (np. 0,05
lub 0,01) zwana jest poziomem istotności testu; trzeba go
wybrać przed zebraniem danych.
Opisywanie wyników jako istotnych tylko na pewnym po­
ziomie odcięcia (np. stwierdzenie tylko, że p < 0,05) może być
mylące. Na przykład, jeżeli p = 0,04, odrzucimy /f0; jeżeli
jednak p = 0,06, nie odrzucimy jej. Czy rzeczywiście są one
różne? Dlatego polecamy podawanie dokładnej wartości p,
otrzymywanej często w wynikach komputerowych.
TESTY NIEPARAMETRYCZNE
Testowanie hipotez oparte na znajomości rozkładów prawdo­
podobieństwa, któremu podlegają dane, określane jest jako
testowanie parametryczne. Często się zdarza, że dane nie
spełniają założeń, które leżą u podstaw tych metod (rozdział
35). W tej sytuacji możemy użyć tegtów nieparametrycznych
(czasami określanych jako testy niezależne od rozkładów lub
metod rangowych). Testy te ogólnie zastępują dane poprzez
ich rangi (tj. liczby 1, 2, 3 etc. opisujące ich pozycje w upo­
rządkowanym zestawie danych) i nie wymagają żadnych za­
łożeń co do rozkładu prawdopodobieństwa w danych.
Testy nieparametryczne przydają się szczególnie wtedy,
gdy próby są mało liczne (tak, że nie ma możliwości oszaco­
wania rozkładu danych) i/lub gdy dane są podawane w skali
kategorialnej. Jednakże testy nieparametryczne generalnie
trwonią informacje; dlatego w przypadku spełnienia wszyst­
kich założeń niezbędnych do użycia testów parametrycznych
posiadają one mniejszą moc (rozdział 18) wykrycia rzeczywi­
stego efektu niż odpowiednie testy parametryczne. Co więcej,
są one przede wszystkim testami istotności, które nie pozwa­
lają na uzyskanie estymatorów interesujących nas efektów;
prowadzą raczej do podjęcia decyzji, a nie do oceny i zrozu­
mienia danych.
KTÓREGO TESTU UŻYĆ?
Decyzja, którego testu statystycznego należy użyć, zależy od
projektu badania, typu zmiennej i rozkładu, jakiemu podlega­
ją dane z badania. Pomocą w podjęciu decyzji może być sche­
mat blokowy zamieszczony na wewnętrznej stronie okładki.
TESTOWANIE HIPOTEZ
A PRZEDZIAŁY UFNOŚCI
Przedziały ufności (rozdział 11) i testowanie hipotez są ze so­
bą ściśle powiązane. Podstawowym celem testowania hipotez
jest podjecie decyzji i znalezienie dokładnej wartości p.
Przedziały ufności kwantyfikują interesujący nas wynik (np.
różnicę średnich) i pozwalają na określenie klinicznych apli­
kacji wyników. Ponieważ jednak określają one zakres wiaro-
godnych wartości prawdziwego wyniku, mogą być również
użyte do podejmowania decyzji, aczkolwiek nie pozwalają na
znalezienie dokładnej wartości p. Na przykład, jeżeli hipote­
tyczna wartość wyniku (np. zero) leży poza 95% przedziałem
ufności, wtedy uznajemy, że wartość hipotetyczna nie jest
wiarogodna i odrzucamy H0. W naszym przypadku wiemy,
że wartość p jest mniejsza niż 0,05, ale nie wiemy, jaka jest
dokładnie.
BADANIA RÓWNOWAŻNOŚCI
I BRAKU POGORSZENIA
W większości eksperymentów zrandomizowanych kontrolo­
wanych (rozdział 14) dwóch lub większej liczby sposobów le­
czenia jesteśmy zwykle zainteresowani wykazaniem wyż­
szości co najmniej jednego leczenia nad pozostałymi. Jednak
w pewnych sytuacjach możemy uważać, że nowe leczenie
(np. lek) nie jest bardziej efektywne niż leczenie aktualnie
stosowane, lecz posiada inne ważne zalety, prawdopodobnie
w postaci zmniejszenia efektów ubocznych, wielkości pigułek
lub kosztów. Wtedy możemy chcieć pokazać, że skuteczność
nowego leczenia jest podobna (w eksperymencie równoważ­
ności) lub nie jest znacząco gorsza (w eksperymencie braku
pogorszenia) od skuteczności aktualnego leczenia.
Podczas przeprowadzania eksperymentu równoważności
lub testu braku pogorszenia nie stosuje się procedury używa­
nej do testowania hipotezy w zwykłym eksperymencie prze­
wagi, który testuje hipotezę zerową zakładającą, że oba sposo­
by leczenia są takie same. Dzieje się tak dlatego, że (1) wynik
nieistotny nie implikuje braku pogorszenia/równoważności,
a (2) nawet jeżeli zostanie wykryty efekt istotny statystyc2nie,
może on być nieważny z klinicznego punktu widzenia. Zamiast
tego, w eksperymencie równoważności odwracamy hipotezy
zerową i alternatywną tak, że hipoteza zerowa wyraża różni­
cę, a hipoteza alternatywna wyraża równoważność.
Zamiast obliczania statystyki testowej, podchodzimy ogól­
nie do problemu oszacowania równoważności lub braku po­
gorszenia1 poprzez sprawdzenie, czy przedział ufności dla
badanego efektu (np. różnica w średnich pomiędzy dwoma
badanymi grupami) leży całkowicie lub częściowo w zdefinio­
wanym uprzednio zakresie równoważności (tj. zakresie war­
tości, określonym przez ekspertów klinicznych, który odpo­
wiada efektowi braku istotności klinicznej). Jeżeli cały
przedział ufności dla badanego efektu leży wewnątrz zakre­
su równoważności, wtedy wnioskujemy, że dwa sposoby le­
czenia są równoważne; w tej sytuacji, nawet gdy górna i dol­
na granica przedziału ufności sugerują, że istnieje przewaga
jednego sposobu leczenia nad drugim, nie jest prawdopodob­
ne, by było to ważne z punktu widzenia klinicznego. W eka-
perymencie braku pogorszenia chcemy pokazać, że nowy
sposób leczenia nie jest istotnie gorszy od sposobu standar­
dowego (jeżeli nowe leczenie okazuje się lepsze niż standar­
dowe, będzie to dla nas dodatkowa korzyść!). W tej sytuacji,
jeżeli dolna granica odpowiedniego przedziału ufności nie
wypada poniżej dolnej granicy zakresu równoważności, mo­
żemy wnioskować, że nowe leczenie nie jest gorsze.
Jeżeli nie zostanie inaczej zaznaczone, testy hipotez w ko­
lejnych rozdziałach są testami przewagi Należy zwrócić uwa­
gę, że metody wyznaczania wielkości próby opisane w rozdzia­
le 36 nie stosują się do eksperymentów równoważności lub
braku pogorszenia. Wielkość próby niezbędna w eksperymen­
2
tach równoważności lub braku pogorszenia jest ogólnie więk­
sza niż w eksperymencie porównywania przewagi, jeżeli
wszystkie czynniki wpływające na wielkość próby (tzn. po­
ziom istotności statystycznej, moc) są takie same.
* John B., Janas P., Lewis J. A., Ebbutt, A. F.: Trials to assess equr
ivalence: the importance of rigorous methods. British Medical Jour­
nal 1996, 313, 36-39.
** Julious, S. A.: Tutorial in Biostatistics: Sample sizesfor clinical
trials with Normal data Statistics in Medicine, 2004, 23, 1921-1986.
17. Testowanie hipotez 45
18 BŁĘDY W TESTOWANIU HIPOTEZ
PODEJMOWANIE DECYZJI
Większość testów hipotez w statystyce medycznej porównuje
grupy ludzi, którzy są narażeni na rozmaite zdarzenia. Może­
my na przykład być zainteresowani porównaniem dwóch spo­
sobów leczenia mających na celu zmniejszenie śmiertelności
po 5 latach chorowania na raka piersi. Dla danego wyniku
(np. śmierci) dokonujemy interesującego nas porównania (np.
różnicy w odsetkach śmiertelności po 5 latach chorowania),
interesującego nas efektu lub równoważnie, wyniku lecze­
nia. Hipotezę zerową wyrażamy w postaci braku efektu (np.
śmiertelność po 5 latach chorowania na raka piersi jest taka
sama w obu grupach leczenia); dwustronna hipoteza alterna­
tywna stwierdza, że efekt nie jest zerowy. Przeprowadzamy
test, który upoważnia nas do podjęcia decyzji, czy mamy do­
stateczne podstawy do odrzucenia hipotezy zerowej (rozdział
17). Możemy podjąć jedną z dwóch decyzji: albo odrzucimy
hipotezę zerową, albo jej nie odrzucimy.
PODJĘCIE BŁĘDNEJ DECYZJI
Chociaż spodziewamy się, że wyciągniemy prawidłowy wnio­
sek co do hipotezy zerowej, musimy pamiętać o tym, że ponie­
waż mamy jedynie próbę informacji, możemy podjąć błędną
decyzję co do odrzucenia lub nie hipotezy zerowej. Możliwe
błędy, jakie możemy popełnić, przedstawia tablica 18.1.
• Błąd I rodzaju: Odrzucamy hipotezę zerową, gdy
w rzeczywistości jest ona prawdziwa, i stwierdzamy istnie­
nie różnicy, gdy w rzeczywistości jej nie ma. Maksymalna
szansa (prawdopodobieństwo) popełnienia błędu I rodzaju
jest oznaczana symbolem a (alfa). Jest to poziom istotności
testu (rozdział 17); odrzucamy hipotezę zerową, gdy nasza
wartość p jest mniejsza niż poziom istotności, tzn. gdy p < a.
O wartości a musimy zadecydować, zanim zbierzemy na­
sze dane; zwykle przyjmujemy dla niej konwencjonalną war­
tość 0,05, chociaż możemy też przyjąć wartość bardziej re­
strykcyjną 0,01 lub mniej restrykcyjną, taką jak 0,10.
Szansa, że popełnimy błąd I rodzaju nigdy nie przekracza wy­
branego przez nas poziomu, powiedzmy a = 0,05, ponieważ
odrzucimy hipotezę zerową tylko wtedy, gdy p < 0,05. Jeżeli
stwierdzimy, że p > 0,05, nie odrzucimy hipotezy zerowej
i w konsekwencji nie popełnimy błędu I rodzaju.
• Błąd II rodzaju: Nie odrzucamy hipotezy zerowej, gdy
jest onafatszywa, i stwierdzamy brak efektu, gdy w rzeczy­
wistości on istnieje. Szansa popełnienia błędu II rodzaju jest
oznaczona przez/? (beta); jego dopełnienie, (1 -/ty to moc te­
stu. Zatem moc jeat prawdopodobieństwem odrzucenia hipote­
zy zerowej, gdy jest onafatszywa; tzn. jest to szansa (zazwy­
czaj wyrażana w procentach) wykrycia jako statystycznie
istotnego rzeczywistego efektu leczenia o określonej wielkości.
W idealnych warunkach moc naszego testu wynosiłaby
100%; musimy jednakże zauważyć, że jest to niemożliwe,
gdyż zawsze istnieje szansa, chociażby znikoma, popełnienia
Tablica 18.1. Konsekwencje testowania hipotez.
Odrzuć Hn Nie odrzucaj Hn
HQ prawdziwa Biąd I rodzaju Brak błędu
H0 fałszywa Brak błędu Błąd II rodzaju
46 Testowanie hipotez
błędu II rodzaju. Na szczęście jednak wiemy, jakie czynniki
wpływają na moc, i dlatego możemy ją kontrolować, zwraca­
jąc na nie uwagę.
MOC I ZWIĄZANE Z NIĄ CZYNNIKI
Podstawową rzeczą jest znajomość mocy proponowanego te­
stu na etapie planowania naszego badania. Na dobrą sprawę
powinniśmy rozpoczynać badanie, gdy wierzymy, że istnieje
dość duża szansa wykrycia istotnego klinicznie efektu, jeże­
li on istnieje (przez „dość duża" rozumiemy, że moc powin­
na wynosić co najmniej 80%). Podjęcie badania klinicznego,
które ma, powiedzmy, tylko 40% szansy na wykrycie rzeczy­
wistego efektu leczenia jest rzeczą etycznie nieodpowiedzial­
ną i oznacza stratę czasu oraz środków.
Kilka czynników ma bezpośredni wpływ na moc danego
testu.
• Wielkość próby: moc rośnie z wielkością próby. Ozna­
cza to, że duże próby dają większą niż małe próby możliwość
wykrycia ważnych klinicznie efektów, o ile one istnieją.
Jeżeli próba jest bardzo mała, test może mieć niewystarcza­
jącą moc do wykrycia określonego efektu. W rozdziale 36
wytłumaczymy, jak biorąc pod uwagę moc, wyznaczamy
wielkość próby. Metody te mogą zostać również użyte do
określenia mocy testu dla określonej wielkości próby.
• Zmienność obserwacji: moc wzrasta, gdy zmienność
obserwacji maleje (rycina 18.1).
• Wielkość interesującego nas efektu: moc testu jest
większa dla większych efektów. Test ma zatem większą
szansę wykrycia dużego rzeczywistego efektu niż małego.
• Poziom istotności: moc jest większa, gdy poziom istotno­
ści jest większy (gdy prawdopodobieństwo wystąpienia błędu I
rodzaju (a) wzrasta, prawdopodobieństwo błędu II rodzaju (/?)
maleje). Zatem, bardziej prawdopodobne jest wykrycie rzeczy­
wistego efektu, gdy na etapie planowania zdecydujemy, że na­
szą wartość p będziemy uznawać za znaczącą, jeżeli jest ona
mniejsza niż 0,05, a nie jeżeli jest mniejsza niż 0,01. Związek
między mocą a poziomem istotności ilustruje rycina 18.2.
Należy zwrócić uwagę, że badanie przedziałów ufności
(rozdział 11) dla interesujących nas wyników wskazuje, czy
moc testu jest wystarczająca. Szerokie przedziały ufności
wynikają z małej próby i/lub ze znacznej zmienności oraz
wskazują na niską moc.
WIELOKROTNE TESTOWANIE HIPOTEZ
Często na zbiorze danych chcemy przeprowadzić pewną liczbę
testów istotności, np. gdy składa się on z wielu zmiennych lub
występują więcej niż dwa sposoby leczenia. Szansa popełnie­
nia błędu I rodzaju rośnie szybko z liczbą porównań, prowa­
dząc do fałszywych wniosków. Dlatego powinniśmy wykony­
wać jedynie matą liczbę testów, odnoszących się do pierwot­
nych celów badania i określonych a priori Istnieje możliwość
użycia pewnych sposobów przystosowania post-hoc warto­
ści p, które uwzględniają liczbę wykonywanych testów (roz­
dział 22). Na przykład, metoda Bonferroniego (traktowana czę­
sto jako konserwatywna) polega na mnożeniu każdej wartości
p przez przeprowadzaną liczbę testów; każda decyzja o istot­
ności jest wtedy oparta na tej poprawionej wartości p.
Rycina 18.1. Krzywe mocy, ukazujące zwią­
zek między mocą a wielkością próby w każ­
dej z dwóch grup przy porównywaniu dwóch
średnich za pomocą testu t dla zmiennych
niepowiązanych (rozdział 21). Każda krzywa
odnosi się do testu dwustronnego przy przy­
jętym poziomie istotności 0,05 oraz efekcie
(np. różnicy pomiędzy średnimi) wynoszą­
cym 2,5. Założone odchylenia standardowe
pomiarów w obu grupach są rozmaite dla
każdej krzywej mocy (patrz przykład, roz­
dział 36).

Rycina 18.2. Krzywe mocy, ukazujące zwią­

zek pomiędzy mocą a wielkością próby w każ­
dej z dwóch grup przy porównywaniu dwóch
proporcji za pomocą testu Chi-kwadrat (roz­
dział 24). Krzywe wykreślono dla badanego
efektu (tj. różnicy w proporcjach czynnika
zainteresowania w obu grupach leczenia)
wynoszącego 0,25 (np. 0,65 - 0,40) lub 0,10
(np. 0,50 - 0,40); poziom istotności testu dwu­
stronnego wynosi 0,05 lub 0,01 (patrz przy­
kład, rozdział 36).

18. Błędy w testowaniu hipotez 47

19 DANE NUMERYCZNE: POJEDYNCZA GRUPA
PROBLEM
Mamy próbę jednej grupy obiektów i jedną interesującą nas
zmienną numeryczną lub porządkową. Chcemy się dowie­
dzieć, czy wartość przeciętna tej zmiennej przybiera okre­
śloną wielkość. Na przykład, możemy mieć próbę pacjentów
w określonym stanie klinicznym. We krwi zdrowych osobni­
ków monitorowaliśmy poziomy trójglicerydów i wiemy, że
mają one średnią geometryczną równą 1,74 mmol/1. Chcemy
wiedzieć, czy przeciętny poziom u naszych pacjentów jest ta­
ki sam, jak wspomniana wartość.
TEST f DLA JEDNEJ PRÓBY
Założenia
W populacji zmienna ma rozkład normalny z daną (na ogół
nieznaną) wariancją. Pobieramy próbę rozsądnej wielkości,
tak byśmy mogli sprawdzić założenie o normalności rozkła­
du (rozdział 35).
Uzasadnienie
Chcemy się dowiedzieć, czy średnia /* zmiennej w interesu­
jącej nas populacji różni się od pewnej hipotetycznej warto­
ści Hi. W tym celu stosujemy statystykę testową opartą na
różnicy między średnią próby 5c~ oraz juv Załóżmy, że nie
2namy wariancji w populacji; wtedy rozważana statystyka
testowa, często określana jako Z, podlega rozkładowi t. Jeże­
li znamy wariancję w populacji lub wielkość próby jest du­
ża, możemy użyć alternatywnego testu opartego na rozkła­
dzie normalnym (tzw. £-test). Jednakże w obu sytuacjach
wyniki obu testów są prawie identyczne.
Dodatkowa uwaga
Mamy próbę o wielkości n i oszacowanym odchyleniu stan­
dardowym s.
1. Definiujemy podlegające badaniu hipotezy zerową
i alternatywną
Średnia w populacji, równa się
Średnia w populacji nie równa się
48 Podstawowa techniki analizy danych
2. Zbieramy odpowiednie dane z próby osobników.
3. Obliczamy wartość statystyki właściwej dla
która podlega rozkładowi t z (n - 1) stopniami swobody.
4. Porównujemy wartość statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
Dodatek A2.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufno­
ści dla prawdziwej średniej w populacji (rozd2iał 11).
95% przedział ufności jest dany jako:
gdzie t005 jest punktem procentowym rozkładu tz (n- 1)
stopniami swobody, który daje dwustronne prawdopodo­
bieństwo 0,05.
Interpretacja przedziału ufności
95% przedział ufności określa zakres wartości, w którym
z pewnością 95% leży prawdziwa średnia populacyjna. Jeże­
li 95% przedział ufności nie zawiera hipotetycznej wartości
dla średniej odrzucamy hipotezę zerową na poziomie 5%.
Jeżeli jednak przedział ufności zawiera to wtedy, odrzu­
cając hipotezę zerową na tym poziomie, popełniamy błąd.
Jeżeli założenia nie są spełnione
Może się zdarzyć, że zmienna nie podlega rozkładowi nor­
malnemu. Chociaż test f jest stosunkowo odporny na brak
normalności, to należy zwracać uwagę na silne skośności.
Możemy wtedy albo przetransformować dane, aby zmienna
miała rozkład normalny (rozdział 9), albo użyć testu niepara­
metrycznego, takiego jak test znaków lub rangowy test Wil-
coxona (rozdział 20).
TEST ZNAKÓW
Uzasadnienie
Test znaków jest prostym testem opartym na rozkładzie
mediany. Przyjmujemy pewną hipotetyczną wartość X dla
mediany w populacji. Jeżeli nasza próba pochodzi z tej po­
pulacji, wtedy w przybliżeniu polowa wartości w próbie
powinna być większa niż A, a polowa mniejsza niż X (po wy­
kluczeniu każdej wielkości, która jest równa X).
1. Definiujemy podlegające badaniu hipotezy zerową
i alternatywną
HQ: Mediana w populacji równa się X.
H^. Mediana w populacji nie równa się X.
2. Zbieramy odpowiednie dane z próby osobników.
3. Obliczamy wartości statystyki specyficznej dla HQ
Pomijamy wszystkie wartości równe X, pozostawiając
n' wartości. Zliczamy wartości, które są większe od X. Po­
dobnie, zliczamy wszystkie wartości, które są mniejsze od
X. (W praktyce obliczamy różnicę między każdą wartością
w próbie i X, biorąc pod uwagę znak tej różnicy.) Bierze­
my pod uwagę wartość r, będącą mniejszą z tych dwóch
zliczeń.
• Gdy n' s 10, wartością statystyki jest r.
• Gdy n' > 10, obliczamy
gdzie n'/2 jest liczbą wartości powyżej (lub poniżej) me­
diany, której moglibyśmy oczekiwać, gdyby hipoteza zero­
wa była prawdziwa. Pionowe kreski wskazują, że bierze-
PRZYKŁAD
foUiiejif pewne dowody aa to, że wysokie poziomy trójgli-
cerydów we krwi są powiązane z chorobą serca. W ra­
mach dużego badania kohortowego nad chorobami serca
Tebrano dane na temat poziomu trójglicerydów u 232 męż­
czyzn, u których rozwinęła się choroba serca w okresie
5 lat po włączeniu do badania. Chcielibyśmy dowiedzieć
się, czy średni poziom trójglicerydów w populacji męż­
czyzn, /. której pobrano próbę, jesl taki sam jak w ogólnej
1. Średnia IogjQ (poziom trójgliccrydów) w populacji
mężczyzn, u których rozwija się choroba serca, równa
się 0,24 loy (inmol/1).
Średnia log10 (poziom trójglicerydów) w populacji
mężczyzn, u których rozwija sie choroba serca, nic rów­
na się 0,24 log (mmol/1).
2. Wielkość próby n = 232.
Średnia wartości zlogarytmowanych x - 0,31 log
(mmol/1).
Odchylenie standardowe wartości zlogarytmowanych
.*= 0,23 log (mmol/1).
3. Statystyka testowa,
0,31-0,24 ^
/= 4 6 4
0,23/vr232
Test znaków bierze pod uwagę liczbę wartości w naszej
próbie, które są większe (lub mniejsze) niż X.
Test znaków jest prostym testem; możemy też jednak
użyć mocniejszego testu, testu rangowanych znaków Wil-
coxona (rozdział 20), który przy przeprowadzaniu takiej
analizy bierze pod uwagę zarówno rangi danych, jak i ich
znaki.
my pod uwagę bezwzględną wartość (tzn. dodatnią) liczby
podanej między kreskami. Rozkład 2 jest w przybliżeniu
normalny. Odjęcie wartości V2 stanowi tzw. poprawkę na
ciągłość, którą musimy uwzględnić z uwagi na fakt, że
wiążemy wartość dyskretną (r) z rozkładem ciągłym (roz­
kładem normalnym).
4. Porównujemy wartość statystyki testowej z warto­
ściami ze znanego rozkładu prawdopodobieństwa.
• Jeżeli n ś 10, należy porównać r z wartościami w Do­
datku A6.
• Jeżeli n > 10, należy porównać z z wartościami w Do­
datku Al.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufności
dla mediany — niektóre pakiety statystyczne wykonują to
automatycznie; jeżeli nie, możemy porangować wartości
w kierunku ich wzrostu i porównać z wartościami w Do­
datku A7 w celu określenia rang wartości, których należy
użyć do zdefiniowania granic przedziału ufności. Ogólnie,
przedziały ufności dla mediany będą szersze niż dla śred­
niej.
populacji. Do zbadania tego użyto testu I dla jednej pró­
by. Poziomy trójglicerydów są prawoskośne (rycina 8.3a);
logarytmy poziomu trójglicerydów mają w przybliżeniu
rozkład normalny (rycina 8.3b), tak więc wykonujemy na­
szą analizę na wartościach logarytmowanych. U mężczyzn
w ogólnej populacji średnia wartości logarytmowanych
wynosi 0,24 log10 (mmol/1), co jest równoważne średniej
geometrycznej 1,74 mmol/1.
4. Porównujemy f z wartościami w Dodatku A2 przy 231
stopniach swobody: p < 0,001.
5. Istnieje silny dowód przemawiający za odrzuceniem
hipotezy zerowej, że średnia geometryczna poziomu trój­
glicerydów w populacji mężczyzn z rozwijającą się cho­
robą serca wynosi 1,74 mmol/1. Średnia geometryczna
poziomu trójglicerydów w populacji mężczyzn z rozwija­
jącą się chorobą serca jest obliczana jako antylogaryliii
(0,31) = 100-31, który wynosi 2,04 mmol/1. 95% przedział
ufności dla średniej geometrycznej poziomu trójglicery­
dów zawiera się między 1,90 a 2,19 mmol/1 (tj. antyloga-
rytm 10,31 ± 1,96 x 0,23/\/232]). Dlatego w tej populacji
pacjentów średnia geometryczna poziomu irójglicerydów
jest istotnie wyższa od poziomu w ogólnej populacji.
19. Dane numeryczne: pojedyncza grupa 49
 Do przeprowadzenia podobnej analizy nietransformowa- danych. Zakładamy, że mediana i średnia geometryczna
nycli poziomów trójglicerydów możemy użyć testu zna­ poziomu trójglicerydów w populacji mężczyzn są zbliżone.
ków, gdyż iik- wymaga on żadnych założeń co do rozkładu

1. WQ.: Mediana poziomu trójglicerydów w populacji 4. Porównujemy z z wartościami w Dodatku Al:

mężczyzn, u których rozwija się choroba serca, jest rów­
na 1,74 mmol/1.
//;: Mediana poziomu trójglicerydów w populacji
mężczyzn, u których rozwija się choroba serca, nie jest
równa 1,74 irimol/1.
2. W tym zbiorze danych wartość mediany wynosi
l,34miiiol/l.
3. ttadamy różnice pomiędzy każdą wartością a 1,74.
Istnieje 231 niozerowych różnic, z których 135 jest do­
datnich, a 96 jest ujemnych. Dlatego r - 96. Jako że licz­
ba niezdrowych różnic jest większa niż 10, obliczamy:
p = 0,012.
5. Istnieje dowód pozwalający na odrzucenie hipotezy
zerowej, że mediana poziomu trójglicerydów w populacji
mężczyzn z rozwijającą się chorobą serca wynosi 1,74
mmol/1. Wzór w Dodatku A7 wskazuje, że 95% prze­
dział ufności dla mediany populacji jest określony przez
101. oraz 132. porangowaną wartość; odpowiada to war­
tościom 1,77 oraz 2,16 mmol/1. Dlatego w analizowanej
populacji pacjentów mediana poziomu trójglicerydów
jest istotnie wyższa niż ta w ogólnej populacji.

Dane uzyskane dzięki uprzejmości: dr F. C. Lampe, ms M. Walker i dr P. Whincup, Department of Primary Care and Popułation Scien­
ces, Royal Free and University College Medioal School, Londyn, Wielka Brytania.

50 Podstawowe techniki analizy danych

20 DANE NUMERYCZNE: DWIE GRUPY POWIĄZANE
PROBLEM
Mamy dwie próby, które są ze sobą powiązane, i jedną inte­
resującą nas zmienną numeryczną lub porządkową.
• Zmienna może być zmierzona dla każdego obiektu
w dwu okolicznościach. Na przykład, w badaniu naprze­
miennym (rozdział 13) każdy pacjent ma wykonane dwa po­
miary zmiennej, raz, gdy bierze lek aktywny, i raz, gdy bie­
rze placebo.
• Obiekty w każdej próbie mogą być różne, lecz są ze
sobą w jakiś sposób powiązane. Na przykład, w badaniu
przypadek-kontrola (rozdział 16) pacjenci w jednej grupie
mogą być indywidualnie dopasowani do pacjentów w dru­
giej grupie.
Takie dane są znane jako dane powiązane. Przy analizo­
waniu danych trzeba wziąć pod uwagę zależności między
oboma próbami, w przeciwnym razie korzyści wynikające
z parowania (rozdział 13) zostają utracone. Dokonujemy te­
go, biorąc pod uwagę różnice wartości w każdej parze i re­
dukując przez to dwie próby do jednej próby różnic.
TEST t DLA ZMIENNYCH POWIĄZANYCH
Założenia
W populacji będącej przedmiotem badania różnice indywi­
dualne mają rozkład normalny z określoną (na ogół niezna­
ną) wariancją. Mamy wystarczająco dużą próbę, aby móc
zbadać założenie normalności.
Uzasadnienie
Jeżeli dwa zbiory pomiarów były takie same, spodziewamy
się, że w populacji podlegającej badaniu średnia różnic po­
między każdą z par pomiarów będzie równa zero. Dlatego
nasza statystyka testowa sprowadza się do testu t dla jed­
nej próby (rozdział 19), złożonej z różnic, gdzie hipotetyczna
wartość średniej różnicy w populacji jest równa zero.
Dodatkowa uwaga
Z powodu powiązanej struktury danych nasze dwie próby
muszą być tej samej wielkości n. Mamy n różnic, ze średnią
próby x i z oszacowanym odchyleniem standardowym sd.
1. Definiujemy podlegające badaniu hipotezy zerową
i alternatywną.
H0: Średnia różnic w populacji równa się zero.
/fj-. Średnia różnic w populacji nie równa się zero.
2. Zbieramy odpowiednie dane z dwóch powiązanych prób.
3. Obliczamy wartość statystyki testowej właściwej dla HQ
która podlega rozkładowi f z (n - 1) stopniami swobody.
4. Porównujemy wartość statystyki testu z wartościa­
mi ze znanego rozkładu prawdopodobieństwa, odwołu­
jąc się do Dodatku A2.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufno­
ści dla prawdziwej średniej różnic w populacji. 95%
przedział ufności jest dany jako
gdzie f005 jest punktem procentowym rozkładu tz(n-l)
stopniami swobody, który daje dwustronne prawdopodo­
bieństwo równe 0,05.
Jeżeli założenia nie są spełnione
Jeżeli różnice nie podlegają rozkładowi normalnemu, zało­
żenie leżące u podstaw testu t nie jest spełnione. Możemy
wtedy albo przetransformować dane (rozdział 9), albo użyć
testu nieparametrycznego, takiego jak test znaków (rozdział
19), lub testu rangowanych znaków Wilcoxona w celu osza­
cowania, czy różnice są skupione wokół zera.
TEST RANGOWANYCH ZNAKÓW
WILCOXONA
Uzasadnienie
W rozdziale 19 wytłumaczyłyśmy, jak używać testu znaków
w przypadku pojedynczej próby pomiarów numerycznych
w celu zbadania hipotezy zerowej, że mediana populacyjna
równa jest określonej wartości. Możemy również użyć testu
znaków, jeżeli mamy obserwacje powiązane: para jest repre­
zentowana albo przez dobrane obiekty (np. w badaniu przy­
padek-kontrola, rozdział 16), albo przez pomiary wykonane
na tych samych obiektach w różnych okolicznościach (jak
w badaniu naprzemiennym dwóch sposobów leczenia,
A oraz B, rozdział 13). Dla każdej pary obliczamy różnicę
pomiarów. Testu znaków można użyć do zbadania, czy me­
diana różnicy w populacji równa jest zero, poprzez analizę
różnic w próbie i sprawdzenie, jak często różnice są więk­
sze (lub mniejsze) od zera. Jednakże test znaków nie
uwzględnia informacji o wielkości tych różnic.
Test rangowanych znaków Wilcoxona bierze pod uwagę
nie tylko znaki różnic, lecz także ich wielkości, i dlatego jest
testem o większej mocy (rozdział 18). Dla każdej pary wyni­
ków obliczamy indywidualną różnicę. Pomijając różnice ze­
rowe, pozostałe klasyfikujemy jako dodatnie albo ujemne.
Dodatkowo, pomijając ich znaki, różnice porządkujemy
w kierunku ich wzrostu i odpowiednio rangujemy. W ten
sposób najmniejsza różnica otrzymuje wartość 1, kolejna
najmniejsza wartość 2 itd., aż do największej różnicy, której
przyporządkowujemy wartość n', jeżeli wystąpiło n' niezero-
wych różnic. Jeżeli mamy dwie lub więcej takie same różni­
ce, to otrzymują one średnią z rang tych wartości, które
otrzymałyby, gdyby nie były związane. Gdy hipoteza zerowa
o braku różnicy jest prawdziwa, suma rang związanych
z różnicami dodatnimi i ujemnymi powinna być jednakowa
(patrz kolejna ramka).
20. Dane numeryczne: dwie grupy powiązane 51
 1. Definiujemy podlegające badaniu hipotezy zerową
i alternatywną.
H0'. Mediana różnic w populacji równa się zero.
Hi, Mediana różnic w populacji nie jest równa zero.
2. Zbieramy odpowiednie dane z dwóch powiązanych prób.
3. Obliczamy wartość statystyki testowej właściwej
dla Hv
Obliczamy różnicę dla każdej pary wyników. Pomijając
ich znaki, rangujemy wszystkie ń niezerowe różnice przez
przyporządkowanie wartości 1 do najmniejszej różnicy
i wartości n' do największej. Sumujemy rangi różnic dodat­
nich {TJ i ujemnych {T_).
* Jeżeli n' s 25, statystyka testowa Tprzybiera war­
tość równą liczbie mniejszej spośród T+ lub T_.
• Jeżeli n' > 25, obliczamy statystykę z, gdzie:
1
Siegel S., Gastellan N. J.: Nonparametric Statistics for the Behavioural Sciences. McGraw-Hill, Nowy Jork 1988.
PRZYKŁADY
Przebadano zęby 96 nowych rekrutów, mężczyzn w wie­
ku pomiędzy 16. a 20. rokiem życia, werbowanych do Kró­
lewskich Sil Powietrznych. Po przeprowadzeniu niezbęd­
nego leczenia w celu uzyskania prawidłowego stanu uzę­
bienia zostali oni przebadani ponownie rok później. Cała
jama ustna, wyłączając zęby mądrości, ma 28 zębów.
W tym badaniu każdy ząb ma cztery strony interesujące
poriodontologów; zatem każdy rekrut posiadał minimum
84 i maksimum 112 mierzonych powierzchni w obu bada­
niach. (Jeleni badania było sprawdzenie wpływu leczenia
na głębokość kieszonek, która jest miarą choroby przyzę­
1. /70: Średnia różnica głębokości kieszonki przed i po le­
czeniu w populacji rekrutów równa się zero.
/fj: Średnia różnica głębokości kieszonki przed i po
leczeniu w populacji rekrutów nic równa się zero.
2. Wielkość próby n - 96. Średnia różnica głębokości
kieszonki x- 0,1486 mm. Odchylenie standardowe róż­
nic .s,,= 0,5601 rum.
3. Statystyka testowa.
4. Porównujemy i z wartościami w Dodatku A2 z (96 - 1)
= 95 stopniami swobody: 0,01 < p < 0,05 (obliczenia
komputerowe dają p = 0,011).
52 Podstawowe techniki analizy danych
z podlega rozkładowi normalnemu (jego wartość musi być
skorygowana, jeżeli mamy wiele wartości związanych ).
1
4. Porównujemy wartość statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
• Jeżeli ri S 25, należy porównać wartość Ti warto­
ściami w Dodatku A8
• Jeżeli n' > 25, należy porównać wartość z z warto­
ściami w Dodatku Al.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufności
dla mediany różnic (rozdział 19) w całej próbie.
bia (głębsza kieszonka oznacza hardziej zaawansowaną
chorobę). Głębokość kieszonki była wyznaczona dla każde­
go rekruta jako średnia głębokość kieszonek dla każdej
mierzonej strony w jego jamie ustnej.
Ponieważ w tej próbie rekrutów różnice w głębokości
kieszonek miały w przybliżeniu rozkład normalny, zasto­
sowano test r dla zmiennych powiązanych w celu stwier­
dzenia, czy średnia głębokość kieszonki była taka sama
przed i po leczeniu. Pełny wydruk komputerowy wyników
jest załączony w Dodatku C.
5. Mamy dowód pozwalający na odrzucenie hipotezy
zerowej i możemy wnioskować, że średnia głębokość kie­
szonki rekruta po leczeniu zmniejszyła się. 95% prze­
dział -ufności dla prawdziwej średniej różnicy w prze­
ciętnej głębokości kieszonki wynosi od 0,035 do 0,262
mm (tj. 0,1486 ± 1,95 x 0,5601/\/96). Oczywiście nie
wolno nam tu pochopnie wyciągać wniosków, że jest to
efekt leczenia, które zredukowało przeciętną głębokość
kieszonki, gdyż nie mamy grupy kontrolnej rekrutów,
którzy nie byli leczeni. Poprawa może być konsekwencja
czasu łub zmiany przyzwyczajeń w higienie jamy ustnej
i może nie wynikać ze stosowanego leczenia.
 Dane w poniższej tablicy pokazują procent zmierzonych
, stron, w których zaobserwowano brak przyczepu w każ­
dym badaniu u każdego z 14 rekrutów wysianych do pew­
nej bazy sit powietrznych. Utrata przyczepu jest wskaźni­
kiem choroby przyzębia, która może być bardziej
1. i/(); Mediana różnic (przed i po leczeniu) wyrażonych
w procentach stron z utrata, przyczepu równa się zero
w populacji rekrutów.
Hf Mediana różnic (przed i po leczeniu) wyrażonych
w procentach stron z utratą przyczepu nie równa się ze­
ro w populacji rekrutów.
2. Procent zmierzonych stron z utratą przyczepu przed
i po leczeniu dla każdego rekruta pokazany jest w poniż­
szej tabeli.
3. Istnieje jedna zerowa różnica; z pozostałych n' = 13
różnic, trzy są dodatnie, a 10 ujemnych. Suma rang róż­
nic dodatnich wynosi 7; = 3 15 + 13 = 21.
4. Ponieważ ii < 25, porównujemy Tt z wartościami w Do­
datku A8: p > O.Of) (wynik komputerowy wynosi p - 0,09).
Duffy S.: Iłemlta ofa three year longitiidinal study ofaarly periodontitis łn a group ofBritish niale adolescents. MSc Dissci taiiori, Uni-
yersily of London, EasLman Denlal Insliiute for Orał Health Care Sciences 1997.
zaawansowana, niż to wynika z głębokości kieszonki. Po­
nieważ różnice w procentach nic podlegają rozkładowi
normalnemu, do zbadania, czy leczenie miało jakikolwiek
wptyw na utratę przyczepu, użyliśmy testu rangowanych
znaków Wilcoxona.
5. Nie mamy wystarczającego dowodu pozwalającego na
odrzucenie hipotezy zerowej o braku zmiany w procencie
stron z utratą przyczepu. Mediana różnic w procencie
stron z utratą przyczepu wynosi -3,1% (tj. średnia
z -2,5% oraz z -3,6%), ujemna mediana różnic wskazuje,
że przeciętnie procent stron z utratą przyczepu jest więk­
szy po leczeniu, chociaż różnica ta nie jest istotna. Doda­
tek A7 pokazuje, że w przybliżeniu 95% przedział ufno
ści dla mediany różnic w populacji jest dany przez trzecią
i dwunastą rangowaną różnicę (włączając różnice zero
we); wynoszą one -12,8% oraz 0,9%. Chociaż więc wynik
testu nie jest istotny statystycznie, dolna granica wska­
zuje, że procent stron z utratą przyczepu może wynosić
aż 12,8% więcej po leczeniu rekruta!
20. Dane numeryczne: dwie grupy powiązane 53
21 DANE NUMERYCZNE:
DWIE GRUPY NIEPOWIĄZANE
PROBLEM
Mamy próby z dwóch niezależnych (niepowiązanych) grup
osobników i jedną numeryczną lub porządkową zmienną
podlegającą badaniu. Chcielibyśmy się dowiedzieć, czy śred­
nia lub rozkład zmiennej jest taki sam w obu grupach. Na
przykład chcemy porównać masy ciaia w dwóch grupach
dzieci, gdzie każde dziecko przydzielono losowo albo do gru­
py z auplementem dietetycznym, albo z placebo.
TEST t DLA ZMIENNYCH NIEPOWIĄZANYCH
(DWIE PRÓBY)
Założenia
W populacji zmienna ma rozkład normalny w każdej z grup,
a wariancje są takie same. Oprócz tego mamy wystarczają­
co duże próby, by móc sprawdzić założenia o normalności
i równych wariancjach.
Uzasadnienie
Rozpatrujemy różnicę średnich w obu grupach. Zgodnie
z hipoteza zerową średnie populacyjne w obu grupach są ta­
kie same, więc różnica będzie równa zero. Dlatego używa­
my statystyki, która jest oparta na różnicy dwóch średnich
z prób i na wartości różnicy między średnimi populacyjny­
mi przy założeniu słuszności hipotezy zerowej (tj. zero). Ta­
ka statystyka testowa, często określana jako f, podlega roz­
kładowi t.
Notacja
Nasze dwie próby mają wielkości odpowiednio oraz . Ich
średnie wynoszą , a odchylenia standardowe
1. Definiujemy podlegające sprawdzeniu hipotezy ze­
rową i alternatywną.
Populacyjne średnie w obu grupach są sobie równe.
Populacyjne średnie w obu grupach nie są sobie
równe.
2. Zbieramy odpowiednie dane z dwóch prób osobników.
3. Obliczamy wartość statystyki testowej właściwej
dla
Jeżeli s jest estymatorem łączonego odchylenia stan­
dardowego w obu grupach,
wtedy statystyka testowa jest dana przez t, gdzie:
i podlega rozkładowi t z stopniami swobody.
54 Podstawowe techniki analizy danych
4. Porównujemy wartość statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
Porównujemy t z wartościami w Dodatku A2. Jeżeli
wielkości próby w obu grupach są duże, rozkład t przy­
bliża rozkład normalny. Odrzucamy wtedy hipotezę ze­
rową na poziomie 5%, jeżeli wartość bezwzględna t (tj.
pomijająca znak) jest większa niż 1,96.
5. Interpretujemy wartość p oraz wyniki.
Interpretujemy wartość p i obliczamy przedział ufno­
ści dla różnicy dwóch średnich. Przy założeniu, że wa­
riancje są równe, 95% przedział ufności dany jest jako:
gdzie f0 05 jest punktem procentowym rozkładu f z (nr +
+ ng - 2) stopniami swobody, dającym dwustronne praw­
dopodobieństwo równe 0,05.
Interpretacja przedziału ufności
Górna i dolna granica przedziału ufności po2wala stwier­
dzić, czy różnica między dwoma wartościami średnimi jest
klinicznie ważna. Na przykład, jeżeli górna i/lub dolna gra­
nica jest bliska zero, prawdziwa różnica może być bardzo
mała i bez znaczenia klinicznego, nawet wtedy, gdy test jest
statystycznie istotny.
Jeżeli założenia nie są spełnione
Jeżeli próby są wystarczająco duże, test t jest całkiem od­
porny (rozdział 35) na odstępstwa od normalności. Jednakże
jest on mniej odporny na brak równości wariancji. Istnieje
modyfikacja testu t dla zmiennych niepowiązanych, dopusz­
czająca różne wariancje, a jej wyniki są często przedstawia­
ne na wydrukach komputerowych. Jeżeli założenia nie są
spełnione, możemy też albo przetransformować dane (roz­
dział 9), aby otrzymać w przybliżeniu rozkład normalny
i/lub równe wariancje, albo też użyć testu nieparametrycz­
nego, takiego jak test sumy rang Wilcoxona.
TEST WILCOXONA SUMY RANG
(DWIE PRÓBY)
Uzasadnienie
Test sumy rang Wilcoxona nie wymaga żadnych założeń co
do rozkładu i jest nieparametrycznym testem odpowiadają­
cym testowi t dla zmiennych niepowiązanych. Test jest opar­
ty na sumie rang wartości z każdej z dwóch grup. Porównu­
jemy je, nawet jeśli próby są różnych wielkości, jeżeli tylko
grupy mają podobne rozkłady. Równoważny test, znany jako
test V Manna-Whitney'a, daje identyczne rezultaty, cho­
ciaż jest nieco bardziej skomplikowany przy obliczeniach
bez pomocy komputera.
1. Definiujemy podlegające badaniu hipotezy zerową
i alternatywna.
H§. Dwie grupy mają taki sam rozkład w populacji,
i/j: Dwie grupy mają różne rozkłady w populacji.
2. Zbieramy odpowiednie dane z dwóch prób osobników.
3. Obliczamy wartość statystyki testowej właściwej
dla H0.
Wszystkie obserwacje ranguje się tak, jakby pochodzi­
ły z jednej próby. Obserwacjom wiązanym nadaje się
średnia z rang, jakie otrzymałyby te wartości, gdyby nie
były wiązane. Następnie oblicza się sumę rang Tw mniej-
S2ej grupie.
• Jeżeli wielkość każdej grupy wynosi 15 lub mniej,
statystyką testową jest T.
* Jeżeli co najmniej jedna z grup jest większa niż 15,
obliczamy statystykę testową
podlegającą rozkładowi normalnemu, gdzie
i Siegel S., Castellan N. J.: Nonparametric Statistics for the Behavioural Sciences. McGraw-Hill, Nowy Jork 1988.
PRZYKŁAD 1
W celu określenia efektu regularnego, profilaktycznego
inhalowania kortykosteroidów w trakcie napadów astma­
tycznych związanych z infekcją wirusową u dzieci w wie­
ku szkolnym przeprowadzono losowe, podwójnie ślepe
badania, porównujące skutki inhalowania dipropionianu
beklomctazonu z placebo. W tym badaniu głównym
wskaźnikiem była średnia wymuszona objętość wydecho­
1. HQ. Średnia FEV1 w populacji dzieci w wieku szkol­
nym jest taka sama w obu grupach badanych.
Htf Średnia FŁV1 w populacji dzieci w wieku szkol­
nym nic jest taka sama w obu grupach badanych.
2. Grupa leczonych: wielkość próby n{ = 50; średnia 3q =
1,64 litrów, odchylenie standardowe s, = 0,29 litrów.
Grupa placebo: wielkość próby n-, = 48; średnia x, =
1,54 litrów; odchylenie standardowe sy = 0,25 litrów.
3. Połączone odchylenie standardowe,
Dane uzyskane dzięki uprzejmości: dr-1. Doiill, Cystic Fibrosis/Hespiratory Unit, Department of Child Health, University Hospital of
Wales, Cardiff, Wielka Brytania i dr F. C. Lampe, Department of Primary Care and Popuiation Sciences, Royal Free and University
College Medical School, Londyn, Wielka Brytania.
a ns i nL są odpowiednio liczebnościami mniejszej i więk­
szej grupy. Jeżeli występuje wiele pomiarów wiązanych1,
^musi być skorygowane.
4. Porównujemy wartość statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
• Jeżeli liczebność w każdej próbie wynosi 15 lub mniej,
porównujemy Tz wartościami w Dodatku A9.
• Jeżeli co najmniej jedna z grup ma liczebność więk­
szą niż 15, porównujemy z z wartościami w Dodatku Al.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i uzyskujemy przedział ufności
dla różnic dwóch median. Obliczenia bez pomocy kompute­
ra są czasochłonne i dlatego nie zamieszczamy szczegółów;
niektóre pakiety statystyczne wyznaczają przedziały ufno­
ści CI. Jeżeli w Twoim pakiecie brak takiego przedziaiti
ufności, możesz zastosować przedział ufności dla mediany
w każdej z dwóch grup.
wa (FEV1) po 6-miesięcznym okresie inhalowania. Po
sprawdzeniu założeń o normalności i równości wariancji
(patrz rycina 4.2) wykonałyśmy test t dla zmiennych nie­
powiązanych w celu porównania średnich w obu grupach.
Pełny wydruk komputerowy wyników pokazany jest
w Dodatku C.
4. Porównujemy t z wartościami Dodalku A2 z 50 +
+ 48 - 2 = 96 stopniami swobody. Ponieważ Dodatek A2
jest ograniczony do pewnej liczby stopni swobody, doko­
nałyśmy interpolacji (oszacowania żądanej wartości le­
żącej między dwoma znanymi wartościami) pomiędzy
wartościami odpowiadającymi 50 i 100 stopniom SWOIKJ-
dy. Stąd p > 0,05 (wynik komputerowy wynosi p = 0,06).
5. Nie mamy dostatecznego dowodu pozwalającego na
odrzucenie hipotezy zerowej na poziomie 5%. Ponieważ
jednak wartość p jest jedynie odrobinę większa niż 0,05,
może to wskazywać, że średnie naszych dwóch popula­
cji są różne. Oszacowana różnica między średnimi wy
nosi 1,64 - 1,54 = 0,10 litrów. 95% przedział ufności dla
prawdziwej różnicy między dwoma średnimi zawiera się
między -0,006 a 0,206 litrów
21. Dane numeryczne: dwie grupy niepowiązane 55
 PRZYKŁAD 2
W colu zbadania, czy mechanizm związany ze śmiertelną
astmą wywołana nasionami soi różni się od zwykłej
śmiertelnej astmy porównano liczbę komórek CD3+ T
w warstwie podśluzówkowej, będących miarą systemu
obronnego organizmu, w siedmiu przypadkach śmiertel­
nej astmy wywołanej pyłem z nasion soi i dziesięciu przy­
padkach zwykłej astmy śmiertelnej. Z powodu małych li­
czebności prób i w sposób oczywisty skośnych danych
przeprowadziłyśmy test sumy rang Wilcoxona w colu po­
równania rozkładów.

1. Iiozkktdy liczby komórek CD3+ T w dwóch gru­
pach w populacji są takie same.
Rozktndy liczby komórek CD3+ T w dwóch gru­
pach w populacji nie są lakie same.
2. Grupa nasion soi: wielkość próby ns- 7, poziomy ko­
mórek CD3+ 1' (komórek/mmz) wynosiły 34,45; 0,00;
1,36; 0,00; 1,43; 0.00; 4,01.
Grupa astmy: wielkość próby nL - 10, poziomy komó­
iek (T>3+ T (komórek/mm2) wynosiły 74,17; 13,75;
37,50; 1225,51; 99,99; 3,76; 58,33; 73,63; 4,32; 154,86.
Dmie porangowane zamieszczono w tablicy poniżej.
li. Suma rang w grupie nasion s o i - 2 + 2 + 2 + 4 +5 +
+ 7 + 10 = 32.
Simm rang w grupie astmy = 6 + 8 + 9 + 11 + 12 +
+ i;i+ 14 + 15 + 16 + 17 = 121.
4. Ponieważ mamy 10 lub mniej wartości w każdej z grup,
otrzymujemy wartość p z Dodatku A9: p < 0,01 (wynik
komputerowy wynosi p = 0,002).
5. Istnieje dowód pozwalający na odrzucenie hipotezy ze­
rowej, że rozkłady poziomów komórek CD3+ T są takie
same w obu grupach. Mediany liczby komórek CD3+ T
w grupach astmy sojowej i zwykłej astmy śmiertelnej
wynoszą odpowiednio 1,36 (95% przedział ufności od
0 do 34,45) oraz (58,33 + 73,63)/2 = 65,98 (95% prze­
dział ufności od 4,32 do 154,86) komórek/mm2. Przy­
puszczamy więc, że liczba komórek CD3+ T jest zmniej­
szona w śmiertelnej astmie sojowej, co sugeruje inny
mechanizm od opisanego dla większości zgonów 2 powo­
du astmy.

Nasiona soi 0,00 0,00 0,00 1,36 1,43 4,01 34,45

Astma 3,76 4,32 13,75 37,50 58,33 73,63 74,17 99,99 154,86 1^5,51
Rouyu 2 2 2 4 5 6 7 8 9 A0 11 12 13 14 15 16 17

Dane uzyskano dzicki uprzejmości: dr M. Synek, Coldeast Hospital, Sarisbury i dr F. C. Lampe, Department of Primary Curc wid Pojiu-
lation ScioncoH, llayal Krce and University College Medical School, Londyn, Wielka Brytania.

56 Podstawowe techniki analizy danych

 22 DANE NUMERYCZNE:
WIĘCEJ NIŻ DWIE GRUPY
PROBLEM
Mamy próby z pewnej liczby niezależnych grup. Rozważamy
pojedynczą zmienną numeryczną lub porządkową i chcieli­
byśmy się dowiedzieć, czy przeciętna wartość tej zmiennej
ulega zmianom w różnych grupach, np. czy przeciętna licz­
ba płytek krwi różni się w grupach kobiet o różnym pocho­
dzeniu etnicznym. Chociaż możemy przeprowadzić porówna­
nia przeciętnych pomiędzy każdą parą grup, duże ryzyko
błędu I rodzaju, wynikające z dużej liczby porównań, ozna­
cza, że możemy wyciągnąć nieprawidłowe wnioski (rozdział
18). Dlatego przeprowadzamy jeden łączny test sprawdzają­
cy, czy przeciętne różnią się w grupach.
JEDNOCZYNNIKOWA
ANALIZA WARIANCJI
Założenia
Grupy są zdefiniowane przez poziomy pojedynczego czynni­
ka (np. rozmaite pochodzenie etniczne). W badanej populacji
zmienna w każdej grupie ma rozkład normalny, a wariancje
we wszystkich grupach są takie same. Mamy odpowiednio
duże próby, aby zbadać te założenia.
Uzasadnienie
Jednoczynnikowa analiza wariancji pozwala rozdzielić cał­
kowitą zmienność danych na tę, która może być przypisana
różnicom między osobnikami z różnych grup (zmienność
międzygrupowa), oraz losowe zmiany między osobnikami
wewnątrz każdej grupy (zmienność wewnątrzgrupowa,
zwana niekiedy niewyjaśnioną lub resztową). Te składowe
zmienności mierzone są przy użyciu wariancji, stąd nazwa
analiza wariancji (ANOVA). Gdy prawdziwa jest hipoteza
zerowa, że średnie grupowe są takie same, wariancja mię­
dzygrupowa będzie zbliżona do wariancji wewnątrzgrupo­
wej. Jeżeli jednak istnieją różnice między grupami, wtedy
wariancja międzygrupowa będzie większa niż wariancja
wewnątrzgrupowa. Test oparty jest na stosunku tych dwóch
wariancji.
Notacja
Mamy k niezależnych prób, każda jest otrzymana z innej
grupy. Liczebności prób, średnie i odchylenia standardowe
w każdej grupie wynoszą odpowiednio oraz (i=l,
2 k). Całkowita liczebność próby wynosi
1. Definiujemy podlegające badaniu hipotezy zerowa
i alternatywną.
Wszystkie średnie grupowe w populacji są równe.
Co najmniej w jednej grupie w populacji średnia
różni się od innych.
2. Zbieramy odpowiednie dane z prób osobników.
3. Obliczamy wartość statystyki testowej właściwej
dla
Statystyka testowa dla ANOVA jest stosunkiem /wa­
riancji międzygrupowej i wariancji wewnątrzgrupowej.
Statystyka .F podlega rozkładowi .F (rozdział 8) odpowied­
nio z {k- 1, n-1) stopniami swobody dla licznika i mia­
nownika.
Obliczenia wykonywane w ANOVA są złożone, więc
nie opisujemy ich tutaj. Większość pakietów komputero­
wych podaje wyniki bezpośrednio w postaci tablicy
ANOVA, która zwykle zawiera stosunek foraz wartość p
(patrz przykład 1).
4. Porównujemy wartości statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
Stosunek F porównujemy z wartościami w Dodatku
A5. Ponieważ wariancja międzygrupowa jest większa
lub równa wariancji wewnątrzgrupowej, bierzemy pod
uwagę jednostronne wartości p.
5. Interpretujemy wartość p i wyniki.
Jeżeli na tym początkowym etapie otrzymamy wynik
istotny, możemy rozważyć przeprowadzenie właściwych
porównań par typu post-hoc. Możemy użyć jednego z wie­
lu testów stworzonych specjalnie do tego celu (np. Dunca-
na, Scheffego) lub możemy użyć testu t dla zmiennych
niepowiązanych (rozdział 21), dostosowanego do wielokrot­
nego testowania hipotez (rozdział 18). Możemy też obliczyć
przedział ufności dla średniej w każdej indywidualnej gru­
pie (rozdział 11). Należy zauważyć, że gdy obliczamy prze­
działy ufności lub przeprowadzamy test t, używamy wspól­
nego oszacowania wariancji ze wszystkich grup. Więk­
szość pakietów statystycznych określa ten estymator wa­
riancji jako wariancję resztową lub resztowy kwadrat
średniej. Znajduje się ona w tablicy ANOVA.
Chociaż testy te wydają się różne, test t dla zmiennych
niepowiązanych i ANOVA dają równoważne wyniki, gdy ma­
my tylko dwie grupy osobników.
22. Dane numeryczne: więcej niż dwie grupy 57
Jeżeli założenia nie są spełnione
Jakkolwiek ANOVA jest stosunkowo odporna (rozdział 35)
na umiarkowane odstępstwa od normalności, nie jest ona
odporna na nierówne wariancje. Dlatego przed przeprowa­
dzeniem analizy badamy normalność rozkładu i sprawdza­
my, czy wariancje w grupach są podobne: albo dokonując
oceny wzrokowej, albo używając testu Levene'a lub testu
Bartletta (rozdział 35). Jeżeli założenia nie są spełnione,
możemy albo transformować dane (rozdział 9), albo użyć te­
stu nieparametrycznego Kruskala-Wallisa, który jest rów­
noważny jednoczynnikowej ANOVA.
TEST KRUSKAIA-WALLISA
Uzasadnienie
Ten nieparametryczny test jest rozszerzeniem testu sumy
rang Wilconona (rozdział 21). Jeżeli prawdziwa jest hipote­
za zerowa o braku różnic w rozkładach między grupami, su­
my rang w każdej z k grup powinny być porównywalne po
uwzględnieniu każdej różnicy w wielkości prób.
PRZYKŁAD 1
150 kobiet o różnym pochodzeniu etnicznym zostało włą­
czonych do badania przekrojowego na temat czynników
związanych z krzepnięciem krwi. Porównałyśmy średnie
poziomy płytek krwi w czterech grupach, stosując jedno-
1. HQ. Nie ma różnic pomiędzy średnimi poziomami pły­
tek w czterech grupach w populacji.
Hx\ Co najmniej jedna średnia grupowa poziomu pły­
tek różni się od pozostałych w populacji.
Grupa Wielkość Średnia
próby frlO9)
n(%) X (x 109), s
Kaukaska 90 (60,0) 268,1
Afrykańsko-karaibska 21 (14,0) 254,3
Śród zi emnomorska 19 (12,7) 281,1
Inna 20(13,3) 273,3
58 Podstawowe techniki analizy danych
1.Definiujemy hipotezę zerową i alternatywną.
Każda grupa ma taki sam rozkład wartości w po­
pulacji.
Nie każda grupa ma taki sam rozkład wartości
w populacji.
2. Zbieramy odpowiednie dane z prób osobników.
3. Obliczamy wartość statystyki testowej właściwej
dla H0.
Rangujemy wszystkie n wartości i obliczamy sumę
rang w każdej z grup: są to sumy /? 1( ..., Rk. Statyatyka
testowa (która musi zostać zmodyfikowana, jeżeli mamy
wiele wartości wiązanych1) ma postać:
i podlega rozkładowi Chi-kwadrat z (A:- 1) df.
4. Porównujemy wartość statystyki testowej z warto­
ściami znanego rozkładu prawdopodobieństwa.
Porównujemy wartościami w Dodatku A3.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i jeżeli jest ona istotna, wy­
konujemy testy nieparametryczne dla dwóch prób, do­
stosowując je do wielokrotnych porównań. Obliczamy
przedział ufności dla mediany w każdej grupie.
1
Siegel S., Castellan N. J.: Nonparametric Statisticsfor rfte Be-
hcwioral Sciences. McGraw-Hill, Nowy Jork 1988.
Gdy grupy odnoszą się do jednego czynnika i są nieza­
leżne, używamy jednoczynnikowej ANOVA lub jej odpowied­
nika nieparametrycznego. Jeżeli projekt badania jest bar­
dziej złożony, możemy użyć innych modeli ANOVAz.
2
Mickey R. M., Dunn O. J., Clark V. A.: Applied Statisttcs: Analy-
sis of Varian.ce and Regression, Wiley, Chichester 2004.
czynnikową ANOVA. Uzasadnione było przyjęcie założe­
nia o normalności rozkładu i równości wariancji, co poka­
zuje wydruk komputerowy (Dodatek C).
2. Poniższa tabela zawiera dane z każdej grupy.
Odchylenie 95% przedział ufności dla średniej (użyto
standardowe wspólnego oszacowania odchylenia stan­
dardowego — patrz pkt 3)
77,08 252,7 do 283,5
67,50 220,9 do 287,7
71,09 245,7 do 316,5
63,42 238,9 do 307,7
 3. Poniższa tabela ANOVA jest fragmentem wydruku komputerowego.

Źródło Suma kwadratów df Kwadrat średnich Stosunek F Wartość p

Pomiędzy grupami etnicznymi 7711,967 3 2570,656 0,477 0,6990
W obrębie grup etnicznych 787289,533 146 5392,394

Połączone odchylenie standardowe = \/5392,394 x 109 = 73,43 x 109.

4. Tablica ANOVA daje w wyniku p = 0,70. W celu wy­ 5. Nie ma wystarczającego dowodu do odrzucenia hipo­
znaczenia wartości p możemy porównać Fz wartościami tezy zerowej, że średnie poziomy w czterech grupach
w Dodatku A5 z (3, 146) stopniami swobody. w populacji są takie same.

Dane uzyskane dzięki uprzejmości dr R. A. Kadir, University Department of Obstetrics and Gynaecology i prof. C. A. Lee, Hacmophilia
Centrę and Haemostasis Unit, Royal Free Hospital, Londyn, Wielka Brytania.

PRZYKŁAD 2
W trzech grupach osobników, z ciężką hemofilią, z lek­
ką/umiarkowaną hemofilią oraz w grupie kontrolnej zdro­
wych zmierzono przy użyciu kwestionariusza SF-36 jakość
życia. Każda grapa składała się z próby 20 osobników.
W trzech grupach porównano punktacje wyrażone za po­
mocą Skali Fizycznego Funkcjonowania (PFS — physical
functbning scalę), które mogą przyjmować wartości od 0
do 100. Ocena wzrokowa ryciny 22.1 pozwala stwierdzić,
że dane nie mają rozkładu normalnego, więc wykonujemy
test Kruskala-Wallisa.

Rycina 22.1. Wykres punktowy przedstawiający punktację fizycz­

nego funkcjonowania (z kwestionariusza SF-36) osobników z cięż­
ką i lekką/umiarkowaną hemofilią oraz grupy kontrolnej osób
zdrowych. Linie poziome przedstawiają mediany.

1. Każda grupa w populacji ma taki sam rozkład
punktacji PFS.
Co najmniej jedna z grup w populacji ma rozkład
inny niż pozostałe grupy w populacji.
2. Dane przedstawiono na rycinie 22.1.
3. Suma rang w grupie ciężkiej hemofilii = 372.
Suma rang w grupie lekkiej/umiarkowanej hemofilii
= 599.
Suma rang w grupie kontrolnej zdrowych = 859.
4. Porównujemy wartościami w Dodatku A3: p < 0,001.
5. Nie ma dowodu pozwalającego odrzucić hipotezę ze­
rową, że rozkłady punktacji PFS są takie same w trzech
grupach. Przeprowadzono porównania parami przy uży­
ciu testu sumy rang Wilcoxona, z poprawką Bonferro-
niego dopasowującą wartości p, z uwagi na wielokrotne
porównania (rozdział 18). Zarówno osobnicy z ciężką,
jak i lekką/umiarkowaną hemofilią mieli istotnie niższą
punktację PFS niż w grupie kontrolnej (odpowiednio
p = 0,0003 i p = 0,03), lecz rozkłady punktacji w gru­
pach hemofilii nie różniły się istotnie od pozostałych
(p = 0,09).

Dane uzyskane dzięki uprzejmości: dr A. Miners, Department of Primary Care and Population Sciences, Royal Free and University Col­
lege Medical School, Londyn, Wielka Brytania i dr C. Jenkinson, Health Services Research Unit, Universiiy of Oxford, Oxford, Wielka
Brytania.

22. Dane numeryczne: więcej niż dwie grupy 59

23 DANE KATEGORIALNE:
POJEDYNCZA PROPORCJA
PROBLEM
Mamy jedną próbę n osobników; każdy z osobników albo po­
siada cechę podlegającą badaniu (np. jest mężczyzną, jest
w ciąży, umarł), albo nie posiada takiej cechy (np. jest kobie­
tą, nie jest w ciąży, nadal żyje). Dane te można w efektywny
sposób podsumować przez obliczenie proporcji osobników
z tą cechą. Chcielibyśmy się dowiedzieć, czy prawdziwa pro­
porcja w badanej populacji przyjmuje szczególną wielkość.
TEST DLA POJEDYNCZEJ PROPORCJI
Założenia
Nasza próba osobników została wybrana z populacji podle­
gającej badaniu. Każdy osobnik posiada określoną cechę lub
jej nie posiada.
Notacja
W naszej próbie o liczebności n cechę tę posiada r osobników.
Oszacowana proporcja osobników z cechą wynosi p = r/n.
Proporcja osobników z cechą w populacji wynosi JI. Chcemy
sprawdzić, czy n przyjmuje szczególną wartość jiy
Uzasadnienie
Liczba osobników z cechą podlega rozkładowi dwumianowe­
mu (rozdział 8), lecz może być przybliżana rozkładem nor­
malnym, przy założeniu, że każda z wartości np oraz n(l - p)
jest większa niż 5. Wtedy p ma w przybliżeniu rozkład nor­
malny z oszacowaną średnią = p i oszacowanym odchyleniem
standardowym:
Dlatego nasza statystyka testowa oparta na p również
podlega rozkładowi normalnemu.
1.Definiujemy hipotezę zerową i alternatywną.
Proporcja populacyjna n jest równa pewnej szcze­
gólnej wartości %v
Proporcja populacyjna n nie równa się nx.
2. Zbieramy odpowiednie dane z próby osobników.
60 Podstawowe Techniki analizy danych
3. Obliczamy wartość statystyki testowej właściwej
dla
Podlega ona rozkładowi normalnemu.
Wartość l/2n w liczniku jest poprawką ze względu na
ciągłość: dodaje się ją, gdyż aproksymujemy dyskretny
rozkład dwumianowy ciągłym rozkładem normalnym.
4. Porównujemy wartość statystyki testowej do warto­
ści znanego rozkładu prawdopodobieństwa.
Porównujemy ^z wartością w Dodatku Al.
5. Interpretujemy wartość p oraz wyniki.
Interpretujemy wartość p i obliczamy przedział ufno­
ści dla prawdziwej proporcji w populacji n. 95% prze­
dział ufności dla n ma postać:
Możemy użyć tego przedziału ufności do oceny klinicz­
nego lub biologicznego znaczenia wyników. Szeroki prze­
dział ufności wskazuje, że nasz estymator jest mało do­
kładny.
TEST ZNAKÓW W ZASTOSOWANIU
DO PROPORCJI
Uzasadnienie
Testu znaków (rozdział 19) można użyć, gdy badana odpo­
wiedź może być wyrażona jako preferencja (np. w badaniu
naprzemiennym pacjenci mogą preferować leczenie A lub le­
czenie B). Jeżeli ogólnie brak jest preferencji, wtedy może­
my spodziewać się proporcji, np. preferencji A równej 1/2.
Testu znaków używamy w celu sprawdzenia, czy jest tak
w rzeczywistości.
Chociaż takie sformułowanie problemu i statystyka testo­
wa wydają się różnić od tych z rozdziału 19, przy obu podej­
ściach do testu znaków otrzymujemy takie same wyniki.
 1.Definiujemy hipotezę zerową i alternatywną.
Proporcja n preferencji A w populacji jest równa 1/2.
Proporcja preferencji A w populacji nie jest równa 1/2.
2. Zbieramy odpowiednie dane z próby osobników.
3. Obliczamy wartość statystyki testowej właściwej dla
Pomijamy każdego osobnika, który nie ma preferencji,
i zmniejszamy w ten sposób wielkość próby z n do ń. Dla­
tego p - r/n', gdzie r jest liczbą preferencji A.
• Jeżeli «'=£ 10, należy obliczyć r, liczbę preferencji dla A.
• Jeżeli ń > 10, należy obliczyć statystykę testową:
PRZYKŁAD 1
Ludzki wirus opryszczki 8 (HHV-8) został powiązany z mię-
sakiem Kaposiego, pierwotnie naciekającym chtoniakiem,
oraz pewnymi typami choroby wieloogniskowego guza Ca-
stlemana. Zasugerowano, że HHV-8 może być przenoszony
drogą płciową. W celu sprawdzenia istnienia związku mię­
dzy zachowaniami seksualnymi i infekcją HHV-8 została
wyznaczona częstość występowania przeciwciał HHV-8
1. Częstość występowania seropozytywności HHV-8
w populacji homo/biseksualnych mężczyzn wynosi 2,7%.
Częstość występowania seropozytywności HHV-8
w populacji homo/biseksualnych mężczyzn nie jest rów­
na 2,7%.
2. Liczebność próby n = 271; liczba osobników seropozy-
tywnych do HHV-8: r = 50
Częstość występowania seropozytywności p= 50/271
= 0,185 (tj. 18,5%).
3. Statystyka wynosi
Dane otrzymane dzięki uprzejmości: dr N. A. Smith, D. Barlow i B. S. Peters, Department of Genitourinary Medicinc, Guy's and St Tho­
mas' NIIS Trust, Londyn i dr J. Best, Department of Virology, Guy's, Kings College and St Thomass School of Medicinc, King's College,
Londyn, Wielka Brytania.
gdzie z' podlega rozkładowi normalnemu. Należy zauwa­
żyć, że ten wzór oparty jest na statystyce z, użytej w po­
przedniej ramce do testowania hipotezy zerowej, że pro­
porcja populacyjna równa się jrx, z tym że zastąpiliśmy tu
n przez ri oraz nx przez 1/2.
4. Porównujemy wartość statystyki testowej z warto­
ściami ze znanego rozkładu prawdopodobieństwa.
• Jeżeli ri ^ 10, porównujemy r z wartościami w Dodat­
ku A6.
• Jeżeli ri > 10, porównujemy ź z wartościami w Dodat­
ku Al.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufności
dla proporcji preferencji A w całej próbie o liczebności n.
w grupie 271 homo/biseksualnych mężczyzn leczących się
w londyńskiej klinice chorób przenoszonych drogą płciową.
W populacji dawców krwi w Wielkiej Brytanii częstość wy­
stępowania seropozytywności HHV-8 wynosi 2,7%. Naj­
pierw częstość występowania seropozytywności z bieżące­
go badania została porównana z 2,7% przy wykorzystaniu
testu dla pojedynczej proporcji.
4. Porównujemy z z wartościami w Dodatku Al:
p < 0,0001.
5. Istnieje dowód na to, że częstość występowania sero­
pozytywności HHV-8 u homo/biseksualnych mężczyzn le­
czących się w londyńskiej klinice chorób przenoszonych
drogą płciową jest wyższa niż w populacji dawców krwi.
95% przedział ufności dla częstości występowania seropo­
zytywności HHV-8 w populacji mężczyzn homo/biseksu­
alnych wynosi od 13,9% do 23,1%, wyznacza się go jako
23. Dane kategorialne: pojedyncza proporcja 61
 PRZYKŁAD 2
W podwójnie ślepym badaniu naprzemiennym 36 doro­
słych 7 całorocznym alergicznym nieżytem nosa było leczo­
nych zastrzykami podskórnymi lub inhalacją alergenów,
allM) placebo, przy czym w obu grapach zastrzyki byty wy­
konywane codziennie przez określony czas. Pacjenci byli
pytani, czy wolą aktywny lek, czy też placebo. W celu zba­
dania, czy proporcje osób preferujących oba preparaty są
takie same, wykonano test znaków.

1. Proporcja w populacji preferujących aktywny pre­ 4. Porównujemy ^z wartościami w Dodatku Al:

parat równa się 0,5.
Proporcja w populacji preferujących aktywny pre­
parat nie jest równa 0,5.
2. Spośród 3fi dorosłych 27 wyrażało jakąś preferencję;
21 preferowało preparat aklywny. Spośród osób mają­
cych jakąś preferencję proporcja preferujących preparat
aktywny wynosi p = 21/27 = 0,778.
3. Statystyka testowa
p = 0,001.
5. Istnieje dowód pozwalający na odrzucenie hipotezy
zerowej, że dwa preparaty są jednakowo preferowane
w populacji. 95% przedział ufności dla prawdziwej pro­
porcji wynosi od 0,62 do 0,94 i jest obliczony jako

Możemy więc uznać, że niemal dwie trzecie osobni­

ków w populacji preferuje preparat aktywny.

Dane adnpiowane z pracy; Kadcliffe M. J., Lampe F. C, Brostoff J.: AUergen-specjfw low-dose immunotherapy in perermial alleryh; rfuitt
(tó; a doublellind placobocontrulled crosuwer stiidy. Journal of hwestigational Allergology and Clinical lumiuiiology, 1996, 6, 242-247.

62 Podstawowe techniki analizy danych

24 DANE KATEGORIALNE: DWIE PROPORCJE
PROBLEMY
• Mamy dwie niezależne grupy osobników (np. homosek­
sualnych mężczyzn, którzy chorowali bądź nie na rzeżączkę).
Chcielibyśmy się dowiedzieć, czy proporcje osobników z pew­
ną cechą (np. zainfekowanych ludzkim wirusem opryszczki
HHV-8) są takie same w obu grupach.
• Mamy dwie grupy powiązane, tzn. osobnicy mogą być
sparowani lub dwukrotnie poddawani badaniu w różnych
sytuacjach (np. przed leczeniem i po nim). Chcielibyśmy się
dowiedzieć, czy proporcje osobników z daną cechą (np.
wzrost wyników w teście) są takie same w obu grupach.
GRUPY NIEPOWIĄZANE: TEST CHI-KWADRAT
Terminologia
Uzyskane dane miały .postać częstości, tj. liczby obiektów
w każdej próbie posiadających cechę lub jej nieposiadają-
cych. Tablica, w której dane wejściowe są częstościami, na­
zywana jest tablicą kontyngencji; jeżeli taka tablica ma
dwa wiersze i dwie kolumny, nazywa się tablicą 2 x 2 . Ta­
blica 24.1 pokazuje częstości obserwowane w czterech ko­
mórkach odpowiadających każdej kombinacji wiersz/ko­
lumna, cztery sumy brzegowe (częstości w określonym
wierszu lub kolumnie, np. a + b) oraz sumę całkowitą n.
Możemy obliczyć (patrz: uzasadnienie) częstości, których
moglibyśmy się spodziewać w każdej z czterech komórek,
gdyby H0 byta prawdziwa (częstości oczekiwane).
Założenia
Mamy próby o liczebnościach nt oraz n^, które pochodzą
z dwóch niezależnych grup osobników. Chcielibyśmy się do­
wiedzieć, czy proporcje osobników posiadających pewną cechę
są takie same w obu grupach. Każdy osobnik jest reprezento­
wany w badaniu tylko raz. Wiersze (i kolumny) w tablicy wza­
jemnie się wykluczają, więc każdy osobnik może należeć tyl­
ko do jednego wiersza i tylko do jednej kolumny. Zwyczajowe,
choć konserwatywne podejście wymaga, aby wartość oczeki­
wana w każdej z czterech komórek wynosiła co najmniej pięć.
Uzasadnienie
Jeżeli proporcje osób z cechą w obu grupach są równe, mo­
żemy oszacować całkowitą proporcję osobników z cechą za
pomocą p = (a + b)/n; spodziewamy się, że nx x p z nich
znajdzie się w grupie 1, a ^ x p w grupie 2. Podobnie wy­
znaczamy liczby oczekiwane osób bez cechy. Dlatego każda
wartość oczekiwana jest iloczynem odpowiadających sobie
sum brzegowych, podzielonych przez sumę całkowitą. Duża
rozbieżność pomiędzy częstościami obserwowanymi (O)
a odpowiadającymi im częstościami oczekiwanymi (E)
wskazuje na to, że proporcje w dwóch grupach się różnią.
Statystyka testowa opiera się na tej rozbieżności.
Tablica 24.1. Częstości obserwowane.
Cecha Grupa 1 Grupa 2 Suma
Obecna a b a+ b
Nieobecna c d c+ d
Suma rcj = a+c n2=b+d n= a+ b+ c+ d
Proporcja _ a_ n = — D= a+ ^
z cechą ^1 n, 2
"2 n Razem
1. Definiujemy hipotezę zerową i alternatywną.
H0: Proporcje osobników z pewną cechą są równe
w obu grupach w populacji.
Te proporcje w obu grupach w populacji nie są
równe.
2. Zbieramy odpowiednie dane z prób osobników.
3. Obliczamy wartość statystyki testowej odpowied­
niej dla Hą
gdzie Oi Esą odpowiednio częstościami obserwowanymi
i oczekiwanymi, w każdej z czterech komórek w tablicy.
Pionowe linie wokół O- Ewskazują, że pomijamy znak tej
różnicy. Wartość 1/2 w liczniku jest poprawką ze wzglę­
du na ciągłość (rozdział 19). Statystyka testowa podlega
rozkładowi Chi-kwadrat z jednym stopniem swobody.
4. Porównujemy wartość statystyki testowej z warto­
ścią znanego rozkładu prawdopodobieństwa.
Porównujemy %2 z wartościami w Dodatku A3.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufno­
ści dla różnicy proporcji w prawdziwej populacji. 95%
przedział ufności jest dany jako:
Jeżeli założenia nie są spełnione
Jeżeli w jakiejkolwiek z komórek E < 5, do obliczenia war­
tości p używamy dokładnego testu Fishera, który nie opie­
ra się na przybliżeniu do rozkładu Chi-kwadrat. Obliczenia
te bez pomocy komputera są żmudne, więc najlepiej wyko­
nać je przy użyciu programu komputerowego.
GRUPY POWIĄZANE: TEST McNEMARA
Założenia
Dwie grupy są powiązane lub zależne, np. każdy osobnik
może być badany w dwóch różnych okolicznościach. Każdy
osobnik zostaje sklasyfikowany zgodnie z tym, czy cecha
występuje w obu okolicznościach, tylko w jednej okoliczno­
ści, czy też w żadnej (tablica 24.2).
Tablica 24.2. Częstości obserwowane w parach, w których cecha
jest obecna lub nieobecna.
Okoliczność 1
Obecna Nieobecna Całkowita liczba par
Okoliczność 2
Obecna w x w+x
Nieobecna y z y+z
w+y x+ z m= w + x + y + z
24. Dane kategorialne: dwie proporcje 63
Uzasadnienie
Obserwowane proporcje osób z cechą występującą w obu
okolicznościach wynoszą (w + y)/m oraz (w + x)/m Różnią
się tylko wtedy, gdy różnią się x i y. Dlatego w celu porów­
1. Definiujemy hipotezę zerową i alternatywną.
Proporcje osób z cechą są równe w obu grupach
w populacji.
Proporcje te w obu grupach w populacji nie są równe.
2. Zbieramy odpowiednie dane z dwóch prób.
3. Obliczamy wartość statystyki testowej właściwej dla HQ
która podlega rozkładowi Chi-kwadrat z 1 stopniem swo­
body. Wartość 1 w liczniku jest poprawką ze względu na
ciągłość (rozdział 19).
PRZYKŁAD 1
W celu stwierdzenia związku między czynnikami ryzyka
seksualnego i zakażeniem HHV-8 (badanie opisane w roz­
działo 23) porównano częstość występowania seropozytyw­
ności do IIIIV-8 w grupie mężczyzn homo/heteroseksual­
1. Częstość występowania seropozytywności HHV-8
w popvlacji jest taka sama u mężczyzn, którzy mieli rze-
żączkę, i u tych, którzy jej nie mieli.
Częstość występowania seropozytywności nic jest
taka sama w obu grupach w populacji.
2. Częstości obserwowane są podane w poniższej tablicy
komyngencji: odpowiednio 14/43 (32,6%) oraz 36/228
(15,8%) mężczyzn, którzy przebyli rzeżączkę bądź jej nie
przebyli, jem seropozyiywnych dla HHV-8.
3. Wartości oczekiwane podane w czterech komórkach
tablicy kontyngencji.
Przebyta rzeżączką
Tak
HHV-8 Obserwowane Oczekiwane
Seropozylywne 14 (43x50/271)
= 7,93
Seroncgatywne 29 (43x221/271)
= 35,07
Razem 43
64 Podstawowe techniki analizy danych
nania proporcji osób z występującą cechą pomijamy tych
osobników, którzy w obu okolicznościach mają zgodne wy­
niki, i koncentrujemy się na niezgodnych parach x i y.
4. Porównujemy wartość statystyki testowej z warto­
ściami ze znanego rozkładu prawdopodobieństwa.
2
Porównujemy x z wartościami w Dodatku A3.
5. Interpretujemy wartość p i wyniki.
Interpretujemy wartość p i obliczamy przedział ufności
dla różnicy między prawdziwymi proporcjami w populacji.
Przybliżony 95% przedział ufności wynosi:
nych z przebytą rzeżączką i u tych, którzy nie mieli rze-
żączki. Porównania dokonano za pomocą testu Chi-kwa­
drat. Typowy wynik komputerowy przedstawiony jest
w Dodatku C.
Statystyka testowa wynosi:
4. Porównujemy #2 z wartościami w Dodatku A3 z 1 stop
niern swobody: 0,01 < p <0,05 (Wynik komputerowy wy­
nosi p = 0,017).
5. Istnieje dowód na rzeczywistą różnicę w częstości wy­
stępowania seropozytywności w dwóch grupach w popu­
lacji. Oszacowujemy tę różnicę jako 32,6% - 15,8% = 16,8%.
95% CI dla prawdziwej różnicy między dwoma częstościa­
mi wynosi od 2,0% do 31,6%,
tj. 16,8 ± 1,96 x V<{32,6 x 67,4}/43 + {15,8 x 84,2}/228).
Nie
Suma
Obserwowane Oczekiwane obserwowanych
36 (228 x 50/271) 50
= 42,07
192 (228x221/271) 221
= 185,93
228 271
PRZYKŁAD 2
W celu porównania dwóch metod określania stopnia ubyt­
ków w zębach (obecne lub nieobecne), stosując metody ra­
diograficzne, stomatolog określił stan pierwszych stu sta­
rych zębów trzonowych, które miały mały ubytek lub brak
ubytku. Wyniki te porównano z wynikami uzyskanymi
przy zastosowaniu bardziej obiektywnej oceny przekroju
każdego zęba. Odsetki zębów, w których stwierdzono ubyt­
ki przy użyciu obu metod, porównano testem McNemara.

ł. Dwie metody oceny wskazują na taki sam procent

zębów z ubytkami w populacji. 3. Statystyka testowa, = 6,86.
Rozważane odsetki nie są równe.
2. Częstości dla powiązanych par podane są w tabeli: 4. Porównujemy z wartościami w Dodatku A3 z 1 stop­
niem swobody: 0,001 < p < 0,01 (wynik komputerowy
wynosi p = 0,009).
5. Istnieje dowód pozwalający na odrzucenie hipotezy ze­
rowej, że obie metody oceny pozwoliły wykryć taki sam
procent zębów z ubytkami. Metoda radiograficzna bywa
Brak ubytków 45 4 49
zawodna w wykrywaniu ubytków. Oszacowujemy różnicę
Wysiępuji} ubytki 17 34 51
w odsetkach zębów określonych jako posiadające ubyt­
Razem 62 38 100 ki na 51% - 38% = 13%. Przybliżony przedział ufności dla
prawdziwej różnicy w odsetkach wynosi od 4,496 do 21,696

Adaptowane z pracy: Ketley C. E., Holt R. D.: Visual and radiographic diagnosis ofocclusal caries in first permanent molars and in se-
condprimary molars. British Dental Journal, 1993, 174, 364-370.

24. Dane kategorialne: dwie proporcje 65

25 DANE KATEGORIALNE:
WIĘCEJ NIŻ DWIE KATEGORIE
TEST CHI-KWADRAT:
DUŻE TABLICE KONTYNGENCJI
Problem
Można sklasyfikować osobników przy użyciu dwóch czynni­
ków. Na przykład, jeden czynnik może być stanem nasilenia
choroby (łagodna, umiarkowana lub ciężka), a drugi — gru­
pą krwi (A, B, 0, AB). Interesuje nas, czy te dwa czynniki
są ze sobą powiązane. Czy jest bardziej prawdopodobne, że
osobnicy o określonej grupie krwi są ciężej chorzy?
Założenia
Dane można przedstawić w postaci tablicy kontyngencji
r*x c mającej r wierszy i c kolumn (tablica 25.1). Dane te są
częstościami; każda komórka zawiera liczbę osobników,
w określonym wierszu i określonej kolumnie. Każdy osob­
nik występuje tylko raz i może należeć tylko do jednego
wiersza i jednej kolumny, tj. kategorie poszczególnych czyn­
ników wzajemnie się wykluczają. Co najmniej 80% wartości
oczekiwanych jest większych lub równych 5.
Uzasadnienie
Hipoteza zerowa zakłada brak związku między dwoma czyn­
nikami. Zauważmy, że jeżeli mamy tylko dwa wiersze i dwie
kolumny, wtedy test braku związku jest taki sam jak test
dwóch proporcji (rozdział 24). Obliczamy częstości, jakich
spodziewamy się w każdej komórce tablicy, jeżeli hipoteza
zerowa jest prawdziwa. Jak wyjaśniono w rozdziale 24, czę­
stość oczekiwana w określonej komórce jest iloczynem sumy
brzegowej wierszowej i odpowiadającej jej sumy brzegowej
kolumnowej, podzielonym przez sumę całkowitą. Obliczamy
statystykę testową, która pozwala ocenić rozbieżności mię­
dzy częstościami obserwowanymi i oczekiwanymi w każdej
komórce tablicy. Jeżeli całkowita rozbieżność jest duża, to
mało prawdopodobne, że hipoteza zerowa jest prawdziwa.
Jeżeli założenia nie są spełnione
Jeżeli więcej niż 20% wartości oczekiwanych jest mniej­
szych niż 5, możemy spróbować scalić w tablicy kontyngen­
cji odpowiednio (tzn. tak, by miało to naukowy sens) dwa
lub więcej wierszy i/lub dwie lub więcej kolumn. Następ­
nie przeliczamy ponownie częstości oczekiwane w zmniej­
szonej tablicy i tak długo kontynuujemy zmniejszanie tabli­
cy, aż upewnimy się, że warunek E 5 5 został spełniony.
Jeżeli zmniejszyliśmy naszą tablicę do tablicy 2 x 2 tak, że
nie można dokonywać dalszej redukcji, a nadal mamy małe
wartości oczekiwane, to do wyznaczenia wartości p użyje­
my dokładnego testu Fishera (rozdział 24). Niektóre pakiety
komputerowe liczą wartości p dokładnego testu Fishera
również dla większych tablic kontyngencji.
TEST CHI-KWADRAT DLA TRENDU
Problem
Czasami badamy związek danych kategorialnych, gdy jeden
z dwóch czynników posiada tylko dwie kategorie (np. obec­
ność lub nieobecność cechy), a drugi czynnik może być zali­
czony do jednej z na przykład k wzajemnie wykluczających
się kategorii, które w jakiś sposób są uporządkowane. Na
przykład, jeden czynnik może opisywać, czy osobnik reagu­
je, czy też nie na leczenie, a uporządkowane kategorie inne­
go czynnika mogą reprezentować cztery różne kategorie
wiekowe (w latach): 65-69, 70-74, 75-79 oraz ^ 80. Mo­
żemy określić, czy istnieje trend w proporcjach z występu­
jącą cechą w zależności od kategorii drugiego czynnika. Na
przykład, możemy chcieć się dowiedzieć, czy proporcje re­
akcji na leczenie mają (na przykład) tendencję wzrostową
wraz ze wzrostem wieku.

Tablica 25.1. Częstości obserwowane w tablicy rx c.

1.Definiujemy hipotezę zerową i alternatywną.
Nie istnieje związek między jednym i drugim
czynnikiem w populacji.
Istnieje związek między jednym i drugim czynni­
kiem w populacji.
2. Zbieramy odpowiednie dane z próby osobników.
3. Obliczamy wartość statystyki testowej właściwej dla H$

gdzie O i E są częstościami obserwowanymi i oczekiwany­

mi w każdej komórce tablicy. Statystyka testowa podlega
rozkładowi Chi-kwadrat z liczbą stopni swobody równą
(r-l)x(c-l). Tablica 25.2. Częstości obserwowane i przypisane punkty w tablicy
Ponieważ przybliżenie do rozkładu Chi-kwadrat jest 2x/c.
sensowne, gdy liczba stopni swobody jest większa niż je­
den, nie włączamy poprawki na ciągłość (jak to robiliśmy
w rozdziale 24).
4. Porównujemy wartość statystyki testowej z warto­
ściami ze znanego rozkładu prawdopodobieństwa.
Porównujemy x2 z wartościami w Dodatku A3.
5. Interpretujemy wartość p i wyniki.

66 Podstawowe techniki analizy danych

1.Definiujemy hipotezę zerową i alternatywną. 3. Obliczamy wartość statystyki testowej właściwej dla HQ.
W populacji nie istnieje trend w proporcjach z okre­
śloną charakterystyką.
W populacji istnieje trend w proporcjach.
2. Zbieramy odpowiednie dane z próby osobników.
Oszacowujemy proporcje z określoną charakterystyką
w każdej z k kategorii. Każdej kolumnie kategorii przypo­ Stosujemy notację z tablicy 25.2, gdzie sumy przekra­
rządkowujemy punktację (tablica 25.2). Zazwyczaj przypo­ czają każdą z k kategorii. Statystyka testowa podlega roz­
rządkowujemy kolejne wartości 1, 2, 3,..., k, ale zależnie kładowi Chi-kwadrat z 1 stopniem swobody.
od tego, w jaki sposób klasyfikowaliśmy czynnik kolumno­ 4. Porównujemy wartość statystyki testowej z warto­
wy, mogą to być liczby, które w jakiś sposób sugerują ściami znanego rozkładu prawdopodobieństwa.
względne wartości uporządkowanych kategorii (np. środki Porównujemy %2 z wartościami w Dodatku A3.
przedziałów grup wiekowych określających każdą katego­ 5. Interpretujemy wartość p i wyniki.
rię), lub trend, który chcemy zbadać (np. liniowy lub kwa­ Interpretujemy wartość p i obliczamy przedziały ufno­
dratowy). Użycie dowolnych liczb znajdujących się od sie­ ści dla każdej z k proporcji (rozdział 11).
bie w równych odległościach (np. 1, 2, 3, ..., k) pozwala na
zbadanie trendu liniowego.

PRZYKŁAD
Przeprowadzono badanie przekrojowe w populacji star­
szych osób mieszkających w Southampton, które miało na
celu zmierzenie częstości występowania chorób układu
krążenia. Przebadano łącznie 259 osobników, w wieku od
65 do 95 lat. W czasie badania osobników pogrupowano
w cztery grupy wiekowe (65-69, 70-74, 75-79 i 80+ lat).
Użyłyśmy testu Chi-kwadrat w celu stwierdzenia, czy
częstość występowania bólów w klatce piersiowej różni
się w czterech grupach wiekowych.

1. Istnieje brak związku między wiekiem i bólem
w klatce piersiowej w populacji.
Istnieje związek między wiekiem i bólem w klat­
ce piersiowej w populacji.
2. Częstości obserwowane (%) oraz częstości oczekiwane
są przedstawione w poniższej tablicy.
3. Statystyka testowa
4. Porównujemy %2 z wartościami w Dodatku A3 z 3 stop­
niami swobody: p > 0,10 (wynik komputerowy wynosi
p = 0,18).
5. Brak jest dowodu pozwalającego odrzucić hipotezę ze­
rową o braku związku pomiędzy bólem w klatce piersio­
wej i wiekiem w populacji starszych osób. Estymowane
proporcje osób (95% przedziały ufności) z bólem w klatce
piersiowej w czterech kolejnych grupach wiekowych, po­
czynając od najmłodszych, wynoszą: 0,20 (0,11, 0,29),
0,12 (0,04, 0,19), 0,10 (0,02, 0,17) oraz 0,09 (0,02, 0,21).

Wiek (lata)
Ból w klatce piersiowej 65-69 70-74 75-79 80+ Razem

Tak
Wartości obserwowane 15 (20,3%) 9(11,5%) 6 (9,7%) 4 (8,9%) 34
Wartości oczekiwane 9.7 10,2 8,1 5,9
Nie
Wartości obserwowane 59 (79,7%) 69 (88,5%) 56 (90,3%) 41 (91,1%) 225
Wartości oczekiwane 64,3 67,8 53,9 39,1
Razem 74 78 62 45 259

25. Dane kategorialne: więcej niż dwie kategorie 67

 Ponieważ cztery grupy wiekowe w tym badaniu są upo­
rządkowane, do analizy tych danych można również użyć
testu Chi-kwadrat dla trendu, który bierze pod uwagę upo­
rządkowanie gnip. W teście tym możemy otrzymać istotne
wyniki, mimo że ogólny test związku dawał wyniki nieistot­
ne. Przyporządkowujemy punktację 1, 2, 3 oraz 4 odpo­
wiednio do każdej z czterech grup wiekowych. Ponieważ są
od siebie równomiernie oddalone, możemy testować trend
liniowy.

1. HQ: Nie istnieje związek liniowy między wiekiem i bó­
lem w klatce piersiowej w populacji.
Hx: Istnieje związek liniowy między wiekiem i bólem
w klatce piersiowej w populacji.
2. Dane zostały pokazane w poprzedniej tablicy. Przypo­
rządkowujemy punktację 1, 2,3 i 4 odpowiednio do czte­
rech grup wiekowych.
3. Statystyką testową jest Chi-kwadrat.
4. Porównujemy z wartościami w Dodatku A3 z 1 stop­
niem swobody: 0,05 < p < 0,10 (wynik komputerowy wy­
nosi p = 0,052).
5. Nie ma dowodu wystarczającego do odrzucenia hipo­
tezy zerowej o braku liniowego związku między bólem
w klatce piersiowej a wiekiem w populacji starszych
osób. Jednakże wartość p jest bardzo bliska 0,05, co su­
geruje, że proporcja starszych osób z bólem w klatce
piersiowej maleje wraz ze wzrostem wieku.

Adaptowane z pracy: Ucwhurst Ci., Wooil D. A., Walkfir F., i in.: A population survey of cardkwascular disease in elderly people: design,
methods and provaler>re resuli.s. Agp and Agninj!. 1991, 20, 353-360.

68 Podstawowa techniki analizy danych

26 KORELACJA

WSTĘP
Analiza korelacji pozwala zmierzyć stopień związku między
dwoma zmiennymi, x i y. Na początek zakładamy, że obie
zmienne x i y są numeryczne, np. wzrost i masa ciała.
Przypuśćmy, że mamy parę wartości (x, y), mierzonych
w populacji u każdego z n osobników. Na dwuwymiarowym
wykresie rozrzutu możemy zaznaczyć punkt odpowiadający
parze wartości dla każdego osobnika (rozdział 4). Zazwyczaj
zmienną x umieszczamy na osi poziomej tego diagramu,
a zmienną y na osi pionowej. Wykreślając punkty dla
wszystkich n osobników, uzyskujemy rozrzut punktów, któ­
ry wskazuje lub nie na związek między dwoma zmiennymi.

WSPÓŁCZYNNIK KORELACJI PEARSONA

Mówimy, że między x i y istnieje zależność liniowa, jeżeli
najlepszym przybliżeniem obserwowanego związku jest li­
nia prosta. Obliczając współczynnik korelacji w sensie mo­
mentu mieszanego Pearsona, zwykle zwanego po prostu
współczynnikiem korelacji, mierzymy, jak blisko linii pro­
stej najlepiej opisującej ich związek liniowy leżą punkty.
Jego prawdziwa wartość w populacji p (grecka litera ro)
jest oszacowana w próbie przez r, gdzie

co wyznaczamy zazwyczaj za pomocą komputera.

Właściwości
• r przyjmuje wartości od -1 do +1.
• Znak rwskazuje, czy jedna zmienna rośnie, gdy dru­
ga rośnie (dodatnie r), czy też jedna zmienna maleje, gdy
druga rośnie (ujemne r, patrz rycina 26.1).
• Wielkość r wskazuje, jak blisko linii prostej znajdują
się punkty. W szczególności, jeżeli r= +1 lub -1, to istnieje
idealna korelacja z wszystkimi punktami leżącymi na prostej
(w praktyce zdarza się to nadzwyczaj rzadko); jeżeli r = 0, to
brak jest liniowej korelacji (chociaż może istnieć związek
nieliniowy). Im r bliższe jest wartości krańcowych, tym
wyższy jest stopień związku liniowego (rycina 26.1).
• Jest bezwymiarowy, tzn. nie ma jednostek pomiaro­
wych.
• Wartość r dotyczy tylko zakresu wartości xi yw pró­
bie. Jego wartość bezwzględna (z pominięciem znaku) ma
tendencję do wzrostu, gdy zakres wartości x i/lub y wzra­
sta, i dlatego nie można wnioskować, że będzie miat taką
samą wartość, jeżeli weźmiemy pod uwagę wartości x i y
bardziej krańcowe niż wartości w próbie.
• x i y można zamieniać (miejscami) bez wpływu na
wartość r.
• Korelacja między x i y niekoniecznie oznacza związek
przyczynowy.
• r2 oznacza część zmienności zmiennej y, która może
być przypisana jej liniowemu związkowi ze zmienną x (roz­ Rycina 26.1. Pięć diagramów przedstawiających wartości r w róż­
dział 28). nych sytuacjach.

26. Korelacja 69
Kiedy nie należy obliczać r
Obliczanie r może wprowadzać w błąd, gdy:
• Istnieje nieliniowy związek między dwoma zmiennymi
(rycina 26.2a), np. związek kwadratowy (rozdział 33);
• Dane zawierają więcej niż jedną wartość dla każdego
osobnika;
• Występuje jedna lub więcej wartości odskakujących
(rycina 26.2b);
• Dane zawierają podgrupy osobników, dla których
średnie poziomy wartości dla co najmniej jednej zmiennej
są różne (rycina 26.2c).

Testowanie hipotez dla współczynnika korelacji

Pearsona
Chcemy się dowiedzieć, czy istnieje jakakolwiek liniowa kore­
lacja między dwoma zmiennymi numerycznymi. Nasza próba
składa się z n niezależnych par wartości x i y. Zakładamy, że
co najmniej jedna z dwóch zmiennych ma rozkład normalny.
Rycina 26.2. Diagramy pokazujące, kiedy nie należy obliczać
współczynnika korelacji, (a) Związek nie jest liniowy, r = 0. (b) Gdy
1. Definiujemy hipotezę zerową i alternatywną. występują wartości odskakujące, (c) Dane zawierają podgrupy.

2. Zbieramy odpowiednie dane z próby osobników. WSPÓŁCZYNNIK KORELACJI RANGOWEJ

3. Obliczamy wartość statystyki testowej właściwej
dla H0.
Obliczamy r.
• Jeżeli n ś 150, statystyką testową jest r.
• Jeżeli n > 150, obliczamy , • Co najmniej jedna zmienna, x lub y, mierzona jest
które podlega rozkładowi tzn-2 stopniami swobody.
4. Porównujemy wartość statystyki z wartością ze zna­
nego rozkładu prawdopodobieństwa.
• Jeżeli n ^ 150, porównujemy rz wartościami w Do­
datku A10.
• Jeżeli n > 150, porównujemy Tz wartościami w Do­
datku A2.
5. Interpretujemy wartość p i wyniki.
Obliczamy przedział ufności dla p. Przy założeniu, że
obie zmienne mają w przybliżeniu rozkład normalny,
95% przybliżony przedział ufności dla p wynosi:
Zauważmy, że gdy liczebność próby jest duża, H0 mo­
że zostać odrzucone nawet, jeżeli r jest całkiem bliskie
zeru. Odwrotnie, gdy liczebność próby jest mała, H0 mo­
że nie zostać odrzucone nawet wtedy, gdy r jest duże.
Z tego powodu użyteczne jest obliczanie r2, proporcji
całkowitej wariancji jednej zmiennej, która jest wyzna­
czona przez jej związek liniowy z drugą zmienną. Na
przykład, jeżeli r = 0,40, to p < 0,05 dla próby o liczeb­
ności 25, lecz związek ten wyjaśnia jedynie 16% (= 0,402
x 100) zmienności jednej zmiennej.
SPEARMANA
Współczynnik korelacji rangowej Spearmana, czyli niepa­
rametryczny odpowiednik współczynnika korelacji Pearso­
na, obliczamy, gdy spełniony jest przynajmniej jeden z na­
stępujących warunków:
w skali porządkowej;
• Ani x, ani y nie mają rozkładu normalnego;
• Liczebność próby jest mata;
• Potrzebujemy miary związku między dwoma zmienny­
mi, gdy związek ten jest nieliniowy.
Obliczenia
W celu oszacowania populacyjnej wartości współczynnika
korelacji rangowej Spearmana, ps, przez obliczenie jego
wartości w próbie rs:
1. Porządkujemy wartości xw kierunku wzrastającym,
począwszy od wartości najmniejszej, i przyporządkowujemy
do nich kolejne rangi (liczby 1, 2, 3, ..., n). Wartości wiąza­
ne otrzymują średnią z rang tych wartości, które otrzyma­
łyby, gdyby nie było pomiarów wiązanych.
2. W podobny sposób przyporządkowujemy rangi do
wartości y.
3. rs jest współczynnikiem korelacji Pearsona dotyczącej
rang x i y.
Właściwości i testowanie hipotez
Właściwości tego współczynnika są takie same jak w kore­
lacji Pearsona, z tym że r zastępujemy przez rs, a przy te­
stowaniu hipotez:
• rs oznacza miarę związku (niekoniecznie liniowego)
pomiędzy x i y;
• Gdy testujemy hipotezę zerową, że ps = 0, porównuje­
my wynik z wartościami w Dodatku Ali, jeżeli liczebność
próby jest mniejsza lub równa 10;
• Nie obliczamy rs2 (nie oznacza proporcji całkowitej wa­
riancji jednej zmiennej, która może być przypisana jej linio­
wemu związkowi z inną zmienną).

70 Podstawowe techniki analizy danych

PRZYKŁAD
Jako część badania nad czynnikami związanymi ze zmiana­
mi ciśnienia krwi u dzieci zebrano informacje o czynnikach
demograficznych i stylu życia oraz kliniczne i antropome­
tryczne pomiary 4245 dzieci w wieku od 5 do 7 lat. Na dia­
gramie rozrzutu (rycina 28.1) przedstawiony jest związek
między wzrostem (cm) i ciśnieniem skurczowym krwi
(mm Hg) w próbie 100 dzieci; istnieje tendencja, że wyższe
dzieci w próbie mają wyższe ciśnienia krwi. Badano współ­
czynnik korelacji Pearsona pomiędzy tymi dwoma zmien­
nymi. Dodatek C zawiera wyniki komputerowe tej analizy.

1. Populacyjna wartość współczynnika korelacji Pear-

sona p wynosi zero.
Populacyjna wartość współczynnika korelacji Pear-
sona p nie jest równa zero.
2. Możemy wykazać (rycina 37.1), że wartości w próbie
zarówno dla wzrostu, jak i ciśnienia skurczowego krwi
mają w przybliżeniu rozkład normalny.
3. r wynosi 0,33. Jest to statystyka testowa, gdyż n =§ 150.
4. Porównujemy rz wartościami w Dodatku A10, przy
liczebności próby 100: p < 0,001.
5. Istnieje silny dowód pozwalający na odrzucenie hipo­
tezy zerowej; stwierdzamy, że istnieje liniowa zależność
pomiędzy ciśnieniem skurczowym krwi i wzrostem w po­
pulacji takich dzieci. Jednakże r2 = 0,33 x 0,33 = 0,11.
Dlatego, mimo bardzo istotnego wyniku, związek między
wzrostem a ciśnieniem skurczowym krwi wyjaśnia
jedynie niewielki odsetek, (11%) zmian w skurczowym
ciśnieniu krwi.

Jak mogliśmy się spodziewać, przy założeniu, że każda nywalny estymator 0,32. W celu sprawdzenia = 0 po­
zmienna ma rozkład normalny, współczynnik korelacji ran­ równujemy tę wartość z wartościami Dodatku A10 i znowu
gowej Spearmana pomiędzy tymi zmiennymi dawał porów­ otrzymujemy p < 0,001.

Dane uzyskane dzięki uprzejmości: ms O. Papacosta, dr P. Whincup, Department of Primary Care and Population Sciences, Royal Frce
and University College Medical School, Londyn, Wielka Brytania.

26. Korelacja 71
27 TEORIA REGRESJI LINIOWEJ
CO TO JEST REGRESJA LINIOWA?
Aby zbadać zależność między dwoma zmiennymi numerycz­
nymi, x i y, mierzymy wartości x i y dla każdego z n osob­
ników w naszej próbie. Wykreślamy punkty na diagramie
rozrzutu (rozdziały 4 i 26), i jeżeli przybliża je linia prosta,
mówimy, że mamy związek liniowy. Jeżeli uważamy, że
y zależy od x, tak że zmiana w y jest przyporządkowana
zmianie w x, a nie odwrotnie, możemy wyznaczyć prostą
regresji liniowej (regresja y vt laleineści ed x\, która naj­
lepiej opisuje prostoliniową zależność między dwoma
zmiennymi. Ogólnie, opisujemy regresję jako regresję jed­
nej zmiennej (prostą), ponieważ w analizie mamy do czynie­
nia tylko z jedną zmienną x, jest to więc inna sytuacja niż
w przypadku regresji wielu zmiennych, która obejmuje
dwie lub więcej zmiennych x (patrz rozdziały 29-31).
UNIA REGRESJI
Równanie matematyczne, które wyznacza prostą zwyczaj­
nej regresji liniowej, ma postać:
Y = a + bx.
• x jest nazywane zmienną niezależną, predyktorem
lub zmienną wyjaśniającą;
• Dla danej wartości x, Y jest wartością zmiennej
y (zwanej zmienną zależną, zmienną wynikową lub od­
powiedzią), która leży na wyznaczonej prostej. Stanowi
oszacowanie wartości, której spodziewamy się dla y (tj. jej
średnią), gdy znamy wartość x. Nazywana jest wartością
dopasowaną y,
• a jest współczynnikiem przecięcia wyznaczonej pro­
stej; jest to wartość Fdla x= 0 (rycina 27.1);
• b jest współczynnikiem nachylenia lub gradientem
wyznaczanej prostej; oznacza wielkość, o jaką przeciętnie
wzrasta Y, jeżeli x zwiększymy o jednostkę (rycina 27.1).
a i b są nazywane współczynnikami regresji wyznacza­
nej prostej, chociaż nazwa ta jest często rezerwowana wy­
łącznie dla b. W rozdziale 28 opisujemy, jak wyznaczyć te
współczynniki. Prosta regresja liniowa może być rozwinięta
przez włączenie więcej niż jednej zmiennej wyjaśniającej;
w tym przypadku nazywa się ją wielokrotną regresją linio­
wą (rozdział 29).
Rycina 27.1. Oszacowana prosta regresji liniowej z zaznaczonym
punktem przecięcia a i współczynnikiem nachylenia b (średni
wzrost Ydla jednostkowego wzrostu x).
72 Podstawowe techniki analizy danych
METODA NAJMNIEJSZYCH KWADRATÓW
Analizy regresji dokonujemy, używając wartości z próby.
Wartości a i b są próbkowymi estymatorami prawdziwych
parametrów a i /?, które definiują prostą regresji liniowej
w populacji, a i b są wyznaczane metodą najmniejszych kwa­
dratów (zwaną często zwykłą metodą najmniejszych kwa­
dratów) w ten sposób, że dopasowanie prostej Y= a + bx
do punktów na diagramie rozrzutu jest optymalne. Uzysku­
jemy te przez anafoą Yfarteśei resztowych. (cumowe odle­
głości każdego z punktów od prostej, tj. wartość resztowa =
= wartość obserwowana y — wartość dopasowana Y, ryci­
na 27.2). Prostą najlepszego dopasowania wybiera się tak,
by suma kwadratów wartości resztowych była minimalna.
ZAŁOŻENIA
1. Istnieje zależność liniowa między xi y.
2. Obserwacje w próbie są niezależne. Obserwacje są
niezależne, jeżeli jednemu osobnikowi odpowiada nie wię­
cej niż jedna para obserwacji.
3. Dla każdej wartości x w populacji istnieje rozkład
wartości y; rozkład ten jest rozkładem normalnym. Śred­
nia tego rozkładu wartości y leży na prawdziwej linii regre­
sji (rycina 27.3).
4. Zmienność rozkładu wartości y w populacji jest taka
sama dła wszystkich wartości jr, tzn. wariancja a2, jest
stała (rycina 27.3).
5. Zmienna x może być zmierzona bez błędu. Zwróćmy
uwagę, że nie przyjmujemy żadnego założenia o rozkładzie
zmiennej x.
Wiele założeń, którym podlega analiza regresji, wiąże
się z rozkładem populacji wartości y dla określonej warto­
ści x, ale można je przedstawić w postaci reszt. Łatwiej jest
sprawdzić te założenia (rozdział 28) poprzez zbadanie war­
tości resztowych niż wartości y.
Rycina 27.2. Oszacowana prosta regresji liniowej ukazująca war­
tości resztowe (pionowe linie przerywane) dla każdego punktu.

Rycina 27.3. Ilustracja założeń przyjmowanych w regresji liniowej.
ANALIZA TABLICY WARIANCJI
Opis
Zwykle wydruk komputerowy z analizy regresji zawiera ta­
blicę analizy wariancji. W analizie wariancji (rozdział 22)
całkowita zmienność zmiennej podlegającej badaniu, w tym
przypadku y, zostaje podzielona na części składowe. Ze
względu na liniowy związek y oraz x spodziewamy się
zmian y, gdy zmienia się x; nazywamy to zmiennością z po­
wodu regresji lub wyjaśnioną przez regresję. Pozostała
zmienność jest zwana błędem resztowym lub wariancją
niewyjaśnioną. Wariancja resztowa powinna być jak naj­
mniejsza. Wtedy większość zmienności y zostanie wyjaśnio­
na przez regresję i punkty będą leżały blisko prostej lub na
niej; tzn. że prosta będzie dobrym dopasowaniem.
Cele
Tablica analizy wariancji pozwala na:
1. Określenie, jak dobrze prosta jest dopasowana do
punktów. Na podstawie informacji zawartej w tablicy może­
my obliczyć proporcje całkowitej zmienności w y, która mo­
że być wytłumaczona regresją. Proporcja ta, zazwyczaj wy­
rażona w procentach i oznaczona przez (w prostej
regresji liniowej jest to r 2 , kwadrat współczynnika korela-
cji; rozdział 26), pozwala nam subiektywnie określić dobroć
dopasowania równania regresji.
2. Testowanie hipotezy zerowej, że prawdziwe nachyle­
nie prostej /? jest równe zero. Wynik istotny wskazuje na li­
niowy związek między x i y.
3. Uzyskanie estymatora wariancji resztowej. Potrzebu­
jemy go do testowania hipotez o nachyleniu lub odcięciu
oraz do obliczania przedziałów ufności dla tych parametrów
oraz przewidywanych wartości y.
Szczegóły na temat częściej stosowanych procedur poda­
jemy w rozdziale 28.
REGRESJA DO ŚREDNIEJ
Statystyczne znaczenie słowa „regresja" pochodzi od zjawi­
ska znanego jako regresja do średniej, które w 1889 r. od­
krył sir Francis Galton. Wykazał on, że chociaż wysocy oj­
cowie mają zazwyczaj wysokich synów, to przeciętny
wzrost synów jest mniejszy od wzrostu ich wysokich ojców.
Przeciętny wzrost synów miał „regresję" lub „wracał"
w kierunku średniego wzrostu wszystkich ojców w popula­
cji. Tak więc, przeciętnie wysocy ojcowie mają niższych
(lecz nadal wysokich) synów, a niżsi ojcowie mają wyższych
(lecz nadal niskich) synów.
Regresję do średniej obserwujemy w badaniach przesie­
wowych (rozdział 38) i w badaniach klinicznych (rozdział
14), gdy podgrupa pacjentów zostaje wybrana do leczenia ze
względu na to, że poziomy pewnej zmiennej, powiedzmy cho­
lesterolu, są u nich duże (lub małe). Gdy powtarzamy pomiar
jakiś czas później, przeciętna wartość drugiego odczytu dla
podgrupy jest zazwyczaj niższa niż ta z pierwszego odczytu
i przesuwa się w kierunku (tj. podlega regresji) przeciętnej
wartości w dopasowanej pod względem wieku i płci popula­
cji, niezależnie od jakiegokolwiek leczenia, któremu podgru­
pa mogłaby podlegać. Pacjenci włączeni do badania klinicz­
nego na podstawie wysokiego poziomu cholesterolu w czasie
pierwszego badania, najprawdopodobniej przeciętnie będą
mieli spadek cholesterolu podczas drugiego badania, nawet
wtedy, gdy przez ten okres nie byli leczeni.
27. Teoria regresji liniowej 73
28 PRZEPROWADZANIE ANALIZY REGRESJI LINIOWEJ
PROSTA REGRESJI LINIOWEJ
Po wybraniu z naszej populacji próby o liczebności n i wy­
kreśleniu diagramu rozrzutu dla potwierdzenia przybliże­
nia linią prostą oszacowujemy regresję y od x jako:
gdzie Y jest oszacowaną dopasowaną lub prognozowaną
wartością y, a jest oszacowanym punktem przecięcia, nato­
miast b jest oszacowanym nachyleniem, które oznacza prze­
ciętną zmianę Fprzy jednostkowej zmianie x (rozdział 271.
WYKREŚLANIE PROSTEJ
Aby wykreślić prostą Y= a + bx na diagramie rozrzutu,
wybieramy w jego obrębie trzy wartości
Podstawiamy x1 do równania, aby uzyskać odpowiadającą
mu wartość Y, a mianowicie jest naszą
oszacowaną dopasowaną wartością dla Xj, która odpowiada
wartości obserwowanej yv Powtarzamy procedurę dla x2
i x3, aby uzyskać odpowiadające im wartości Y2 i Y3. Zazna­
czamy te punkty na diagramie rozrzutu i łączymy je, uzy­
skując linię prostą.
SPRAWDZANIE ZAŁOŻEŃ
Dla każdej wartości obserwowanej x wartość resztowa (re­
siduum, reszta) jest równa wartości obserwowanej y po od­
jęciu odpowiadającej jej wartości dopasowanej Y Każda
wartość resztowa może być albo dodatnia, albo ujemna.
Wartości resztowych możemy użyć do sprawdzenia następu­
jących założeń, leżących u podstaw regresji liniowej.
1. Istnieje zależność liniowa między xi y: wykreślamy
albo y w zależności od x (dane powinny przybliżać linię pro­
stą) albo wartości resztowe w zależności od x (powinniśmy
obserwować raczej losowy rozrzut punktów niż jakiś syste­
matyczny wzór).
2. Obserwacje są niezależne: obserwacje są niezależne,
jeżeli dla każdego osobnika mamy nie więcej niż jedną parę
obserwacji.
3. Wartości resztowe mają rozkład normalny ze śred­
nią równą zero: wykreślamy histogram, wykres „łodyga
z liśćmi", wykres skrzynkowy (rozdział 4) lub wykres roz­
kładu normalnego (rozdział 35) wartości resztowych, a wy­
niki oceniamy wzrokowo.
4. Wartości resztowe mają taką samą zmienność (sta­
łą wariancję) dla wszystkich dopasowanych wartości y:
wykreślamy wartości resztowe w funkcji wartości dopaso­
wanych Y zmiennej y, punkty powinny mieć rozrzut losowy.
Jeżeli rozrzut wartości resztowych wzrasta lub maleje ze
wzrostem Y, założenie to nie jest spełnione.
5. Zmienna x może być pomierzona bez błędu.
BRAK SPEŁNIENIA ZAŁOŻEŃ
Jeżeli mamy wątpliwości co do spełnienia założeń liniowości,
normalności i/lub stałości wariancji, możemy dokonać trans­
formacji x lub y (rozdział 9) i wyznaczyć nową prostą regre­
sji, dla której te założenia są spełnione. Nie zawsze jest moż­
74 Podstawowe techniki analizy danych
liwe znalezienie satysfakcjonującej transformacji. Najważ­
niejszymi założeniami są liniowość i niezależność. Jeżeli
masz wątpliwości co do założeń o normalności i/lub stałości
wariancji, możesz kontynuować postępowanie, lecz wartości p
w testowaniu hipotez i oszacowania błędów standardowych
mogą być zaburzone. Zauważmy, że zmienna x rzadko jest
mierzona bez błędu; zwykle akceptuje się założenie, że błąd
jest maty, gdyż ma to minimalny wpływ na wnioski.
WARTOŚCI ODSKAKUJĄCE
I PUNKTY WPŁYWAJĄCE
• Obserwacja wpływająca może, jeśli zostanie pominięta,
zmienić nawet więcej niż jeden z estymatorów parametrów
w modelu (tzn. nachylenie lub przecięcie). Formalne metody jej
wykrywania zostały krótko omówione w rozdziale 29. Jeżeli
metody te są niedostępne, musimy polegać na intuicji.
• Wartość odskakująca (obserwacja niezgodna z większo­
ścią wartości w zbiorze danych, rozdział 3) może być lub nie
być punktem wpływającym i można ją często wykryć przez
przyjrzenie się diagramowi rozrzutu lub wykresowi reszt
(patrz również rozdział 29). Zarówno dla wartości odskakują­
cych, jak i dla punktów wpływających dopasowujemy model,
uwzględniając podejrzane dane osobnika i nie uwzględniając
ich oraz badamy ich wpływ na estymator(y). Nie należy odrzu­
cać rutynowo wartości odskakujących lub punktów wpływają­
cych, ponieważ ich pominięcie może zaburzyć wnioski. Zawsze
badamy przyczyny ich występowania i opisujemy je.
OKREŚLENIE DOBROCI DOPASOWANIA
Możemy ocenić, jak dobrze prosta jest dopasowana do da­
nych przez obliczenie R2 (zwykle wyrażonego w procen­
tach), które równa się kwadratowi współczynnika korelacji
(rozdziały 26 i 27). Oznacza ono procent zmienności y, któ­
ra może być wyjaśniona przez jej związek z x. Jego dopeł­
nienie (100 - R2) oznacza procent zmienności y, która nie
jest wyjaśniona przez ten związek. Nie ma formalnego te­
stu do oszacowania R2; musimy polegać na subiektywnej
ocenie dopasowania prostej regresji.
BADANIE NACHYLENIA
Jeżeli nachylenie prostej jest równe zero, nie ma zależności li­
niowej między x i y; zmiany x nie mają wpływu na y. Hipote­
zę zerową, że prawdziwe nachylenie /} jest równe zero, moż­
na testować na dwa sposoby, które dają jednakowe wyniki.
• Badamy stosunek F (będący stosunkiem średnich
kwadratów „wyjaśnionych" do „niewyjaśnionych") za pomo­
cą tablicy analizy wariancji. Podlega on rozkładowi Fi ma
dwa stopnie swobody (1, n - 2), odpowiednio dla licznika
i mianownika.
• Obliczamy statystykę testową = która podlega
rozkładowi f z n - 2 stopniami swobody, gdzie SE(b) jest
błędem standardowym b.
W każdym przypadku wynik istotny, zazwyczaj gdy
p < 0,05, prowadzi do odrzucenia hipotezy zerowej.
 Obliczamy 95% przedział ufności dla jako
gdzie t0 05 jest punktem procentowym rozkładu f z n - 2 stop­
niami swobody, który daje dwustronne prawdopodobieństwo
równe 0,05. Przedział ten zawiera prawdziwą wartość nachy­
lenia z 95% pewnością. Dla dużych liczebności prób, na przy­
kład n S 100, możemy przybliżyć t005 przez 1,96.
Rzadko przeprowadza się regresję liniową bez pomocy
komputera; wydruk komputerowy z większości pakietów
statystycznych zawiera wszystkie te informacje.
Powtarzanie tej procedury dla różnych wartości x pozwa­
la nam na skonstruowanie przedziałów ufności dla prostej.
Jest to zakres lub obszar zawierający prawdziwą prostą
z pewnym prawdopodobieństwem, na przykład 95%. Podob­
nie możemy wyznaczyć szerszy obszar, w którym, jak może­
my się spodziewać, leży większość (zwykle 95%) obserwacji.

UŻYCIE PROSTEJ DO PRZEWIDYWANIA

Prostej regresji możemy użyć do prognozowania wartości
y dla wartości x wewnątrz obserwowanego zakresu (nigdy
nie należy dokonywać ekstrapolacji poza te granice). Prze­
widujemy średnią wartość y dla osobników posiadających
pewną wartość x, podstawiając xdo równania prostej. Tak
wi^c, jeżeli x = xQ, prognozujemy y jako Y0 = a+ óx0. Tej
prognozowanej wielkości i jej błędu standardowego używa­
my do wyznaczenia przedziału ufności dla prawdziwej śred­
niej wartości j w populacji.

PRZYKŁAD
Na rycinie 2H. 1 pokazany jost związek między wzrostem Oszacowanie Biąd stan- Statystyka
(mierzonym w cm) i ciśnieniem skurczowym krwi (SBP — Zmienna parametru daniowy testowa Wartość p
sysiolic Mood pressure, mierzonym w mm Hg) w grupie
Przecięcie 46,2817 16,7845 2,7574 0,0070
100 dzieci opisanych w rozdziale 26. Wykonałyśmy anali­
Wzrost 0,4842 0,1396 3,4684 0,0008
zę prostej regresji liniowej ciśnienia skurczowego krwi
od wzrostu. Założenia leżące u podstaw lej analizy zwery­
fikowano na rycinach od 28.2 do 28.4. Typowy wydruk
komputerowy został załączony w dodatku C. Stosunek F
jest istotny, co można stwierdzić na podstawie tablicy ana­ p = 0,0008 dla hipotezy na temat wzrostu (tzn. Hai
lizy wariancji w Dodatku C (F= 12,03 z odpowiednio 1 i 98 prawdziwe nachylenie równa się zero). Tak jak oczekiwa­
stopniami swobody w liczniku i mianowniku, p = 0,0008), no, jest identyczne z wartością otrzymaną z tablicy anali­
więc istnieje Umowy związek między wzrostem a skurczo­ zy wariancji w Dodatku C.
wym ciśnieniem krwi. Wartość Rz modelu wynosi 10,9%. Skoro liczebność próby jest duża (wynosi 100), może­
Tylko około dziesiąta część zmienności ciśnienia skurczo­ my wartość przybliżyć przez 1,96 i obliczyć 95%
wego krwi może być więc wytłumaczona przez model, tzn. przedział ufności dla prawdziwego nachylenia jako:
przez różnice we wzrostach dzieci. Wyniki z wydruku kom­
puterowego zostały pokazane w tablicy.
Parametr estymatora dla „przecięcia" odpowiada war­
tości a, zaś parametr dla „wzrostu" odpowiada wartości Dlatego 95% przedział ufności dla nachylenia waha się
b (nachylenie linii regresji). Zatem równanie oszacowanej od 0,21 do 0,75 mm Hg na centymetr zmiany we wzro­
prostej regresji ma postać: ście. Ten przedział ufności nie zawiera zera, co potwier­
dza, że nachylenie jest istotnie różne od zera.
SBP = 46,28 + 0,48 x wzrost
Możemy użyć równania regresji do prognozowania
W tym przykładzie punkt przecięcia nie jest sam skurczowego ciśnienia krwi, jakiego spodziewalibyśmy się
Z siebie interesujący (dotyczy prognozowanego ciśnienia u dziecka o danym wzroście. Na przykład, dziecko o wzro­
krwi dla dziecka o wzroście zero cm, co całkowicie wy­ ście 115 cm ma prognozowaną wartość skurczowego ciśnie­
kracza poza zakres wartości obserwowanych w badaniu). nia krwi równą 46,28 + (0,48 x 115) = 101,48 mm Hg;
Jednakże możemy interpretować współczynnik nachyle­ dziecko o wzroście 130 cm ma prognozowaną wartość
nia; u badanych dzieci skurczowe ciśnienie krwi wzrasta skurczowego ciśnienia krwi równą 46,28 + (0,48 x 130) =
przeciętnie o 0,48 mm Hg na każdy centymetr wzrostu. = 108,68 mm Hg.

28. Przeprowadzanie analizy regresji liniowej 75

 Kyr.ina 28.1. Wykres rozrzutu pokazujący zwią­
zek miedzy cińiiiciiicm skurczowym krwi (SBP)
i wzrosłem. Na wykresie zaznaczono oszacowaną
prosta regresji SBP = 46.281 0,48 x wzrost.

Rycina 28.2. Na tym diagramie widoczny jest brak

związku wskazujący na liniową zależność wzrostu
i ciśnienia skurczowego krwi.

Rycina 28.3. Rozkład reszt jest w przybliżeniu nor­

malny.

76 Podstawowe techniki analizy danych

Rycina 28.4. Brak tendencji systematycznego wzro­
stu lub spadku dla wartości dopasowanych. Stąd
spełnione jest założenie stałej warimicji.

28. Przeprowadzanie analizy regresji liniowej 77

29 WIELOKROTNA REGRESJA LINIOWA
CO TO TAKIEGO?
Czasami interesuje nas efekt wpływu kilku zmiennych wyja­
śniających na zmienną odpowiedzi y. Jeżeli uwa­
żamy, że zmienne te mogą być wewnętrznie powiązane, nie po­
winniśmy osobno obserwować wpływu na y zmieniających się
wartości pojedynczego x, lecz jednocześnie wziąć pod uwagę
wartości pozostałych x-ów. Na przykład, ponieważ istnieje sil­
ny związek między wzrostem a masą dziecka, chcielibyśmy się
dowiedzieć, czy zmieni się związek między wzrostem a ciśnie­
niem skurczowym krwi (rozdział 28), kiedy weźmiemy pod
uwagę również masę dziecka. Wielokrotna regresja liniowa po­
zwala na zbadanie łącznego wpływu tych zmiennych wyjaśnia­
jących na y; jest to przykład analizy wielu zmiennych, gdzie
wiążemy ze sobą pojedynczą zmienną wynikową jednocześnie
z co najmniej dwoma zmiennymi objaśniającymi. Zwróćmy
uwagę, że chociaż zmienne objaśniające nazywa się czasami
zmiennymi niezależnymi, jest to błędna nazwa, gdyż mogą one
być powiązane.
Wybieramy próbę n osobników i mierzymy wartości każdej ze
zmiennych dla każdego osobnika. Równanie wielokrotnej regre­
sji liniowej, które oszacowuje związki w populacji, ma postać:
• x,jest i-tą zmienną wyjaśniającą lub współzmienną (i =
= 1, 2, 3, ..., k);
• Fjest oszacowaną, prognozowaną, średnią lub dopasowa­
ną wartością y, odpowiadającą pewnemu określonemu zbioro­
wi wartości
• a jest członem stałym, oszacowaną wartością przecięcia;
jest to wartość Y, gdy wszystkie x są równe zero;
• są oszacowanymi współczynnikami cząst­
kowymi regresji; bx oznacza wielkość, o którą średnio wzro­
śnie Y, jeżeli zwiększymy o jednostkę, utrzymując wszyst­
kie pozostałe wartości x niezmienione (tj. ich dopasowanie lub
ich skorygowanie). Jeżeli istnieje związek między i pozosta­
łymi x-ami, różni się od oszacowanego współczynnika re­
gresji uzyskanego wyłącznie z regresji y na podstawie po­
nieważ w tym drugim przypadku nie został on skorygowany ze
względu na pozostałe zmienne, oznacza wpływ na y, któ­
ry jest niezależny od pozostałych x-ów.
Analizę wielokrotnej regresji liniowej zawsze przeprowa­
dza się przy użyciu komputera, dlatego pomijamy wzory na te
oszacowywane parametry.
PO CO TO ROBIMY?
By móc:
• Zidentyfikować zmienne wyjaśniające, które wiążą się
ze zmienną zależną, w celu zrozumienia zasad stanowiących
podstawę zjawiska;
• Wyznaczyć stopień, w jakim jedna lub więcej zmien­
nych wyjaśniających wiąże się ze zmienną zależną po doko­
naniu korekcji ze względu na pozostałe zmienne, które mogą
być z nimi związane;
• Prognozować wartości zmiennej zależnej tak dokładnie,
jak to możliwe, na podstawie zmiennych wyjaśniających.
ZAŁOŻENIA
Założenia w wielokrotnej regresji liniowej są takie same (je­
żeli zastąpimy „x" przez „każdy z x-ów") jak w prostej re­
gresji liniowej (rozdział 27) i sprawdza się je tak samo. Szcze-
78 Podstawowe techniki analizy danych
gólną uwagę trzeba zwrócić na to, czy spełnione są założenia
o liniowości i niezależności. Jeżeli jest to wątpliwe, możemy
przetransformować (rozdział 9) zmienną y i/lub niektóre al­
bo wszystkie spośród zmiennych x i powtórzyć analizę (rów­
nież sprawdzanie założeń) na danych przetransformowanych.
KATEGORIALNE ZMIENNE WYJAŚNIAJĄCE
Możemy wykonać wielokrotną regresję liniową, używając kate-
gorialnych zmiennych wyjaśniających. W szczególności, jeżeli
mamy zmienną binarną Xj (np. mężczyzna = 0, kobieta = 1)
i zwiększymy xx o jednostkę, dokonamy zmiany z mężczyzn na
kobiety. bx oznacza więc różnicę w oszacowanej wartości śred­
niej pomiędzy kobietami i mężczyznami, po dokonaniu korekcji
ze względu na pozostałe zmienne x.
Jeżeli mamy nominalną zmienną wyjaśniającą (rozdział 1),
która ma więcej niż dwie kategorie, musimy wytworzyć pewną
liczbę zmiennych ślepych (fikcyjnych) lub wskaźnikowych .
1
Ogólnie dla zmiennej nominalnej z k kategoriami tworzymy
k-\ binarnych zmiennych ślepych. Wybieramy jedną z katego­
rii jako reprezentującą naszą kategorię odniesienia, a każda
zmienna ślepa pozwoli nam na porównanie jednej z pozostałych
k-\ kategorii zmiennej z kategorią odniesienia. Na przykład,
możemy być zainteresowani porównaniem poziomów średniego
ciśnienia skurczowego krwi u osobników mieszkających
w czterech krajach Europy (Holandia, Wielka Brytania, Hiszpa­
nia i Francja). Załóżmy, że jako kategorię odniesienia wybrali­
śmy Holandię. Wytwarzamy jedną zmienną binarną identyfiku­
jącą osoby mieszkające w Wielkiej Brytanii; zmienna ta przyj­
mie wartość 1, jeżeli osobnik mieszka w Wielkiej Brytanii, a 0
w przeciwnym razie. Potem generujemy zmienne binarne, aby
podobnie zidentyfikować osoby mieszkające w Hiszpanii i Fran­
cji. Automatycznie, osobnicy mieszkający w Holandii mogą zo­
stać zidentyfikowani jako ci, którzy mają wartość zero dla każ­
dej z trzech zmiennych binarnych. W analizie wielokrotnej re­
gresji liniowej współczynnik regresji dla każdego z pozostałych
trzech państw oznacza wielkość, o którą przeciętnie różni się
Y (ciśnienie skurczowe krwi) u osób mieszkających w danym
kraju w porównaniu z mieszkającymi w Holandii. Współczyn­
nik przecięcia pozwala oszacować średnie skurczowe ciśnienie
krwi u osobników mieszkających w Holandii (gdy wszystkie po­
zostałe zmienne objaśniające mają wartość zero). Niektóre pa­
kiety komputerowe generują automatycznie zmienne ślepe, je­
żeli tylko wyspecyfikuje się zmienną jako kategorialną.
W przypadku zmiennej wyjaśniającej porządkowej może­
my przyporządkować trzy lub więcej kategorii na znaczącej
skali liniowej (np. klasy socjalne 1-5). Możemy wtedy albo
użyć tych wartości bezpośrednio w równaniu wielokrotnej re­
gresji liniowej (patrz też rozdział 33), albo wygenerować serię
zmiennych ślepych, jak dla zmiennej nominalnej (lecz wtedy
nie wykorzystujemy informacji o uporządkowaniu kategorii).
ANALIZA KOWARIANCJI
Rozszerzeniem analizy wariancji (ANOVA, rozdział 22) jest
analiza kowariancji, w której porównujemy odpowiedzi po­
między grupami osobników (tj. dwoma lub więcej badanymi
grupami), biorąc pod uwagę pozostałe zmienne mierzone dla
każdego osobnika. Takie zmienne mogą być analizowane przy
1
Armitage P., Berry G., Matthews J. N. S.: Statistical Methods in
Medical Research. Blackwell Science, Wielka Brytania 2001.
użyciu techniki wielokrotnej regresji liniowej poprzez wyge­
nerowanie jednej lub większej liczby ślepych zmiennych bi­
narnych służących do rozróżnienia grup. Dlatego, gdy chcemy
porównać średnie wartości y w dwóch grupach leczonych,
kontrolując wpływ zmiennych (np. wiek, masa,...), tworzymy
zmienną binarną x oznaczającą „leczenie" (np. = 0 dla le­
czenia A, =1 dla leczenia B). W równaniu wielokrotnej re­
gresji liniowej jest oszacowaną różnicą w średnich odpo­
wiedziach y między sposobami leczenia B i A, skorygowaną
ze względu na pozostałe zmienne x.
Analiza kowariancji jest stosowana w kontrolowanych
eksperymentach randomizowanych, które porównują lecze­
nie, gdy każdy osobnik w badaniu ma wykonane badanie
przed leczeniem i po leczeniu. W tej sytuacji zmienna odpo­
wiedzi y jest pomiarem kontynuacyjnym powtarzanym, a dwie
spośród zmiennych wyjaśniających w modelu regresyjnym są
zmiennymi binarnymi oznaczającymi sposób leczenia xl i po­
czątkowy stan osobnika przy rozpoczęciu badania x 2 . Podej­
ście to jest ogólnie lepsze (tzn. ma większą moc — patrz roz­
dział 36) niż użycie jako zmiennej zmiany od wartości począt­
kowej lub procentowej zmiany pomiaru kontynuacyjnego.
WYBÓR ZMIENNYCH WYJAŚNIAJĄCYCH
Regułą jest, że nie dokonujemy analizy wielokrotnej regresji
liniowej, jeżeli lie2ba 2miennych pr2ekracza liczbę osobników
podzieloną przez 10. Większość pakietów komputerowych za­
wiera automatyczne procedury doboru zmiennych, np. wybór
krokowy (rozdział 33). Przydają się one szczególnie Wtedy,
gdy wisie zmiennych wyjaśniających jest wzajemnie powiąza­
nych. Szczególny problem pojawia się w przypadku wspótli-
niowości (zależności liniowej, kolinearności), tj. kiedy pary
zmiennych wyjaśniających są niezwykle silnie skorelowane
(rozdział 34).
ANALIZA
Większość wyników komputerowych zawiera pozycje:
1. Oszacowanie jakości dopasowania.
Skorygowane oznacza proporcję (często wyrażoną
w procentach) zmienności j, która może być wyjaśniona
poprzez jej związek z jc-ami. jest skorygowane tak, że
modele można porównywać z różnymi liczbami zmiennych
wyjaśniających. Jeżeli ma małą wartość (ocenianą subiek­
tywnie), model jest źle dopasowany. Jakość dopasowania jest
szczególnie ważna wtedy, gdy równania wielokrotnej regre­
sji liniowej używamy do predykcji.
PRZYKłAD
W rozdziale 28 badaliśmy związek między ciśnieniem skur­
czowym krwi i wzrostem u 100 dzieci. Wiadomo, że wzrost
i masa ciała są dodatnio skorelowane. Dlatego w celu zbada­
nia u tych dzieci wpływu wzrostu (cm), masy ciała (kg) i płci
(0 = chłopiec, 1 = dziewczynka) na skurczowe ciśnienie krwi
(mm Hg) wykonujemy analizę wielokrotnej regresji linio­
wej. Założenia leżące u podstaw tej analizy zweryfikowano
na rycinach od 29.1 do 29.4. Typowy wydruk z komputerowej
analizy tych danych został załączony w Dodatku C. Tablica
analizy wariancji wskazuje, że co najmniej jedna ze zmień-
Przecięcie 79,4395 17,1182
Wzrost -0,0310 0,1717
Masa 1,1795 0,2614
Płeć 4,2295 1,6105
2. Test Fw tablicy ANOVA.
Sprawdza on hipotezę zerową, że wszystkie współczynniki
cząstkowe regresji w populacji są równe zero.
Wynik istotny wskazuje, że istnieje liniowa zależność mię­
dzy y i co najmniej jednym z x-ów.
3. Test t dla każdego współczynnika korelacji cząstko­
wej
Każdy test t odnosi się do jednej zmiennej wyjaśniającej
i można go stosować, gdy chcemy sprawdzić, czy zmienna wy­
jaśniająca ma wpływ na zmienną wynikową, a wpływ pozosta­
łych wspóizmiennych jest ustalony. W celu testowania
= 0, obliczamy statystykę testową = która podlega
rozkładowi tz(n— liczba zmiennych wyjaśniających - 1) stop­
niami swobody. Wydruk komputerowy podaje wartości każde­
go oraz wartość odpowiedniej statystyki testowej
z jej wartością p. Czasami dołącza się przedział ufności dla
jeżeli brak tego wyniku, można go obliczyć ze wzoru
WARTOŚCI ODSKAKUJĄCE
I PUNKTY WPŁYWAJĄCE
Jak już zostało to krótko omówione w rozdziale 28, wartość od­
skakująca (obserwacja, która jest niespójna 2 więks20śeią war­
tości w zbiorze danych, rozdział 3) może być lub nie być warto­
ścią wpływającą [tzn. zaburzającą oszacowanie(a) paranie-
tru(ów) modelu, jeżeli zostanie pominięta]. Wartość odskakują­
ca i/lub obserwacja wpływająca mogą mieć jedną lub dwie
z następujących cech:
• Wysoką wartość resztową (wartość resztowa jest różnicą
między wartościami prognozowaną a obserwowaną zmiennej wy­
nikowej y dla wartości zmiennej wyjaśniającej tego osobnika).
• Wysokie przełożenie (efekt dźwigni), gdy wartość x (lub
zbiór x-ów) danego osobnika jest odległa od średniej wartości
x(lub zbioru x-ów). Wartości o wysokim przełożeniu, są więk­
sze niż gdzie k jest liczbą zmiennych wyjaśniających
w modelu, natomiast n — liczbą obiektów w badaniu.
Dostępne są różne metody badania czułości modelu — stop­
nia, w jakim estymatory są zaburzane przez podzbiory danych.
Możemy wyznaczyć podejrzane wartości wpływające na przy­
kład przez (1) badanie obiektów mających duże wartości reszto-
we, wysokie przełożenie i/lub odległość Cooka (ogólna miara
łącząca w sobie zarówno wartości resztowe, jak i o wysokim
przełożeniu) większą niż jeden, lub (2) badanie specjalnych wy­
kresów diagnostycznych, na których punkty wpływające stają
się wyraźnie widoczne.
nych wyjaśniających jest powiązana ze skurczowym ciśnie­
niem krwi (F- 14,95 z 3 i 96 stopniami swobody odpowied­
nio dla licznika i mianownika, p = 0,0001). Skorygowana war­
tość R2 wynosząca 0,2972 wskazuje, że 29,7% zmienności
w skurczowym ciśnieniu krwi jest wytłumaczone poprzez
model — to jest przez różnice we wzroście, masie ciała i płci
dzieci. Pozwala lo na lepsze dopasowanie do danych niż model
prostej regresji liniowej z rozdziału 28, w którym R2 = 0,11.
Typowy wydruk komputerowy zawiera informacje o zmien­
nych wyjaśniających w modelu w poslaci tablicy:
(45,89 do 112,99) 4,6406 0,0001
(-0,37 do 0,31) -0,1807 0,8507
(0,67 do 1,69) 4,5123 0,0001
(1,07 do 7,39) 2,6261 0,0101
29. Wielokrotna regresja liniowa 79
 Rycina 29.1. Nie ma systematycznego wzoru rozkładu reszt, gdy
wykreśla się je w funkcji masy ciała. (Należy zwrócić uwagę, że
podobnie jak na rycinie 28.2 wykres wartości resztowych z tego
modelu nie daje systematycznego wzoru).
Rycina 29.3. Podobnie jak w modelu jednej zmiennej, nie ma
tendencji do systematycznego wzrostu lub spadku wartości reszt
dla wartości dopasowanych. Spełniony jest więc warunek stałej
wariancji.
Równanie wielokrotnej regresji liniowej ma postać:
SBP = 79,44 - (0,03 x wzrost) + (1,18 x masa) +
+ (4,23 x płeć).
Związek między masą ciała a ciśnieniem skurczowym
krwi jest wysoce istotny (p < 0,0001), ze średnim wzro­
stem skurczowego ciśnienia krwi o 1,18 mm Hg na kilo­
gram wzrostu masy po skorygowaniu wpływu wzrostu
i pici. Jednak po skorygowaniu ze względu na masę i pleć
związek między wzrostem i ciśnieniem skurczowym krwi
staje się nieistotny (p = 0.86). Sugeruje to, że istotny zwią­
zek między wzrostem i skurczowym ciśnieniem krwi
w prostej analizie regresji odzwierciedla fakt, że wyższe
dzieci są zwykle cięższe niż dzieci niższe. Istnieje znaczą­
cy związek (p = 0,01) między płcią i skurczowym ciśnie­
80 Podstawowe techniki analizy danych
Rycina 29.2. Rozkład reszt jest w przybliżeniu normalny, a wa­
riancja nieco mniejsza niż w przypadku prostego modelu regre­
sji (rozdział 28). co odzwierciedla lepsze dopasowanio modolu
wielokrotnej regresji liniowej w porównaniu 2 modelem prostym.
Rycina 29.4. Rozkład wartości resztowych jest podobny w gru­
pie chłopców i dziewczynek, co sugeruje, że model jest dopaso­
wany równie dobrze w obu grupach.
niem krwi; u dziewcząt ciśnienie skurczowe jest przecięt­
nie 4,23 mm Hg wyższe niż u chłopców, nawet po wzięciu
pod uwagę możliwych różnic we wzrostach i masach ciała.
Stąd zarówno masa, jak i pleć są niezależnymi predykato-
rami skurczowego ciśnienia krwi u dzieci.
Możemy obliczyć spodziewane wartości skurczowego ci­
śnienia krwi u dzieci z danymi wzrostami i masami. Jeżeli
pierwsze dziecko wspomniane w rozdziale 28 jest dziew­
czynką o wzroście 115 cm i waży 37 kg, to ma ono progno­
zowane ciśnienie skurczowe krwi 79,44 - (0,03 x 115) +
+ (1,18 x 37) + (4,23 x 1) = 123,88 mm Hg (wyższe niż
101,48 mm Hg prognozowane w rozdziale 28); jeżeli drugie
dziecko jest chłopcem o wzroście 130 cm i waży 30 kg, ma
ono prognozowane ciśnienie skurczowe krwi 79,44 - (0,03 x
x 130) + (1,18 x 30) + (4,23 x 0) = 110,94 mm Hg (wyższe
niż 108,68 mm Hg prognozowane w rozdziale 28).
30 WYNIKI BINARNE I REGRESJA LOGISTYCZNA
ROZUMOWANIE
Regresja logistyczna jest bardzo podobna do regresji liniowej;
używamy jej, gdy mamy binarną zmienną wynikową (np.
obecność/brak symptomu, osobnik mający/niemający jed­
nostki chorobowej) oraz pewną liczbę zmiennych wyjaśniają­
cych. Na podstawie równania regresji logistycznej możemy
ocenić, które zmienne wyjaśniające wpływają na wynik,
a mając wartości zmiennych wyjaśniających określonego
osobnika, możemy oszacować prawdopodobieństwo, z jakim
ona/on będzie mieć określony wynik.
Rozpoczynamy od wygenerowania zmiennej binarnej re­
prezentującej dwie wartości (np. „jest chory" = 1, „nie jest
chory" = 0), Jednakże nie możemy tej zmiennej zależnej użyć
w regresji liniowej, skoro pogwałcone zostało założenie nor­
malności rozkładu i nie możemy interpretować wartości róż­
nych od zero lub jeden. Zamiast tego bierzemy po uwagę
prawdopodobieństwo p, że osobnik został zaklasyfikowany do
najwyżej zakodowanej kategorii zmiennej zależnej (tj. jest
chory) i aby obejść trudności matematyczne, używamy trans­
formacji logistycznej lub logitowej (rozdział 9) w równaniu re-
gresyjnym. Logit prawdopodobieństwa jest logarytmem natu­
ralnym (tj. z podstawą e) szansy wystąpienia „choroby", tzn.
RÓWNANIE REGRESJI LOGISTYCZNEJ
Oszacowane równanie regresji logistycznej o postaci:
pozwala wytworzyć na bazie danych próby proces iteracyj-
ny, zwany procesem najwyższej wiarygodności (rozdział
32), a nie zwykłą regresję najmniejszych kwadratów (dlate­
go nie używamy oprogramowania na regresję liniową).
• jest t-tą zmienna wyjaśniającą (i = 1, 2, 3, ..., k);
• p jest oszacowaną wartością prawdziwego prawdopo­
dobieństwa, że osobnik z określonym zestawem wartości dla
jest chory; p odpowiada proporcji osób chorych;
jest zgodne z rozkładem dwumianowym (rozdział 8);
• a jest oszacowanym członem stałym;
• są oszacowanymi współczynnikami re­
gresji logistycznej. Eksponenta poszczególnego współczyn­
nika, np. jest oszacowaniem ilorazu szans (rozdział 16).
Dla określonej wartości Xj jest ona oszacowaniem szansy
choroby dla w stosunku do oszacowania szansy cho­
roby dla po dokonaniu korekcji ze względu na wszystkie
pozostałe zmienne w równaniu. Gdy iloraz szans równa się
jeden (jest jednostkowy), wtedy obie szanse są takie same.
Wartość ilorazu szans powyżej jeden oznacza zwiększone
szanse wystąpienia choroby, a wartości poniżej jeden —
zmniejszone szanse wystąpienia choroby, gdy x1 wzrasta
o jednostkę. W przypadku rzadkich chorób iloraz szans mo­
że być interpretowany jako ryzyko względne.
Równania regresji logistycznej możemy użyć do wyzna­
czenia prawdopodobieństwa, że osobnik ma jednostkę cho­
robową. Dla każdego osobnika, z zestawem wartości współ-
zmiennych dla możemy obliczyć
Wówczas prawdopodobieństwo, że osobnik ma jednostkę
chorobową, jest określone jako:
Ponieważ model regresji logistycznej jest dopasowany na
skali logarytmicznej, wpływy wartości ^ n a szansę wystą­
pienia choroby są multiplikatywne. Oznacza to, że ich łącz­
ny wpływ jest iloczynem ich oddzielnych wpływów (przy­
kład). Zjawisko takie nie zachodzi w regresji liniowej, gdzie
wpływy wartości xi na zmienną zależną są addytywne.
WYDRUK KOMPUTEROWY
Dla każdej zmiennej wyjaśniającej
Obszerny wydruk komputerowy wyników analizy regresji logi­
stycznej zawiera: dla każdej zmiennej wyjaśniającej oszacowa­
ny współczynnik regresji logistycznej z błędem standardowym,
oszacowany iloraz szans (tj. eksponentę tego współczynnika)
z przedziałem ufności dla jego prawdziwej wartości oraz staty­
stykę testową Walda (testującą hipotezę zerową, że współczyn­
nik regresji logistycznej równa się zero, co jest równoważne
testowaniu hipotezy, że iloraz szans „choroby" związanej z tą
zmienną jest jednością) oraz oszacowaną wartość p. Używamy
tej informacji do stwierdzenia, czy każda zmienna jest powią­
zana z badanym wynikiem (np. chorobą) i dla kwantyfikacji
stopnia, w jakim to zjawisko zachodzi. Tak jak w przypadku
wielokrotnej regresji liniowej można użyć procedur automa­
tycznego wyboru (rozdział 33), w celu dobrania najlepszej kom­
binacji zmiennych wyjaśniających. Przyjętą regułą ekspery­
mentalną, że maksymalna liczba zmiennych wyjaśniających
powinna być taka, by było co najmniej 10 razy więcej wartości
odpowiedzi dla każdej z kategorii określających wynik (tj.
obecność/brak symptomu), niż jest zmiennych1.
Ocena adekwatności modelu
Zwykle jesteśmy zainteresowani zmiennymi wyjaśniającymi
i ich wpływem na wynik. Informacja ta jest dostępna we
wszystkich zaawansowanych komputerowych pakietach staty­
stycznych. Jednakże między pakietami występują niezgodności
w tym, jak oceniają one adekwatność modelu oraz jak to opi­
sują. Twój komputer może podawać (w taki lub inny sposób):
• Wielkość zwaną -2 log wiarogodnością, ilorazem
wiarogodności statystycznej (LRS — likelihood rado
statistic) lub dewiancją: ma ona w przybliżeniu rozkład
Chi-kwadrat i wskazuje, jak słabe jest dopasowanie modelu
uwzględniającego wszystkie zmienne wyjaśniające (istotny
wynik wskazuje słabą predykcję — rozdział 32).
• Chi-kwadrat modelu lub Chi-kwadrat dla współ-
zmiennych: Sprawdza hipotezę zerową, że wszystkie współ­
czynniki regresji w modelu są równe zero (rozdział 32).
Istotne wyniki sugerują, że co najmniej jedna ze współ-
zmiennych jest istotnie powiązana ze zmienną zależną.
• Procent osobników prawidłowo ocenionych w modelu
jako „chorzy" lub „bez choroby". Informacja ta może być
przedstawiona w postaci tablicy klasyfikacyjnej.
1
Peduzzi P., Concato J., Kemper E., Holford T. R, Feinstein A. R: A si-
mulation studyofthe number ofevents per yariable in logistic regres-
sion analysis. Journal of Clinical Epidemiology, 1996, 49, 1373-9.
30. Wyniki binarne i regresja logistyczna 81
 • Histogram: wzdłuż osi poziomej zaznaczone są pro­
gnozowane prawdopodobieństwa, a do oznaczenia grupy
(„chorzy" lub „bez choroby"), do której należy osobnik, uży­
wa się symboli (takich jak 1 i 0). Dobry model przydziela
symbole do dwóch grup, które pokazują jedynie niewielki
stopień nałożenia się lub całkowity jego brak.
Indeksy zdolności predykcyjnej: nie są one rutynowo
dostępne w każdym pakiecie komputerowym, lecz mogą za­
wierać proporcje fałszywie dodatnie i fałszywie ujemne
oraz czułość i swoistość modelu (rozdział 38). W celu uzy­
2
skania bardziej szczegółowych informacji radzimy odwołać
się do bardziej zaawansowanych publikacji.
PORÓWNYWANIE ILORAZU SZANS
I RYZYKA WZGLĘDNEGO
Chociaż iloraz szans jest często wykorzystywany jako oce­
na ryzyka względnego, daje on podobne wartości jedynie
wtedy, gdy wynik występuje rzadko. Gdy wynik nie jest
rzadki, iloraz szans jest wyższy niż ryzyko względne, jeśli
ryzyko względne jest większe od jedności, a mniejszy niż
ryzyko względne w przeciwnym przypadku. Chociaż iloraz
szans nie podlega łatwej interpretacji jak ryzyko względne,
ma atrakcyjne właściwości statystyczne i dlatego jest zwy­
kle wybierany (i musi być wykorzystywany w badaniu przy-
padek-kontrola, gdy nie można w bezpośredni sposób ocenić
ryzyka względnego, rozdział 16).
MULTINOMIALNA I PORZĄDKOWA
REGRESJA LOGISTYCZNA
Multinomialna (zwana również polichotomiczną, wielowarto-
śoiową) i porządkowa regresja logistyczna są rozszerzeniami
regresji logistycznej, które stosujemy, gdy mamy do czynie­
nia z kategorialną zmienną zależną z więcej niż dwoma ka­
tegoriami. Jeżeli zmienna zależna jest nominalna (rozdział 1,
3
Menard S.: Applied logistic regression analysis. W: Sagę Univer-
sity Paper Sedes on Quantitative Applications in the Social Scien­
ces, Series no. 07-106. Sagę University Press, Thousand Oaks, Ca-
lifornia 1995.
PRZYKŁAD
W badaniu związku między zarażeniem ludzkim wirusem
opryszczki typu 8 (opisanym w rozdziale 23) i zachowania­
mi seksualnymi zadano pytania 271 horno/biseksualnym
mężczyznom na temat wystąpienia u nich w przeszłości
pewnych chorób przenoszonych drogą płciową (rzeżączka,
syfilis, opryszczka prosta typu 2 [HSV-2] oraz HIV).
W rozdziale 24 pokazałyśmy, że mężczyźni, którzy
przebyli rzeżączkę, częściej byli seropozytywni do HHV-8
od tych, którzy nie przebyli rzeżączki. Wykonałyśmy ana­
lizę regresji logistycznej wielu zmiennych w celu zbada­
nia, czy efekt ten był prostym odzwierciedleniem związku
Oszacowany Błąd
Zmienna parametr standardowy
Przecięcie -2,2242 0.6512
Rzeżaczka 0,5093 0,4363
Syfilis 1,1924 0.7111
HSV-2 pozvtvwnv 0,7910 0,3871
HIV 1,6357 0,6028
Wiek 0,0062 0,0204
82 Podstawowe techniki analizy danych
np. pacjent ma jedno z trzech schorzeń krzyża: przepuklina
dysku w części lędźwiowej, przewlekły zespól bólowy kręgo­
słupa lub ostry zespól bólowy kręgosłupa), używamy multi-
nomialnej regresji logistycznej. Jeżeli zmienna zależna jest
porządkowa lub rangowa (np. ból łagodny, umiarkowany lub
ciężki), używamy porządkowej regresji logistycznej. Metody
te są bardziej złożone i jeżeli chce się je zastosować, trzeba
3
szukać informacji w bardziej zaawansowanych pozycjach
i/lub szukać porady specjalisty. Prostą alternatywą jest
łączenie kategorii w taki sposób, by wygenerować nową
binarną zmienną wynikową, i przeprowadzenie zwykłej
dwukategorialnej logistycznej analizy regresji (trzeba jednak
przyznać, że powoduje to utratę wielu informacji). Decyzję,
jak połączyć kategorie, należy podjąć na początku, przed
analizą danych, tak by uniknąć obciążenia.
WARUNKOWA ANALIZA REGRESJI
Warunkowej regresji logistycznej możemy użyć, gdy mamy
obiekty powiązane (tak jak w badaniu sparowanym przypa-
dek-kontrola, rozdział 16) i chcemy dokonać korekcji ze
względu na możliwe czynniki uwikłane. Analiza sparowanego
badania przypadek-kontrola przy użyciu zwykłej regresji logi­
stycznej lub metod opisanych w rozdziale 16 jest nieefektyw­
na i powoduje utratę mocy, ponieważ żadna z nich nie po­
twierdza tego, że przypadki i kontrole są ze sobą powiązane.
Warunkowa regresja logistyczna pozwala nam na porównanie
przypadków do grupy kontrolnej w tym samym sparowanym
zestawie (tj. każdej pary w przypadku parowania jeden do
jednego). W tej sytuacji „wynik" jest zdefiniowany przez pa­
cjenta będącego przypadkiem (kodowanym zazwyczaj jako 1)
lub kontrolą (zazwyczaj kodowanym jako 0). Jakkolwiek za­
awansowane pakiety statystyczne pozwalają niekiedy na bez­
pośrednie przeprowadzenie warunkowej regresji logistycznej,
czasami jednak konieczne jest użycie modelu regresyjnego
proporcjonalnego ryzyka wg Coxa (rozdział 44).
3
Ananth C. V., Kleinbaum D. G.: Regression methodsfor ordinal
responses: a review of methods and applications. International
Journal of Epidemiology, 1997, 27, 1323-33.
pomiędzy HHV-8 i pozostałymi zakażeniami i/łub wie­
kiem mężczyzny. Zmienne wyjaśniające opisywały wystę­
powanie każdej z czterech infekcji, każda była kodowana
jako 0, jeżeli pacjent nie przebył tej choroby, lub 1, jeżeli
ją przebył, oraz wiek pacjenta w latach. Typowy wynik
komputerowy zamieszczono w Dodatku C. Pokazuje on, że
Chi-kwadrat dla współzmiennych wynosi 24,598 z 5 stop­
niami swobody (p = 0,0002), co oznacza, że co najmniej
jedna ze współzmiennych jest istotnie związana ze statu­
sem serologicznym HHV-8. Poniższa tabela podsumowuje
informacje o każdej zmiennej w modelu.
Chi-kwadrat Oszacowany 95% CI dla
Walda Wartość p iloraz szans ilorazu szans
11,6670 0,0006 - -
1,3626 0,2431 1,664 (0,71-3,91)
2,8122 0,0935 3,295 (0,82-13,28)
4,1753 0,0410 2,206 (1,03-4,71)
7,3625 0,0067 5,133 (1,57-16,73)
0,0911 0,7628 1,006 (0,97-1,05)
Wyniki te wskazują, że pozytywność HSV-2 (p = 0,04)
oraz obecność HIV (p = 0,007) są niezależnie powiązane
z infekcją HHV-8; osobnicy, którzy są HSV-2 seropozy-
tywni mają 2,21 (= exp[0,7910]) razy większą szansę by­
cia HHV-8 seropozyfywnymi niż ci. którzy byli seroncga-
tywni pod względem HSV-2, po dokonaniu korekcji na
inne choroby. Innymi stówami, szansa seropozytywności
HHV-8 u tych osobników wzrasta o 121%. Górna granica
przedziału ufności dla ilorazu szans pokazuje, że ta
zwiększona szansa muże wynosić aż 371%. Zakażenie
IISV-2 jest dobrze udokumentowanym wskaźnikiem ak­
tywności seksualnej. Zatem, zamiast traktować HSV-2
jako przyczynę infekcji HHV-8, można posłużyć się nim
j.iko wskaźnikiem aktywności seksualnej osobnika.
Co więcej, efekt multiplikatywiiy modelu sugeruje, że
mężczyźni, którzy byli zarówno HSV-2, jak i HIV seropo-
zyiywni, maj^ oszacowane szanse infekcji IIHV-8 jako
2,206 x 5,133 = 11,3 razy większe w porównaniu do męż­
czyzn, którzy byli w obu przypadkach seronegatywni, po
dokonaniu korekcji na inne choroby.
W dodatku przebycie syfilisu wiąże się czasem (na po­
ziomie tendencji) z serostatusem HHV-8. Chociaż związek
ten jest w zasadzie nieistotny (p = 0,09), należy zauważyć,
że przedział ufności nie zawiera wartości ilorazu szans tak
dużego jak 13,28. Przeciwnie, brak niezależnego powiąza­
nia pomiędzy przebyciem rzeżączki a seropozytywiiością
HHV-8 sugeruje, że zmienna ta okazuje się, na podstawie
testu Chi-kwadrat (rozdział 24), związana ze statusem sero­
logicznym HHV-8 ze względu na to, że wiciu mężczyzn, któ­
rzy chorowali na jedną z innych chorób przenoszonych dro­
gą płciową, w przeszłości miało również rzeżączkę. Brak
jest istotnego związku pomiędzy seropozytywiiością HHV-8
a wiekiem; iloraz szans wskazuje, że szacowana szansa se­
ropozytywności HHV-8 rośnie o 0,6% z każdym rokiem.
Prawdopodobieństwo, że 51-letni mężczyzna ma infek­
cję HHV-8, jeżeli miał rzeżączkę i jest HSV-2 pozytywny
(lecz nie miał syfilisu i nie jest HIV dodatni) jest os2aco-
wane na 0,35, tj. exp[-O,6077}/fl + exp(-0,6077)}, gdzie
-0,6077 = 0,2242 + 0,5093 + 0,7910 + (0,0062 x 51).
30. Wyniki binarne i regresja logistyczna 83
31 CZĘSTOŚCI I REGRESJA POISSONA
CZĘSTOŚCI
W każdym badaniu longitudinalnym (rozdział 12), analizu­
jąc zajście jakiegoś zdarzenia (takiego jak śmierć), powinni­
śmy wziąć pod uwagę, że osobnicy są obserwowani zwykle
przez różny czas. Dzieje się tak dlatego, że część osobników
wypada z badania, albo dlatego, iż są oni włączani do bada­
nia w różnym czasie: stąd czasy obserwacji różnych osób
mogą się różnić na końcu badania. Ponieważ ci z dłuższym
czasem obserwacji mają większą szansę doświadczyć zda­
rzenia niż ci z krótszym czasem obserwacji, bierzemy pod
uwagę częstość, z jaką w pewnym okresie pojawia się zda­
rzenie. Często dogodną jednostką czasu jest rok (lecz może
to być również minuta, dzień, tydzień itp.). Wtedy częstość
zdarzeń na osobę w ciągu roku (tj. na osoborok obserwacji)
jest dana jako:
Liczba pojawiających się zdarzeń
Częstość =
Całkowita liczba lat obserwacji
dla wszystkich osobników
Liczba pojawiających się zdarzeń
Osobolata obserwacji
Długość obserwacji każdego osobnika jest zwykle zdefi­
niowana jako czas od włączenia go do badania do chwili,
kiedy pojawiło się zdarzenie lub badanie zakończyło się, na­
wet jeśli zdarzenie się nie pojawiło. Całkowity czas obser­
wacji jest sumą czasów obserwacji wszystkich osobników.
Częstość nazywana jest zachorowalnością, jeżeli zdarze­
niem jest nowy przypadek (np. choroby), lub umieralnością,
jeżeli zdarzeniem jest śmierć.
W przypadku bardzo małej częstości często wygodnie
jest przemnożyć ją przez dogodny czynnik, taki jak 1 000,
i wyrazić jako częstość na 1000 osobolat obserwacji.
Cechy częstości
• Gdy obliczamy częstość, nie rozróżniamy pomiędzy osobo-
latami obserwacji dotyczącymi tego samego, czy też różnych
osobników. Na przykład, liczba osobolat obserwacji 10 osob­
ników, z których każdy był obserwowany 1 rok, będzie taka
sama jak 1 osobnika obserwowanego przez 10 lat.
• To, czy włączamy również zdarzenia wielokrotne do­
tyczące każdego osobnika (tzn. jeżeli zdarzenie może zacho­
dzić więcej niż jeden raz), zależy od badanej hipotezy. Jeże­
li interesują nas tylko pierwsze zdarzenia, musimy uciąć
obserwację w punkcie, w którym następuje pierwsze zda­
rzenie u danego osobnika, gdyż od tej pory nie dotyczy go
ryzyko zajścia pierwszego zdarzenia. Gdy do obliczenia czę­
stości włączamy zdarzenia wielokrotne dotyczące tego sa­
mego osobnika, otrzymujemy szczególny rodzaj danych kla-
steryzowanych (rozdział 41) i należy stosować specjalne
metody statystyczne (rozdziały 41 i 42).
• Częstość nie może być obliczana w badaniach przekro­
jowych (rozdział 12), ponieważ tego typu badanie nie zawie­
ra informacji o czasie.
84 Podstawowe techniki analizy danych
Porównanie częstości z ryzykiem
Ryzyko zdarzenia (rozdział 15) jest po prostu całkowitą liczbą
zdarzeń podzieloną przez liczbę osobników włączonych do ba­
dania w chwili jego rozpoczęcia, bez uwzględnienia długości
obserwacji. Na skutek tego ryzyko zdarzenia będzie wyższe
dla osobników dłużej obserwowanych, gdyż mają oni większą
szansę na to zdarzenie. Natomiast częstość zdarzenia może
pozostawać w takich okolicznościach stosunkowo stabilna,
gdyż bierze się w niej pod uwagę czas trwania obserwacji.
Częstości względne
Możemy być zainteresowani porównaniem częstości wystę­
powania choroby w grupie osobników narażonych na bada­
ny czynnik (CzęstoścWażeni) z częstością w grupie osobni­
ków nienarażonych (CzęstOŚĆnienarażeni).
CzęstOŚĆnarażeni
Częstość względna = -— —
CzęstOŚĆnienarażeni
Częstość względna (lub stosunek częstości, czasami
określany jako stosunek częstości zachorowalności) jest in­
terpretowana w podobny sposób jak ryzyko względne (roz­
dział 15) i jak iloraz szans (rozdziały 16 i 30); częstość
względna równa 1 (jedności) wskazuje, że częstość choroby
jest taka sama w obu grupach, częstość względna większa
niż jeden wskazuje, że częstość jest większa dla narażonych
na czynnik niż u nienarażonych, a częstość względna mniej­
sza niż jeden wskazuje, że częstość jest mniejsza w grupie
eksponowanych na czynnik.
Chociaż częstość względną często traktuje się jako osza­
cowanie ryzyka względnego, częstość względna i ryzyko
względne będą zbliżone, gdy zdarzenie (np. choroba) jest
rzadkie. Gdy jednak zdarzenie nie jest rzadkie i osobnicy
są obserwowani przez zmieniające się okresy, częstość,
a przez to również częstość względna nie będą zaburzane
przez różne czasy obserwacji. Nie dzieje się tak w przypad­
ku ryzyka względnego i ryzyka, dlatego ryzyko względne
ulega zmianom, gdy osobnicy podlegają obserwacjom przez
dłuższy czas. Stąd, gdy w badaniu czasy obserwacji ulegają
zmianom między osobnikami, zwykle stosujemy częstość
względną.
REGRESJA POISSONA
Co to jest?
Rozkład Poissona jest rozkładem prawdopodobieństwa (roz­
dział 8) zliczeń rzadkich zdarzeń, które pojawiają się losowo
w czasie (lub przestrzeni) ze stałą przeciętną częstością. Sta­
nowi on podstawę regresji Poissona, której używa się do ana­
lizy częstości niektórych zdarzeń (np. choroby), gdy osobnicy
mają różne czasy obserwacji. Kontrastuje ona z regresją logi­
styczną (rozdział 30), która zajmuje się tylko tym, czy zdarze­
nie wystąpiło, czy też nie, i jest używana do estymacji ilora­
zu szans.
W regresji Poissona zakładamy, że częstość zdarzenia
u osobników z takimi samymi zmiennymi wyjaśniającymi
(np. wiek i płeć) jest stała w całym okresie badania. Ogól-
nie, chcemy wiedzieć, które zmienne wyjaśniające wpływa­
ją na częstość zdarzeń, a także możemy chcieć porównać te
częstości w różnych grupach ryzyka i/lub prognozować czę­
stość dla grup osobników z określoną charakterystyką.
Równanie i jego interpretacja
Model regresji Poissona przybiera bardzo podobną formę do
modelu regresji logistycznej (rozdział 30); oba modele mają
(zwykle) liniową kombinację zmiennych wyjaśniających po
prawej strome równania. Analiza regresji Poissona jest także
zwierciadlanym odbiciem analizy regresji logistycznej, ponieważ
transformujemy w niej zmienną wynikową w celu ominięcia
trudności matematycznych. Stosujemy transformację logaryt-
mowania z podstawą naturalną (In) częstości oraz proces ite-
racyjny (największa wiarygodność, rozdział 32) do stworzenia
z danych z próby oszacowanego równania regresji o postaci:
• x. jest f-tą zmienną wyjaśniającą (i= 1, 2, 3,..., k);
* r jest oszacowaną wartością średnią lub oczekiwaną
częstością dla osobników z określonym zestawem wartości
dla
• a jest oszacowanym członem stałym, pozwalającym na
obliczenie logarytmu częstości, gdy wszystkie xt w równaniu
przybierają wartość zero (logarytm częstości podstawowej);
• są oszacowywanymi współczynnikami re­
gresji Poissona. Eksponenta poszczególnych współczynni­
ków, np. e°i, jest oszacowaną częstością względną powiąza­
ną z odpowiednią zmienną. Dla pewnej wartości xx jest
oszacowaną częstością choroby dla (xl + 1) w stosunku do
os2acowanej częstości choroby dla x ] ; przy skorygowaniu
wszystkich pozostałych x( w równaniu. Gdy częstość względ­
na jest równa jedności, wtedy częstość zdarzeń pozostaje
taka sama, gdy Xj wzrasta o jednostkę. Wartość częstości
względnej powyżej jedności wskazuje na zwiększoną czę­
stość, a wartość poniżej jedności wskazuje na zmniejszoną
częstość zdarzeń, gdy Xj wzrasta o jednostkę.
Podobnie jak w przypadku regresji logistycznej, modele
regresji Poissona dopasowuje się na skali logarytmicznej. Za­
tem wpływ xrów na częstość choroby jest multiplikatywny.
Z równania regresji Poissona możemy korzystać w celu
oszacowania częstości zdarzeń dla osobnika z określoną
kombinacją wartości xl? ..., xk. Dla każdego zbioru wartości
współzmiennych xv ..., xk, obliczamy
Wtedy częstość zdarzenia dla tego osobnika jest określo­
na jako 9*.
Użycie wartości wyrównujących
Chociaż tworzymy model częstości, z jaką pojawia się zdarze­
nie (tj. liczbę zdarzeń podzieloną przez liczbę osobolat obser­
wacji), większość pakietów statystycznych wymaga podania
jako zmiennej zależnej liczby pojawiających się zdarzeń, a nie
częstości jako takiej. Jako wartość wyrównująca do modelu
włączany jest wtedy logarytm osobolat obserwacji każdego
osobnika. Zakładając, że jesteśmy zainteresowani wyłącznie
włączaniem pojedynczego zdarzenia dla osobnika, liczba zda­
rzeń pojawiających się dla każdego osobnika przyjmuje albo
wartość 0 (gdy zdarzenie nie pojawiło się) lub 1 (gdy zdarze­
nie się pojawiło). Jest to więc nieco odmienne sformułowanie
modelu, które pozwala generować estymatory w sposób
o wiele mniej wymagający pod względem obliczeniowym.
Jednakże wyniki otrzymane na podstawie tego modelu są ta­
kie same, jakie otrzymalibyśmy, tworząc model częstości.
Wprowadzanie danych dla grup
Zauważmy, że kiedy wszystkie zmienne wyjaśniające są kate-
gorialne, możemy skorzystać z faktu, iż w obliczeniach często­
ści w celu uproszczenia procesu wprowadzania danych nie
rozróżnia się między osobolatami obserwacji dla tego samego
osobnika a osobolatami u różnych osobników. Na przykład,
możemy być zainteresowani wpływem tylko dwóch zmiennych
wyjaśniających, płci (mężczyzna lub kobieta) oraz wieku {< 16,
16-20 i 21-25 lat), na częstość jakiegoś zdarzenia. Te dwie
zmienne definiują sześć grup (tj. mężczyźni w wieku < 16 łat,
kobiety w wieku < 16 lat, ..., kobiety w wieku 21-25 lat). Mo­
żemy uprościć wprowadzanie tych danych przez wyznaczenie
całkowitej liczby zdarzeń dla wszystkich osobników w obrębie
tej samej grupy i wszystkich osobolat dla tych osobników.
Oszacowana częstość w każdej grupie jest wtedy obliczana ja­
ko całkowita liczba zdarzeń podzielona przez liczbę osobolat
obserwacji w tej grupie. W tym podejściu nie wprowadzamy
danych po kolei dla każdego z n osobników, ale dla każdej
z 6 grup, wprowadzając do modelu binarne i ślepe zmienne
(rozdział 29), osobno dla płci i wieku. Zauważmy, że wprowa­
dzając dane w ten sposób, nie możemy dostosować współ-
zmiennych numerycznych do zdefiniowania grup lub włącze­
nia do modelu dodatkowej współzmiermej, która dla
osobników w grupie przybiera różne wartości.
Włączanie zmiennych zmieniających się w czasie
Możliwe jest włączenie do modelu zmiennych zmian w cza­
sie przez podzielenie okresu obserwacji na krótsze odcinki.
Na przykład, może nas interesować powiązanie palenia pa­
pierosów z częstością wystąpienia raka płuc w grupie męż­
czyzn w średnim wieku. Podczas długiego okresu obserwa­
cji wielu z tych mężczyzn może rzucić palenie i w rezultacie
częstości wystąpienia raka płuc mogą być zaniżone. Zatem
kategoryzowanie mężczyzn zgodnie z ich statusem palenia
na początku badania może w słabym stopniu odzwierciedlać
wpływ palenia na raka płuc. Zamiast tego dzielimy obserwa­
cje każdego mężczyzny na krótsze przedziały czasowe w ten
sposób, że jego status palenia pozostaje stały w każdym
przedziale. Przeprowadzamy następnie analizę regresji Po­
issona, traktując informacje o krótkich przedziałach czaso­
wych dla każdego mężczyzny (tj. wystąpienie/niewystąpie-
nie zdarzenia, czas obserwacji i status palenia) tak, jakby
pochodziły one od różnych mężczyzn.
Wynik komputerowy
Obszerny wydruk komputerowy wyników analizy regresji
Poissona zawiera dla każdej zmiennej wyjaśniającej oszaco­
wany współczynnik regresji Poissona wraz z błędem stan­
dardowym, oszacowaną częstość względną (tj. eksponentę
współczynnika) z przedziałem ufności dla jego prawdziwej
wartości oraz statystykę Walda (testowanie hipotezy zero­
wej, że współczynnik regresji jest równy zero lub że czę­
stość względna „choroby" związana z tą zmienną jest jedno­
ścią) i związaną z nią wartość p. Podobnie jak w przypadku
wyników regresji logistycznej (rozdział 30), możemy ocenić
adekwatność modelu, używając -2 log wiarygodności (LRS
lub dewiancję) i modelu Chi-kwadrat lub Chi-kwadrat dla
współzmiennych (patrz również rozdział 32).
31. Częstości i regresja Poissona 85
Zmienność ekstra-Poissonowska
Podczas dopasowywania modelu regresji Poissona należy
zwrócić uwagę na możliwość wystąpienia zmienności ekstra-
-Poissonowskiej, która zwykle zwiększa rozrzut. Dzieje się
tak, gdy wariancja resztowa jest większa, niż należałoby
oczekiwać na podstawie modelu Poissona, co prawdopodob­
nie wynika z obecności wartości odskakujących (rozdział 3)
lub z powodu niewłączenia do modelu ważnej zmiennej wyja­
śniającej. Wtedy błędy standardowe są zwykle niedoszaco-
wane i w konsekwencji przedziały ufności dla parametrów są
zbyt wąskie, a wartość p jest za mała. Sposobem badania
możliwości wystąpienia zwiększonego rozrzutu jest podziele­
nie -2 log wiarogodności (LRS lub dewiancji) przez liczbę
stopni swobody n-k, gdzie n jest liczbą obserwacji w zbio­
rze danych, a k jest liczbą dopasowywanych parametrów
w modelu (przy uwzględnieniu członu stałej). Ten iloraz powi­
nien w przybliżeniu równać się 1, gdy nie występuje zmien­
ność ekstra-Poissonowska, wartości dużo powyżej 1 mogą
PRZYKŁAD
Osobnicy zarażeni HIV, leczeni bardzo aktywną terapią
antyretrowirusową (HAART), doświadczają zazwyczaj za­
niku obciążenia wirusem HIV do poziomu poniżej granicy
wykrywalności (odpowiedź pierwotna). Jednakże część
7. nich może po tej fazie doświadczyć braku efektu terapeu­
tycznego po leczeniu przeciwwirusowym (BETPLP); zda­
rza się lak, gdy obciążenie wirusem osobnika staje się
ponownie wykrywalne podczas terapii. Identyfikacja czyn­
ników związanych ze wzrastającą częstością BETPLP
może po/wolk": na podjecie kroków mających na celu zapo-
bieganifi lakiin zdarzeniom. Istnieją podstawy, by sądzić,
yr. częstość BETPLP może wzrastać z czasem terapii.
Ponirważ w badaniu tym pacjenci są obserwowani przez
rożny okres, należy zastosować analizę regresji Poissona.
Zidentyfikowano 516 pacjentów, u których wystąpiła
pierwotna odpowiedź na leczenie, i obserwowano ich do
czasu BETPLP lub do czasu ostatniej obserwacji, jeżeli ob­
ciążenie wirusem pozostawało w tym czasie stłumione. Ob­
serwacja rozpoczynała się od pierwszej chwili, gdy obciąże­
nie wirusem stawało się niewykrywalne. Najbardziej
interesującą zmienną wyjaśniającą był czas leczenia, jaki
upłyną! od odpowiedzi początkowej, lecz wartości tej zmien­
nej W okresie badania nieustannie się zmieniają dla każde­
go pacjenta. Dlatego, w celu zbadania, czy częstość BETPLP
zmieniała sie w czasie, czas leczenia od odpowiedzi począt­
kowej podzielono na trzy przedziały czasowe: < 1, 1-2 oraz
> 2 lat (powstało w ten sposób 988 zestawów obserwacji),
przyjęto ogólne założenie, że częstość BETPLP była w przy­
bliżeniu stała w każdym przedziale. Porównano potem
częstości BETPLP w trzech przedziałach czasowych. Wpro­
wadzono dane do arkusza (długość okresu obserwacji
w przedziałach, wystąpienie lub nie BETPLP w tych prze­
działach i odpowiednie zmienne wyjaśniające) dla każdego
pacieula w każdym przedziale, w którym był on obserwo­
wany. Rozważane zmienne wyjaśniające zawierały dane
demograficzne, informację o etapie choroby w chwili rozpo­
częcia leczenia, roku rozpoczęcia HAART oraz o tym, czy
pacjent otrzymywał leczenie w przeszłości.
W celu ograniczenia liczby współzmiennych w modelu
regresji Poissona z wieloma zmiennymi do zidentyfikowa­
nia współzmiennych związanych z BETPLP użyto osob­
nych modeli Poissona jednej zmiennej dla każdej współ-
zmieruiej (patrz rozdział 34).
86 Podstawowe techniki analizy danych
wskazywać na zwiększony rozrzut. Może się również pojawić
zaniżony rozrzut, gdzie wariancja resztowa jest mniejsza, niż
należałoby się spodziewać na podstawie modelu Poissona
i gdzie stosunek -2 log wiarogodności do n - k jest istotnie
mniejszy od jedności (np. jeżeli nie można dokładnie zareje­
strować dużych zliczeń). Zaniżony i zawyżony rozrzut może
również stanowić problem przy regresji logistycznej (rozdział
30), gdzie odnosi się on do zmienności ekstradwumianowej.
Alternatywa dla analizy Poissona
Gdy obserwujemy grupę osobników od naturalnego „punk­
tu startowego" (np. operacji) do czasu, kiedy osoba osiąga
badany punkt końcowy, możemy użyć alternatywnego
podejścia, znanego jako analiza przeżycia, która w przeci­
wieństwie do regresji Poissona nie zakłada, że ryzyko (czę­
stość zdarzenia w krótkim okresie) jest stałe w C2asie.
Podejście to zostało opisane w rozdziale 44.
Podczas całkowitej obserwacji 718 osobolat 61 pacjentów
doznało BETPLP, nieskorygowana częstość zdarzenia wynosi
8,50 na 100 osobolat (95% przedział ufności: 6,61, 10,92),
Nieskorygowane częstości BETPLP wynosiły 8,13 (6,31,
10,95) w pierwszym roku od pierwotnej odpowiedzi na tera­
pię, 12,22 (7,33, 17,12) w drugim roku oraz 3,99 (1,30, 9,31)
w późniejszych latach. Wyniki z rrrodelu regresji Poissona za­
wierają tylko dwie zmienne ślepe (rozdział 29) odzwierciedla­
jące kategorie 1-2 i > 2 lat. Każda była porównywana z < 1
lat, gdyż początkowa odpowiedź na terapię sugerowała, ze
czas od początkowej odpowiedzi wirusologicznej był istotnie
powiązany z BETPLP (p = 0,04). Dodatkowo, w modelach re­
gresji Poissona jednej zmiennej BETPLP była znacząco zwią­
zana z płcią (p - 0,03), jego/jej początkową liczbą CD8 (p =
= 0,01) oraz statusem leczenia w chwili rozpoczęcia bieżące­
go trybu leczenia (uprzednio otrzymywał leczenie, nigdy nie
otrzymywał leczenia, p = 0,008). Wykonano zatem analizę re­
gresji Poissona wielu zmiennych w celu określenia związku
pomiędzy BETPLP i czasem trwania terapii po uwzględnieniu
pozostałych zmiennych. Wyniki podsumowano w tablicy 31.1;
pełny wynik komputerowy zawiera Dodatek C.
Wyniki z tego wielowymiarowego modelu sugerują, że
istnieje trend w kierunku wyższych częstości BETPLP
w okresie 1-2 łat po początkowej odpowiedzi w porówna­
niu z widoczną w pierwszym roku (częstość BETPLP wzro­
sła o 53% w okresie 1-2 lat), lecz po drugim roku częstość
została obniżona (częstość BETPLP została zredukowana
o 44% w tym okresie w porównaniu z poziomem widocz­
nym w pierwszym roku po pierwotnej odpowiedzi), żaden
z tych wyników nie byt jednak istotny statystycznie. Po
skorygowaniu ze względu na wszystkie inne zmienne
w modelu pacjenci, którzy otrzymywali swoje pierwsze le­
czenie, mieli oszacowaną częstość BETPLP o 44% niższą od
tych pacjentów, którzy wcześniej byli leczeni, oszacowana
częstość BETPLP u mężczyzn była o 39% mniejsza niż u ko­
biet (nie było to statystycznie istotne), a oszacowana czę­
stość BETPLP została zredukowana o 65%, jeżeli pierwot­
na liczba CD8 była o 100 komórek/mm3 wyższa.
Przykłady opisane w rozdziałach 32 i 33 pozwalają zapo­
znać się z dodatkowymi analizami, które dotyczą tego mode­
lu Poissona, zawierającymi oszacowania podwyższonego roz­
rzutu, jakości dopasowania oraz liniowości współzmiennych.
Tablica 31.1. Wyniki wielozmiennej analizy regresji Poissona czynników związanych z brakiem efektu terapeutycznego po leczeniu
przeciwwirusowym (BETPLP).

Oszacowana 95% przedział Wartość p

Oszacowanie Błąd częstość ufności dla dla statystyki
Zmienna* parametru standardowy względna częstości względnej Walda"
Czas od początkowej odpowiedzi
na leczenie (lata) < 1 odniesienie 1
1-2 0,4256 0,2702 1,53 0,90, 2,60 0,12
>2 -0,5835 0,4825 0,56 0,22, 1,44 0,23
Status leczenia
Leczenie stosowane uprzednio (0) odniesienie 1
Nigdy nio stosowano leczenia (1) -0,5871 0,2587 0,56 0,33, 0,92 0,02
PlCó
Kobieta (0) odniesienie 1
Mężczyzna (1) -0,4868 0,2664 0,61 0,36, 1,04 0,07
Liczba CD8 (na 100 komórek/mm )
3
-1,0558 0,0267 0,35 0,33, 0,37 0,04

* W nawiasach podano kody dla zmiennych binarnych (płeć i status leczenia). Czas od początkowej odpowiedzi na leczenie uwzględnio­
no przez włączenie zmiennej ślepej, co miało na celu odzwierciedlenie okresów 1-2 lat oraz > 2 lata od początkowej odpowiedzi.
** Alternatywna metoda oszacowania istotności zmiennej kategorialnej z więcej niż dwoma kategoriami została opisana w rozdziałach
32 i 33.

Adaptowano z pracy; Ms Coletto Smith, Department of Primary Care and Population Sciences, Royal Free and University College Me-
dical School, liindyn. Wielka Brytania.

31. Częstości i regresja Poissona 87

32 UOGÓLNIONE MODELE LINIOWE

Modelowanie statystyczne obejmuje prostą i wielokrotną re­
gresję liniową (rozdziały 27-29), regresję logistyczną (roz­
dział 30), regresję Poissona (rozdział 31) oraz pewne metody
używane w przypadku danych przeżycia (rozdział 44).
Wszystkie one polegają na tworzeniu modelu matematycz­
nego, który najlepiej opisuje związek między zmienną wyj­
ściowa a jedną lub większą liczbą zmiennych wyjaśniają­
cych. Tworzenie takiego modelu pozwala na określenie
stopnia, w jakim każda zmienna wyjaśniająca jest powiąza­
na Ze zmienną wynikową, po wzięciu pod uwagę wszystkich
pozostałych zmiennych wyjaśniających w modelu. Pozwala
to również na prognozowanie wartości wyjściowej na pod­
stawie tych danych wyjaśniających.
Uogólniony model liniowy (GLM - generalized linear
model) można wyrazić w postaci
g(Y) = a+ bxxx + b2x2 + ... + bkxk
gdzie Fjest oszacowaną wartością średnią lub oczekiwaną
zmiennej zależnej, która podlega znanemu rozkładowi praw­
dopodobieństwa (np. normalnemu, dwumianowemu, Poisso­
na); g(Y), zwana funkcją łączącą, jest transformacją Y, która
tworzy liniowy związek z x 1 ? ..., xk, zmiennymi predykcyjny-
mi lub wyjaśniającymi; bh ..., bksą oszacowanymi współczyn­
nikami regresji, które odnoszą się do tych zmiennych wyja­
śniających; a jest członem stałej.
Każdy z modeli predykcyjnych opisany we wcześniej­
szych rozdziałach może być wyrażony jako szczególny rodzaj
GLM (tablica 32.1). Funkcja wiążąca jest logitem proporcji
(tj. loź s z szans) w regresji logistycznej oraz log e częstości
W regresji Poissona. W prostej i wielokrotnej regresji linio­
wej nie ma potrzeby transformowania zmiennej zależnej;
funkcja wiążąca odnosi się wtedy do funkcji tożsamościo­
wej. Jeżeli określimy typ regresji, jaki chcemy przeprowa­
dzić, większość pakietów statystycznych wbuduje do obli­
czeń w sposób automatyczny funkcję wiążącą tak, że nie
będzie potrzeby dokonywania dalszych specyfikacji.
JAKI WYBIERZEMY RODZAJ MODELU?
Wybór odpowiedniego modelu zależy od badanej zmiennej
wynikowej (tablica 32.1). Na przykład, jeżeli nasza zmienna
zależna jest ciągłą zmienną numeryczną, możemy użyć pro­
stej lub wielokrotnej regresji liniowej w celu zidentyfikowa­
nia czynników związanych z tą zmienną. Jeżeli mamy binar­
ną zmienną wynikową (np. pacjent zmarł lub nie zmarł),
a wszyscy pacjenci są obserwowani przez ten sam czas, wte­
dy odpowiednim modelem będzie regresja logistyczna.
Zauważmy, że dzięki modyfikacji formatu naszej zmiennej za­
leżnej możemy Wybrać różne rodzaje modelu. W szczególno­
ści, jeżeli mamy ciągłą numeryczną zmienną wynikowa, lecz
co najmniej jedno z założeń regresji liniowej nie zostało speł­
nione, możemy dokonać kategoryzacji naszej zmiennej wyni­
kowej na dwie grupy w celu wytworzenia nowej wynikowej
zmiennej binarnej. Na przykład, jeżeli nasza zmienna zależ­
na jest skurczowym ciśnieniem krwi (zmienna ciągła nume­
ryczna) po okresie sześciomiesięcznej terapii przeciwnadci-
śnieniowej, możemy wykonać przy użyciu określonej
wartości odcięcia dychotomizację skurczowego ciśnienia
krwi na wysokie lub niskie, a następnie zastosować regresję
logistyczną do identyfikacji czynników związanych z tą binar­
ną zmienną wyjściową. Jakkolwiek dychotomizacja tym spo­
sobem zmiennej zależnej może uprościć dopasowanie i inter­
pretację modelu statystycznego, część informacji o zmiennej
zależnej zostanie zwykle pominięta. Dlatego należy dokładnie
rozważyć zalety i wady tego podejścia.
WIARYGODNOŚĆ I ESTYMACJA
NAJWIĘKSZEJ WIARYGODNOŚCI
Gdy dopasowujemy GLM, do oszacowania parametrów mode­
lu odwołujemy się na ogół do koncepcji wiarygodności. Dla
każdego GLM scharakteryzowanego przez znany rozkład
prawdopodobieństwa, zbiór zmiennych wyjaśniających oraz
pewnych potencjalnych wartości dla każdego z ich współ­
czynników regresji, wiarygodnością modelu (L) jest prawdo­
podobieństwo, które uzyskalibyśmy, biorąc współczynniki re­
gresji otrzymane z wartości obserwowanych. Oszacowujemy
współczynniki modelu przez dobór wartości dla współczynni­
ków regresji, które maksymalizują L (tj. są tymi wartościami,
które najprawdopodobniej wytworzyły obserwowane przez
nas wyniki); proces nazywa się oszacowaniem największej
wiarygodności (MLE — mcucimum likelihood estimatiori)
i wyznacza estymatory największej wiarygodności. MLE
jest procesem iteracyjnym i dlatego wymaga specjalnego
oprogramowania komputerowego. Jedynym wyjątkiem dla
MLE jest przypadek modelu prostej i wielokrotnej regresji li­
niowej (z tożsamościową funkcją łączącą), gdzie zwykle osza­
cowujemy parametry, stosując metodę najmniejszych kwa­
dratów (estymatory są często określane jako estymatory zwy­
czajnych najmniejszych kwadratów (OLS — ordinary least
squares, rozdział 27); w tej sytuacji estymatory OLS i MLE
są identyczne.

Tablica 32.1. Wybór odpowiedniego typu GLM w zależności od różnych typów wyników.

Typ wyniku Zwykle stosowany typ GLM Patrz rozdział

Ciągły numeryczny Prosty lub wielokrotny liniowy 28, 29
Binarny
Zachorowalność w badaniach longitudinalnych Logistyczny 30
(pacjenci badani w różnych odstępach czasu)
Wynik binarny w badaniu przekrojowym Logistyczny 30
Niesparowane badanie przekrojowe Logistyczny 30
Sparowane badanie przekrojowe Warunkowy logistyczny 30
Wynik kategorialny z więcej niż dwoma kategoriami Wielopoziomowa lub porządkowa regresja logistyczna 30
Częstość zdarzeń lub liczba Poissona 31
Czas do zdarzenia* Model Eksponencjalny, Weibulla lub Gompertza 44

88 Podstawowe techniki analizy danych

OSZACOWANIE ADEKWATNOŚCI
DOPASOWANIA
Chociaż MLE maksymalizuje L dla danego zestawu zmiennych
wyjaśniających, zawsze możemy dalej poprawić L przez włą­
czenie dodatkowych zmiennych wyjaśniających. W najbardziej
krańcowym przypadku model wysycony to taki, który zawiera
osobną 2mienną dla każdej obserwacji w zestawie danych.
Chociaż model taki będzie wyjaśnia! dane idealnie, w prakty­
ce ma ograniczone zastosowanie, gdyż prognozy przyszłych
obserwacji z tego modelu będą prawdopodobnie słabe. Model wy­
sycony pozwala jednak obliczyć wartość L, którą uzyskalibyśmy,
gdybyśmy w idealny sposób mogli modelować dane. Porównanie
tej wartości L z wartością otrzymaną po dopasowaniu prostszym
modelem z mniejszą liczbą zmiennych pozwala określić ade-
kwatność dopasowania modelu. W celu porównania tych dwóch
modeli bierzemy pod uwagę stosunek wiarygodności, stosunek
wartości L uzyskanej z modelu wysycanego do wartości uzyska­
nej z modelu dopasowanego. Statystykę stosunku wiarygodno­
ści (LRS) obliczamy jako:
LRS, często określany jako -2 log wiarygodność (rozdzia­
ły 30 i 31) lub jako dewiancja sumy kwadratów odchy­
leń względem średniej, podlega w przybliżeniu rozkładowi
Chi-kwadrat z liczbą stopni swobody równą różnicy liczby pa­
rametrów dopasowanych w dwóch modelach (tj. n - k, gdzie
n oznacza liczbę obserwacji w zestawie danych, a k jest licz­
bą parametrów prostszego modelu, uwzględniającą przecie-
PRZYKŁAD
W przykładzie w rozdziale 31 użyliśmy testu Walda do iden­
tyfikacji poszczególnych czynników związanych z nawrotem
wiremii w grupie 516 pacjentów z HIV (z 988 zbiorami ob­
serwacji), którzy byli leczeni wysoce aktywną terapią anty-
retrowirusowa (HAAHT). W szczególności chcielibyśmy się
dowiedzieć, czy częstość braku efektu terapeutycznego po
leczeniu przeciwwirusowym (BETPLP) wzrosła w czasie, po
uwzględnieniu innych potencjalnie uwikłanych zmiennych,
które byiy związane z BETPLP. Chociaż najbardziej intere­
sujący nas wynik jest binarny (pacjent miał BETPLP, pa­
cjent nie miał BETPLP), wybrałyśmy model regresji Poisso-
na zamiast modelu logistycznego, ponieważ poszczególni
pacjenci byli obserwowani przez różny czas. Zatem zmienną
wyjściową dla wykonywanej analizy była częstość zdarzeń.
W tym rozdziale wartości p dla zmiennych wyznaczono przy
użyciu statystyki stosunku wiarygodności. W szczególno­
ści, do obliczenia wartości p związanej z oboma ślepymi
zmiennymi oznaczającymi czas od pierwszej odpowiedzi na
leczenie zostały dopasowane dwa modele. Pierwszy zawie­
rał zmienne związane ze statusem leczenia (uprzednio otrzy­
mywał leczenie, nigdy nie otrzymywał leczenia), płeć i po­
czątkową liczbę CD8 (Model 1); drugi obejmował te zmienne
i dwie zmienne ślepe (Model 2). Następnie zanalizowano róż­
Tablica 32.2. Wartości -2 Log wiarygodności, liczba stopni swobody i liczba dopasowywanych w modelu parametrów, które wykluczają
i wtaczają czas od początkowej odpowiedzi na leczenie.
Model Włączone zmienne -2 log wiary- Liczba stopni swo-
godności
1 Status leczenia, płeć. i początkowa liczba CD8 393,12
2 Status leczenia, pleć i początkowa liczba CD8
oraz 2 zmienne ślepe dla czasu od początkowej
odpowiedzi na leczenie 387,59
cie). Hipoteza zerowa stwierdza, że wszystkie dodatkowe pa­
rametry w większym, wysycanym modelu są równe zero;
duże wartości LRS dają wynik istotny, wskazujący, że ja­
kość dopasowania modelu jest słaba.
LRS stosuje się także w innych sytuacjach. W szczególno­
ści LRS można użyć do porównania dwóch modeli, z których
żaden nie jest wysycony, gdy jeden model jest zagnieżdżony
w drugim (tj. większy model zawiera wszystkie 2mienne włą­
czone do mniejszego modelu, również zmienne dodatkowe).
W tej sytuacji statystyka testowa jest różnicą pomiędzy war­
tościami LRS z modelu zawierającego dodatkowe zmienne
oraz z modelu, który te zmienne wyklucza. Statystyka testo­
wa podlega rozkładowi Chi-kwadrat z liczbą stopni swobody
równą liczbie dodatkowych parametrów włączonych do więk­
szego modelu i jest stosowana do testowania hipotezy zero­
wej, że wszystkie dodatkowe parametry w większym modelu
są równe zero. LRS możemy również użyć do testowania hipo­
tezy zerowej, że wszystkie parametry związane ze współ-
zmiennymi modelu są równe zero, porównując LRS modelu,
który zawiera współzmienne, z LRS modelu, który je wyklu­
cza. Określa się to często jako Model Chi-kwadrat lub
Chi-kwadrat dla wspólzmiennych (rozdziały 30 i 31).
DIAGNOSTYKA REGRESYJNA
Gdy przeprowadzamy jakąkolwiek analizę regresji, ważne
jest uwzględnienie serii diagnostyk regresyjnych. Pozwalają
one na zbadanie dopasowanych modeli regresji i przyjrzenie
się defektom, które mogą wpływać na estymatory parame­
trów i ich błędów standardowych. W szczególności musimy
rozważyć, czy założenia leżące u podstaw modelu nie zosta­
ły pogwałcone (rozdział 28) i czy nasze wyniki nie są silnie
zaburzone przez pomiary wpływające (rozdział 29).
nicę pomiędzy wartościami uzyskanymi dla -2 log wiary­
godności (tj. LRS lub dewiancja) z każdego z modeli (tablica
32.2). Pełny wydruk komputerowy został załączony w Do­
datku C. Włączenie dwóch zmiennych ślepych było związa­
ne z redukcją -2 log wiarygodności o wartość 5,53 (= 393,12 -
- 387,59). Statystyka tego testu podlega rozkładowi
Chi-kwadrat z 2 stopniami swobody (2 dodatkowe parame­
try dołączono do większego modelu). Wartość p związana
z tym testem statystycznym wynosiła 0,06, więc związek
między BETPLP a czasem od odpowiedzi pierwotnej jest
w zasadzie nieistotny. Wartość -2 log wiarygodności dla mo­
delu 2 pozwala również określić adekwatność dopasowania
tego modelu przez porównanie jego wartości -2 log wiary
godności z rozkładem Chi-kwadrat z 982 stopniami swobo­
dy. Wartość p uzyskana z tego porównania wynosiła > 0,99,
co sugeruje, że jakość dopasowania modelu jest do zaakcep­
towania. Należy jednak zauważyć, że po włączeniu tych pię­
ciu zmiennych do modelu mamy dowód na zaniżenie rozrzu­
tu, gdyż stosunek -2 log wiarygodności podzielony przez
jego liczbę stopni swobody wynosił 0,39, więc byt znacznie
mniejszy od jedności, co sugeruje, że wielkość zmienności
resztowej była mniejsza, niż można by się spodziewać z mo­
delu Poissona (rozdział 31).
Liczba parametrów dopasowywanych
body dla modelu modelu, przy uwzględnieniu przecięcia
984 4
982 6
32. Uogólnione modele liniowe 89
33 ZMIENNE WYJAŚNIAJĄCE
W MODELACH STATYSTYCZNYCH
Bez względu na to, jaki wybierzemy rodzaj modelowania sta­
tystycznego, musimy podjąć decyzję, które zmienne wyjaśnia­
jące należy włączyć do modelu i jak najlepiej to uczynić. Decy­
zje te będą zależały od typu zmiennych wyjaśniających (nomi­
nalna kategorialna, porządkowa kategorialna lub numeryczna)
oraz związku między tymi zmiennymi a zmienną zależną.
NOMINALNE ZMIENNE WYJAŚNIAJĄCE
Zwykle w celu zbadania w analizie regresji wpływu zmien­
nej wyjaśniającej, nominalnej kategorialnej trzeba stworzyć
zmienne ślepe lub wskazujące (rozdział 29). Zwróćmy uwa-
^e, ze przy określaniu adekwatności dopasowania modelu za­
wierającego zmienną nominalną o więcej niż dwóch katego­
riach lub przy określaniu istotności tej zmiennej ważne jest
włączenie wszystkich zmiennych ślepych w modelu w tym
samym czasie. Jeżeli tego nie zrobimy (tzn. jeżeli włączymy
tylko jedną ze zmiennych ślepych dla określonego poziomu
zmiennej kategorialnej), będziemy mogli jedynie częściowo
określić wpływ tej zmiennej na wynik. Z tego powodu lepiej
oceniać istotność zmiennej przy użyciu statystyki testowej
stosunku wiarygodności (LRS — rozdział 32) niż poprzez ba­
danie poszczególnych wartości p dla każdej ślepej zmiennej.
PORZĄDKOWE ZMIENNE WYJAŚNIAJĄCE
W sytuacji, gdy mamy zmienną porządkową z więcej niż dwo­
ma kategoriami, możemy zastosować jedno z dwóch podejść.
• Potraktuj zmienną kategorialna jako pomiar ciągły nu­
meryczny, przyporządkowując wartość numeryczną do każ­
dej kategorii zmiennej. To podejście w pełni wykorzystuje
uporządkowanie kategorii, lecz zwykle zakłada związek li­
niowy (gdy wartości numeryczne są w równych odległo­
ściach) pomiędzy zmienną wyjaśniającą i zmienną zależną
(lub jej transformatą), a to należy sprawdzić.
• Potraktuj zmienną kategorialna jako zmienną wyja­
śniającą nominalną i stwórz dla niej serię zmiennych ślepych
lub wskaźnikowych (rozdział 29). To podejście nie bierze pod
uwagę uporządkowania kategorii i dlatego traci się w nim
część informacji. Jednakże nie zakłada ono związku liniowe­
go ze zmienną zależną i dlatego jest czasem wybierane.
Różnica w wartościach LRS z obu modeli pozwala uzy­
skać statystykę testową do testowania liniowego trendu
(tj. oszacowania, czy model zakładający liniową zależność
daje lepsze dopasowanie niż model niezakładający związku
liniowego). Statystyka ta podlega rozkładowi Chi-kwadrat
z liczbą stopni swobody równą różnicy w liczbie parame­
trów w obu modelach; istotność wyniku sugeruje nielinio­
wość.
NUMERYCZNE ZMIENNE WYJAŚNIAJĄCE
Gdy do modelu włączamy numeryczną zmienną wyjaśniają­
cą, estymator jej współczynnika regresji wskazuje na
wpływ wzrostu o jednostkę zmiennej wyjaśniającej na wy­
nik. Dla prostej i wielokrotnej regresji liniowej zakłada się
90 Podstawowe techniki analizy danych
więc związek liniowy między każdą zmienną wyjaśniającą
a zmienną zależną. W regresji Poissona oraz logistycznej
estymator parametru daje miarę wpływu wzrostu o jednost­
kę zmiennej wyjaśniającej na logarytm zmiennej zależnej
(tzn. model zakłada związek liniowy pomiędzy zmienną wy­
jaśniającą a logarytmem częstości lub szansy, ale związek
eksponencjalny z aktualną częstością lub szansą). Ważną
rzeczą jest sprawdzenie poprawności założenia liniowości
(patrz następna sekcja) przed włączeniem numerycznych
zmiennych wyjaśniających do modeli regresyjnych.
Badanie założenia liniowości
W celu zbadania założenia liniowości w modelu regresyj-
nym prostym lub wielokrotnym wykreślamy numeryczną
zmienną zależną y w funkcji zmiennej wyjaśniającej x lub
wykreślamy wartości resztowe modelu w funkcji X (rozdział
28). Surowe dane powinny przybliżać linię prostą, a warto­
ści resztowe nie powinny mieć charakterystycznego rozkła­
du. Możemy określić założenie liniowości w regresji logi­
stycznej (rozdział 30) lub regresji Poissona (rozdział 31),
kategoryzując osobników na mniejsze podgrupy równej
wielkości (5-10 osobników) w zależności od ich wartości dla
x. W regresji Poissona obliczamy logarytm częstości wystę­
powania wyniku w każdej podgrupie i wykreślamy go
w funkcji środków zakresów wartości x dla odpowiednich
podgrup (rycina 33.1). W regresji logistycznej dla każdej
podgrupy wyznaczamy logarytm szans i wykreślamy go
znowu w funkcji środków zakresów. W każdym przypadku,
jeżeli założenie liniowości jest sensowne, powinniśmy się
spodziewać podobnego stopnia krokowego wzrostu (lub
spadku) w logarytmie częstości lub szans, gdy przechodzi­
my pomiędzy przyległymi kategoriami x.
Radzenie sobie z nieliniowością
Istnieje kilka sposobów postępowania, jeżeli wykryjemy
nieliniowość na którymś z tych wykresów.
Rycina 33.1. Wykres log (częstości) pierwotnej liczby CD8 w funk­
cji czasu od pierwotnej odpowiedzi na HAART. Żadna ze zmiennych
nie przejawia liniowości.
 • Zastępujemy x zbiorem ślepych zmiennych stworzonych
przez kategoryzację osobników do trzech lub czterech podgrup,
zgodnie z wielkością x (często zdefiniowanych przy użyciu ter-
tyli lub kwartyli rozkładu). Taki zbiór zmiennych ślepych może
zostać włączony do wielowymiarowego modelu regresyjnego
jako kategorialne zmienne wyjaśniające (przykład).
• Dokonujemy jakiegoś typu transformacji zmiennej x, np.
przez wzięcie logarytmu lub pierwiastka kwadratowego z x,
(rozdział 9), tak aby związek pomiędzy transformowaną war­
tością x a zmienną zależną (lub jej logarytmem dla regresji
Poissona lub jej logitem dla regresji logistycznej) byt liniowy.
• Znajdujemy jakąś algebraiczną zależność, która przybli­
ża nieliniową zależność przy użyciu wyższych potęg x (np. za­
leżność kwadratowa lub sześcienna). Procedura ta jest znana
pod nazwą regresji wielomianowej. W ten sposób wprowa­
dzamy do równania człony oznaczające wyższe potęgi x. Gdy
mamy na przykład zależność sześcienną, nasze oszacowane
równanie wielokrotnej regresji liniowej przyjmuje postać Y=
= a+ 6)X+ bp? + 6j3x3. Dopasowanie tego modelu i postępowa­
nie w jego analizie przebiega tak samo, jak gdyby człony kwa­
dratowy i sześcienny oznaczały różne zmienne (powiedzmy
x2 i x3) w wielokrotnej analizie regresji. Na przykład, może­
my dopasować model kwadratowy, który zawiera w sobie
„zmienne" wzrost i wzrost2. Możemy testować liniowość, po­
równując LRS modeli liniowego i kwadratowego (rozdział 32)
lub testując współczynnik przy członie kwadratowym.
WYBÓR ZMIENNYCH WYJAŚNIAJĄCYCH
Zawsze istnieje niebezpieczeństwo zbyt dokładnego dopa­
sowania modeli przez włączenie bardzo dużej liczby zmien­
nych wyjaśniających, nawet gdy model nie jest wysycany
(rozdział 32). Może to prowadzić do fałszywych rezultatów,
niespójnych z oczekiwaniami, zwłaszcza gdy zmienne są sil­
nie skorelowane. W modelu wielokrotnej regresji liniowej
przyjmuje się regułę, że trzeba się upewnić, czy mamy co
najmniej 10 razy więcej przypadków niż zmiennych wyja­
śniających. W regresji logistycznej powinno być co najmniej
10 razy więcej odpowiedzi lub zdarzeń w każdej z dwóch
kategorii wynikowych, niż jest zmiennych wyjaśniających.
Często mamy dużą liczbę zmiennych wyjaśniających, o któ­
rych sądzimy, że są powiązane ze zmienną zależną. Na przy­
kład, wiele czynników może wiązać się ze skurczowym ciśnie­
niem krwi, również wiek i styl życia. Zmienne wyjaśniające
powinniśmy włączyć do modelu tylko wtedy, gdy przypuszcza­
my na podstawie przesłanki biologicznej lub klinicznej, że są
one związane ze zmienną zależną. Niektóre zmienne możemy
wyeliminować przez przeprowadzenie analizy jednowymiaro­
wej (używając raczej mniej przekonującego poziomu istotności
0,10 aniżeli bardziej konwencjonalnego 0,05) dla każdej zmien­
nej wyjaśniającej w celu określenia, czy prawdopodobny jest
związek ze zmienną zależną, np. gdy mamy numeryczną
zmienną zależną, możemy przeprowadzić prostą analizę regre­
sji, a gdy jest ona binarna — prosty niepowiązany test f. Bie­
rzemy pod uwagę jedynie te zmienne wyjaśniające, które
w pierwszym etapie były istotne dla naszego wielowymiarowe­
go modelu (patrz przykład w rozdziale 31).
Procedury automatycznego wyboru
Gdy jesteśmy zainteresowani bardziej wykorzystaniem mo­
delu do predykcji niż sprawdzeniem, czy zmienna wyjaśnia­
jąca wpływa na wynik, oraz oszacowaniem tego wpływu,
wtedy przydają się komputerowe intensywne procedury au­
tomatycznej selekcji, które pozwalają określić optymalny
model poprzez wybór niektórych z tych zmiennych.
• Wszystkie podzbiory — rozważana jest każda kombi­
nacja zmiennych wyjaśniających; wybierana jest ta, która
zapewnia najlepsze dopasowanie opisywane przez R2 mode­
lu (rozdział 27) lub LRS (rozdział 32).
• Selekcja wsteczna — włącza się wszystkie możliwe
zmienne; te, które ocenia się jako najmniej ważne dla mode­
lu (decyzja oparta jest na Rz lub LRS) są sukcesywnie usu­
wane z modelu do chwili, aż żadna z pozostałych zmiennych
nie może zostać usunięta bez znaczącego zaburzenia dopa­
sowania modelu.
• Selekcja progresywna — włącza się kolejno te zmien­
ne, które wnoszą największy wkład do dopasowania mode­
lu (oceniane na podstawie zmian w R2 lub LRS), do czasu,
aż żadna kolejna zmienna nie poprawi dopasowania modelu
w znaczący sposób.
• Selekcja krokowa — kombinacja wyboru progresyw­
nego i wstecznego, która zaczyna się od progresji, a na za­
kończenie każdego „kroku" dokonywane jest sprawdzenie
wsteczne w celu upewnienia się, że wszystkie włączone
zmienne są nadal potrzebne.
Wady
Chociaż dzięki tym procedurom praca bez pomocy kompute­
ra może zostać w dużym stopniu ograniczona w dopasowa­
niu modelu, mają one jednak pewne wady.
• Możliwe, że dwa lub więcej modeli będzie dopasowy­
wało dane równie dobrze lub że zmiany w zbiorach danych
będą tworzyły różne modele.
• Z powodu wielokrotnego testowania, które ma miejsce,
gdy po wielokroć porównujemy jeden model z innym w ra­
mach procedury automatycznego wyboru, prawdopodobień­
stwo błędu I rodzaju (rozdział 18) staje się niezwykle wyso­
kie. Zatem niektóre istotne wyniki mogą powstać przez
przypadek. Można uniknąć tego problemu przez wybór bar­
dziej przekonywającego poziomu istotności (powiedzmy 0,01
zamiast 0,05).
• Jeżeli model jest ponownie dopasowywany do danych
przy użyciu, na przykład, m zmiennych pozostających w koń­
cowym modelu automatycznej selekcji, jego oszacowane
parametry mogą się różnić od tych z modelu automatycznej
selekcji. Dzieje się tak dlatego, że w procedurze automatycz­
nej selekcji bierze się pod uwagę w analizie jedynie tych
osobników, którzy mają komplet informacji we wszystkich
zmiennych wyjaśniających, natomiast wielkość próby może
być większa, gdy włączamy osobników, którzy nie mają bra­
kujących danych w odpowiednich m zmiennych.
• Uzyskane modele, choć uzasadnione matematycznie,
mogą nie być sensowne. W szczególności, gdy włączamy
serię zmiennych ślepych do przedstawienia pojedynczej
zmiennej kategorialnej (rozdział 29), automatyczne modele
mogą uwzględniać jedynie niektóre ze zmiennych ślepych
i prowadzić do problemów z interpretacją.
Dlatego przy wyborze najlepiej pasującego modelu nale­
ży kierować się nie tylko tymi procedurami, ale też zdro­
wym rozsądkiem. Modele generowane za pomocą procedur
automatycznej selekcji powinny być, jeśli to możliwe, spraw­
dzane na innych, zewnętrznych zbiorach danych (patrz
„sprawdzanie punktacji", rozdział 34).
33. Zmienne wyjaśniające w modelach statystycznych 91
 PRZYKŁAD
W rozdziałach 31 i 32 badaliśmy czynniki związane z bra­
kiem ofckrn terapeutycznego po leczeniu przeciwwiruso-
wym (BETPLP) u pacjentów HIV pozytywnych, otrzymu­
jących wysoce aktywną terapie antyretrowirusową
(HAAKT). W tej wielowymiarowej analizie regresji Pois­
sona włączona zosiala początkowa liczba CD8 osobnika
jako cięgla zmienna wyjaśniająca (podzielono ją przez
100, tak że każdy wzrost o jednostkę przeskalowanej
zmiennej odpowiada! wzrostowi liczby CD8 o 100 komó-
i'i:h/miri'!). Wyniki wskazują, że wyższy poziom początko­
wy liczby CD8 wiązał sic z iatotnie zredukowaną często­
ścią BFTPLP. W celu określenia poprawności założenia
liniowości związanej z tą zmienną zdefiniowano pięć grup
na podstawie kwintyli rozkładu CD8 i wyznaczono czę­
stość BETPLP w każdej z pięciu grup. Wykres logfczęsto-
ści) w każdej z tych grup ukazuje, że związek nie był li­
niowy, ponieważ nie było progresji krokowej (rycina 33.1).
W yzczpgólności, podczas gdy log(częstości) był ogólnie po­
dobny w czterech najniższych grupach, w najwyższej gru­
pie O i 495 komórek/mrn3) zdarzenia nie pojawiły się
w ogóle, co dało dla loglczęsto.ści) wartość minus nieskoń-
liMiOÓć, Dlatego dla dalszej analizy dwie górne grupy
zoHtnJy połączone. Co więcej, znacząca liczba pacjentów
musiała zostać wykluczona z tej analizy, ponieważ nie
mieli oni oznaczonej początkowej liczby CD8. Zatem, z po­
wodu braku liniowości pomiędzy częstością BETPLP oraz
aktualną liczbą CD8, ciągła zmienna wyjaśniająca, repre­
zentująca liczbę CD8 w modelu regresji Poissona, została
zastąpiona przez serię czterech ślepych zmiennych (patrz
rozdział 29). Osobnicy z" początkową liczbą CD8 w pr7e-
dziale 825 < CD8 < 1100 komórek/mm3 zostali potrakto­
wani jako grupa odniesienia dla tych zmiennych. Każda
z trzech ślepych zmiennych umożliwiała porównanie
jednej z pozostałych grup CD8 z grupą odniesienia,
a czwarta zmienna ślepa pozwoliła na porównanie grup
z brakującą liczbą CD8 z grupą odniesienia. Wyniki pod­
sumowano w tablicy 33.1; pełny wydruk komputerowy za­
wiera dodatek C. Porównanie wartości -2 log wiarygod­
ności (tj. LRS lub dewiancji) z modelu zawierającego
cztery ślepe zmienne dla liczby CD8 (387,15) z wartością
z modelu, który zawierał te same zmienne oprócz wspo­
mnianych zmiennych ślepych (392,50), dato wartość
p równą 0,25 (statystyka testowa 5,35 przy A stopniach
swobody). Zatem, po włączeniu jej w ten sposób liczba
CD8 nie ma już dłużej istotnego statystycznie związku
z BETPLP w przeciwieństwie do modelu, w którym licz­
ba CD8 została włączona jako ciągła zmienna wyjaśniają­
ca. Związek między BETPLP i stalusem leczenia, płcią
oraz czasem od odpowiedzi początkowej na leczenie pozo­
stał jednak podobny.

Tablica 33.1. Wyniki wiolozmionnoj analizy regresji Poissona czynników związanych z brakiem efektu terapeutycznego po leczeniu
przeciwwirnwiwym (HrTPJ.P), po wleczeniu liczby CD8 jako zmiennej kategorialnej w modelu.
Oszacowana 95% przedział
Oszacowanie Bla.d częstość ufności dla
Zmienna psrameini standardowy względna częstości względnej Wartość p"
Czas od pierwszej odpowiedzi
na leczenie (lata) <1 odniesienie — l —
1-2 0,4550 0,2715 1,58 0.93,2,68
>2 -0,5386 0,4849 0,58 0,23, 1,51 0,06
Status leczenia
Uprzednio stosowano leczenie (0) odniesienie — 1 —
Nigdy nic stosowano leczenia (1) -0,5580 0,2600 0,57 0,34,0,95 0,03
ltoć
Kobiety (0) odniesienie — 1 —
Mężczyźni (1) -0,4970 0,2675 0,61 0,36,1.03 0,07
Liczba CD8
3
(100komorek/mm ) < 625 -0,2150 0,6221 0,81 0,24,2,73
5=625, <825 -0,3646 0,7648 0,63 0,16,3,11
?825, < 1100 odniesienie — 1 —
SI 100 -0,3270 1,1595 0,78 0,07,7,00
Braki -0,8264 0,6057 0,44 0,13, 1,43 0,25
W nawiasach podano kody dla zmiennych binarnych (płeć i status leczenia). Czas od odpowiedzi pierwotnej na leczenie uwzględniono
przez włączenie dwóch zmiennych ślepych odpowiadających okresom 1-2 lat i > 2 lat po pierwotnej odpowiedzi. Początkowa liczba CD8
została włączona w sposób opisany powyżej.
"Wartości p otrzymane przy użyciu LRS (rozdział 32); tam, gdzie ślepe zmienne zostały użyte do włączenia więcej niż 2 kategorii
w zmiennej, wartość p odzwierciedla łączny efekt tych zmiennych.

92 Podstawowe techniki analizy danych

34 ZAGADNIENIA ZWIĄZANE
Z MODELOWANIEM STATYSTYCZNYM
INTERAKCJA
Co to jest?
Statystyczna interakcja, znana również jako modyfikacja
wpływu (rozdział 13) pomiędzy dwoma zmiennymi wyja­
śniającymi w analizie regresji pojawia się, gdy związek po­
między jedną ze zmiennych wyjaśniających a zmienną zależ­
ną nie jest taki sam dla różnych poziomów drugiej ze
zmiennych wyjaśniających, tj. dwie zmienne wyjaśniające
nie oddziałują na zmienną zależną niezależnie. Na przykład,
przypuśćmy, że obecny status palenia tytoniu i status spoży­
wania alkoholu mogą być skategoryzowane na dwóch pozio­
mach (palacz/niepalący i pijący/niepijący) i każdy osobnik
przynależy do jednej z kategorii każdej zmiennej. Jeżeli róż­
nica w rozkurczowym ciśnieniu krwi (zmienna zależna) po­
między palącymi i niepalącymi jest przeciętnie większa
u tych, którzy nie piją alkoholu, niż u tych, którzy piją, wte­
dy mówimy, że istnieje interakcja między paleniem a spo­
żywaniem alkoholu.
Testowanie interakcji
W modelu represyjnym statystyczną interakcję sprawdza się
zazwyczaj bezpośrednio i wiele pakietów statystycznych po­
zwala na włączenie członów interakcyjnych. Jeżeli w pakie­
cie nie ma takiego ułatwienia, wtedy człon interakcyjny
można wytworzyć bez pomocy oprogramowania przez włą­
czenie iloczynu odpowiednich zmiennych jako dodatkowej
zmiennej wyjaśniającej. Zatem w celu uzyskania zmiennej,
która oznacza interakcję pomiędzy dwoma zmiennymi (obie
binarne, obie numeryczne lub jedna binarna, jedna nume­
ryczna), mnożymy przez siebie wartości obu tych zmiennych
dla osobnika. Gdy obie zmienne są numeryczne, interpreta­
cja jest łatwiejsza, gdy stworzymy człon interakcyjny
z dwóch zmiennych binarnych uzyskanych z dychotomizacji
każdej zmiennej numerycznej. Jeżeli jedna z dwóch zmien­
nych jest zmienną kategorialną z więcej niż dwoma katego­
riami, tworzymy z nich serię ślepych zmiennych (rozdział
29) i używamy każdej z nich, w połączeniu z drugą badaną
zmienną binarną lub numeryczną, do wygenerowania serii
członów interakcyjnych. Procedurę tę można rozszerzyć
w przypadku, gdy obie zmienne są kategorialne i każda ma
więcej niż dwie kategorie.
Człony interakcyjne powinny być włączane do modelu re-
gresyjnego tylko po wprowadzeniu efektów prostych (wpły­
wy zmiennych bez jakiejkolwiek interakcji). Zwróćmy uwa­
gę, że statystyczne testy interakcji mają zwykle niską moc
(rozdział 18). Jest to szczególnie ważne, gdy obie zmienne
wyjaśniające są kategorialne i w podgrupach pojawiają się
rzadkie zdarzenia tworzone przez kombinację każdego po­
ziomu jednej zmiennej z każdym poziomem drugiej zmien­
nej lub jeżeli te podgrupy zawierają bardzo małą liczbę osob­
ników.
UWIKŁANIE
Co to jest?
Zmienna uwikłana lub mieszająca to zmienna wyjaśniająca,
powiązana zarówno ze zmienną zależną, jak i z jedną lub
większą liczbą zmiennych wyjaśniających w modelu. Na
przykład, możemy być zainteresowani badaniem wpływu sta­
tusu palenia i spożywania alkoholu na zapadalność na choro­
bę wieńcową (CHD — coronary heart disease) w kohorcie
mężczyzn w średnim wieku. Jakkolwiek spożycie alkoholu
i palenie tytoniu są znane jako czynniki stowarzyszone
z rozwojem CHD, obie zmienne również są ze sobą związa­
ne (tj. bardziej prawdopodobne jest, że mężczyzna pijący
alkohol będzie palił, niż że będzie palii mężczyzna niepiją-
cy alkoholu). Każdy model regresyjny, w którym rozpatruje
się wpływ jednej ze zmiennych wyjaśniających na wynik,
lecz nie włącza się zmiennej wikłającej (np. model wiążący
status palenia z zapadalnością na CHD bez uwzględnienia
spożywania alkoholu) może zakłamać prawdziwą rolę zmien­
nej wyjaśniającej. Uwikłanie może albo ukrywać prawdziwy
związek, albo sztucznie wytwarzać fałszywy związek miedzy
zmienną wyjaśniającą a zmienną wynikową. Brak uwzględ­
nienia czynników wikłających w analizie regresji prowadzi
do obciążenia (rozdział 12) estymatorów parametrów modelu.
Rozwiązywanie problemu uwikłania
Z uwikłaniem można radzić sobie w dwojaki sposób:
• Tworzymy podgrupy, tworząc warstwy zbioru danych
ze względu na poziomy zmiennej wikłającej (np. utworze­
nie dwóch podgrup, pijących i niepijących), i przeprowa­
dzamy analizy osobno w każdej podgrupie. Chociaż jest to
proste podejście i bardzo polecane, gdy liczba zmiennych
wikłających jest niewielka, to: (1) Podgrupy mogą być małe
i na skutek tego analiza ma zmniejszoną moc wykrywania
istotnych efektów. (2) Z powodu wielokrotnego testowania
(rozdział 18) mogą pojawiać się nieprawdziwe istotne wyni­
ki, jeżeli hipotezy testuje się dla każdej podgrupy. (3) Kombi­
nowanie osobnych estymatorów badanego efektu dla każdej
podgrupy może sprawiać trudność.
• Dokonujemy skorygowania ze względu na zmienne
wikłające w wielowymiarowym modelu regresji. To podej­
ście jest szczególnie użyteczne, gdy w badaniu mamy wiele
zmiennych wikłających, pozwala na oszacowanie związku
pomiędzy zmienną wyjaśniającą a zmiennymi zależnymi,
których nie można wyjaśnić przez związek między zmienną
zależną i zmienną wikłającą.
Uwikłanie w badaniach nierandomizowanych
Ze zjawiskiem uwikłania musimy być szczególnie ostrożni,
gdy porównujemy leczenie w nierandomizowanych klinicz­
nych badaniach kohort owych (rozdział 15). W tym typie bada­
nia cechy osobników mogą być rozłożone w różnych grupach
leczenia w sposób nierównomierny. Na przykład, osobnicy
mogą zostać wybrani do określonego leczenia na podstawie
historii choroby, czynników demograficznych lub stylu życia.
Niektóre z nich mogą się wiązać ze zmienną wynikową i dla-
34. Zagadnienia związane z modelowaniem statystycznym 93
tego będą uwikłane z leczeniem. Wielowymiarowe modele re­
gresji mogą być używane do korygowania dowolnych różnic
w rozkładach czynników w różnych grupach leczenia tylko
wtedy, gdy prowadzący badanie wystrzegają się czynników
wikłających i zarejestrowali je w zestawie danych. Ekspery­
menty randomizowane kontrolowane (rozdział 14) rzadko są
narażone na uwikłanie, jako że pacjenci są przydzielani do
grup leczenia w sposób losowy i dlatego wszystkie współ-
zmienne, zarówno mieszające, jak i inne zmienne wyjaśnia­
jące, powinny być równomiernie rozłożone w różnych gru­
pach leczenia.
KOREKCJA DLA ZMIENNYCH POŚREDNICH
Jeżeli o zmiennej wiadomo, że leży na ścieżce przyczynowej
pomiędzy zmienną wyjaśniającą a badaną zmienną wyniko­
wą, określa się ją terminem zmienna pośrednia. W modelach
wielowymiarowych powinniśmy uważać, gdy dokonujemy ko­
rekcji dla zmiennych pośrednich. Rozważmy sytuację, w któ­
rej prowadzimy eksperyment randomizowany kontrolowany
grupą placebo, mający na celu zbadanie wpływu nowego leku
obniżającego poziom lipidów na zapadalność na CHD.
Chociaż możemy dokonać korekcji dla dowolnych rozbież­
ności w poziomie lipidów na początku badania u pacjentów
w obu grupach leczenia (nie powinno to być jednak koniecz­
ne, jeżeli randomizacja byta skuteczna), nie powinniśmy ko­
rygować żadnych zmian w lipidach, które pojawiają się
w okresie badania. Jeżeli dokonamy korekcji dla tych zmian,
będziemy kontrolować korzystny efekt działania leku i w ten
sposób każdy efekt działania leku prawdopodobnie zniknie
(chociaż otrzymamy wskazówkę, jaką część wpływu leku
można wytłumaczyć przez jego oddziaływanie na wartości
poziomu lipidów, co samo w sobie może być użyteczne).
WSPÓŁLINIOWOŚĆ
Gdy dwie zmienne wyjaśniające są silnie skorelowane, trud­
ne może być określenie ich indywidualnego wpływu w wie­
lowymiarowym modelu regresji. W konsekwencji, podczas
gdy zmienna może być istotnie powiązana ze zmienną zależ­
ną w modelu jednowymiarowym (tj. gdzie występuje jedna
zmienna wyjaśniająca), może okazać się nawet nieistotnie
związana, gdy obie zmienne wyjaśniające zostają włączone
jednocześnie do modelu wielowymiarowego. Taką kolinear-
ność (zwaną również współliniowością) można wykryć po­
przez zbadanie współczynników korelacji dla każdej pary
zmiennych wyjaśniających (zwykle przedstawionych w po­
staci macierzy korelacji) lub poprzez wizualną ocenę błędów
standardowych współczynników regresji w modelu wielowy­
miarowym. W przypadku współliniowości są one znacząco
większe niż w osobnych modelach jednowymiarowych. Naj­
prostszym rozwiązaniem tego problemu jest włączenie do
modelu tylko jednej z tych zmiennych, chociaż w sytuacjach,
gdy wiele zmiennych jest silnie skorelowanych, konieczne
może się okazać szukanie porady u statystyka.
94 Podstawowe techniki analizy danych
INDEKSY PROGNOSTYCZNE I PUNKTACJA
RYZYKA DLA ODPOWIEDZI BINARNEJ
Mając dużą liczbę cech demograficznych lub klinicznych, mo­
żemy chcieć prognozować, czy jest prawdopodobne, że u da­
nego osobnika rozwinie się choroba. Do identyfikacji czynni­
ków istotnie związanych ze zmienną wynikową mogą zostać
użyte modele, często dopasowywane przy użyciu regresji
proporcjonalnego hazardu (rozdział 44), regresji logistycznej
(rozdział 30) lub podobnej metody znanej jako analiza dys­
kryminacyjna. Można następnie ze współczynników tego
modelu utworzyć indeks prognostyczny lub punktację ryzy­
ka dla osobnika w celu określenia prawdopodobieństwa je­
go/jej zachorowania. Jednakże model, który wyjaśnia dużą
część zmienności w danych, niekoniecznie pozwala na dobrą
predykcję, u których pacjentów rozwinie się choroba. Jeżeli
więc wytworzyliśmy punktację predykcyjną opartą na mode­
lu, powinniśmy oszacować ważność tej punktacji.
Walidacja punktacji
Możemy dokonać walidacji naszej skali na różne sposoby.
• Tworzymy tablicę predykcji opartą na naszym zbiorze
danych, określając liczbę osobników, u których prawidłowo
i nieprawidłowo przewidzieliśmy stan choroby (podobną do
tablicy w rozdziale 38). Można obliczyć dla tej tablicy miary,
takie jak czułość i swoistość.
• Kategoryzujemy osobników zgodnie z ich punktacją
i rozważamy częstości choroby w różnych kategoriach (patrz
przykład); powinniśmy zaobserwować związek między kate­
goriami a częstością choroby, np. kategorie wyżej punktowa­
ne mają wyższe częstości choroby.
Oczywiście, każdy model zazwyczaj działa dobrze na
zbiorze danych, który został użyty do jego wygenerowania.
Dlatego, aby prawidłowo ocenić przydatność skali, należy ją
poddać walidacji na innych, niezależnych zbiorach danych.
Jakkolwiek jest to niepraktyczne, możemy rozdzielić da­
ne na dwie, w przybliżeniu równe podgrupy. Pierwsza pod­
grupa, znana jako próba ucząca, zostaje użyta do stworzenia
modelu. Druga podgrupa, znana jako próba walidacyjna (te­
stująca), zostaje użyta do sprawdzenia wyników uzyskanych
z próby uczącej. Na skutek tego zmniejszamy wielkość pró­
by, przez co możemy do modelu włączyć mniej zmiennych
wyjaśniających.
Jackknifing
Jackknifing jest sposobem szacowania parametrów i uzyski­
wania przedziałów ufności w sposób nieobciążony. Z próby
usuwamy wszystkich osobników, za każdym razem po jed­
nym, a pozostałych (n - 1) używamy do oszacowania parame­
trów modelu. Proces ten jest powtarzany dla każdego
z n osobników w próbie, a uzyskane estymatory są uśrednia­
ne po n próbach. Ponieważ uzyskana w ten sposób punkta­
cja jest generowana z wielu różnych zbiorów danych, może
być sprawdzona na kompletnym zbiorze danych, bez tworze­
nia podgrup.
PRZYKŁAD
Chociaż istnieją duże rozbieżności w prognozach dotyczą­ Walidację punktacji otrzymano przez analizę częstości
cych pacjentów z AIDS, często uważa się ich za pojedyn­ wystąpienia śmierci (liczba zgonów dzielona przez całko­
cza, jednorodna grapę. W celu pogrupowania pacjentów witą liczbę osobolat obserwacji) w każdym ze stopni.
zgodnie z rokowaniem stworzono punktację prognostyczną
na podstawie praktyki klinicznej dotyczącej 363 pacjentów Obserwacja Częstość
z AIDS w jednym z centrów w Londynie. Spośród nich Stopień AIDS Zgony (osobolata) zgonów
zmarło łącznie 159 (43,8%) w okresie 6 lat obserwacji.
I 17 168,0 1.0
Punktacja była ważona sumą liczby wszystkich typów
H 54 153,9 3,5
chorób (lugodni;, umiarkowane lub ciężkie) wywołanych
ffl 71 81,2 8,7
prze/, AIDS, jakich doświadczył pacjent i jego/jej liczby ko­
mórek CD4 (mierzonej w komórkach/mm3). Wynosiła ona:
Istnieje zatem wyraźny trend w kierunku wzrostu czę­
Punktacja = 300 x liczba bardzo ciężkich zdarzeń AIDS
stości zgonów ze wzrostem punktacji. Punktacja została
(chloniak)
również sprawdzona na grupie pacjentów z drugiego cen­
+ 100 x liczba ciężkich zdarzeń AIDS (wszyst­
trum w Londynie.
kie inne zdarzenia nie wyszczególnione jako
bardzo ciężkie lub łagodne)
+ 20 x liczba łagodnych zdarzeń AIDS (droż- Obserwacja Częstość
dżyca przełyku, skórny mięsak Kaposiego, za­ Stopień AIDS Zgony (osobolata) zgonów
palenie płuc wywołane Prieumocystis carinii, I 65 828,5 0,8
gruźlica pozaptuciia) II 229 579,6 4,0
-1 x minimalna liczba komórek CD4 od czasu ffl 322 361,3 8,9
wystąpienia AIDS.
W celu interpretacji tej punktacji i jej walidacji ziden­ Wyniki są w znacznym stopniu podobne, co potwierdza
tyfikowano trzy grupy. wartość tego systemu punktacji.
AIDS Stopień I Punktacja < 0
AIDS Stopień II Punktacja 0-39
AIDS Stopień III Punktacja 3 100

Adaptowane z pracy: Mocrofl A. J., Jołmson M. A., Sabin C. A., i in.: Staging system for clinical AIDS patients. Lancet 1995, 346, 12-17;
za zgodą Elscvicr.

34. Zagadnienia związane z modelowaniem statystycznym 95

35 SPRAWDZANIE ZAŁOŻEŃ
CZEMU SIĘ TYM ZAJMOWAĆ?
Komputerowa analiza danych pozwala na badanie dużych
zbiorów danych, co bez niej byłoby niemożliwe. Jednakże
w analizie statystycznej nie należy kierować się zasadą „bierz
i korzystaj" po prostu dlatego, że analiza ta jest dostępna
w komputerze. Słuszność wyciągniętych wniosków zależy za­
wsze od tego, czy analiza została przeprowadzona prawidło­
wo i czy założenia leżące u jej podstaw zostały spełnione. Mó­
wimy; ze analiza jest odporna na pogwałcenie założeń leżą­
cych u jej podstaw, jeżeli jej wartość p i moc (rozdział 18) nie
sa przez to znacznie zaburzone. Przeprowadzenie analizy nie­
odpornej na pogwałcenie założeń może prowadzić do mylą­
cych wniosków.
CZY DANE MAJĄ ROZKŁAD NORMALNY?
ny (test nie jest odporny na pogwałcenie tego założenia). Obli­
czone zostały dwie wariancje s"- i s|, wyznaczone odpowied­
nio z n} i n2 obserwacji. Zgodnie z konwencją, jeżeli różnią sie
one wielkościami, wybieramy s* jako większą z wariancji.
• Jednorodność wariancji zakładamy również w resztach
w regresji prostej i wielokrotnej (rozdziały 28, 29) oraz
w modelach efektów losowych (rozdział 42). Jak sprawdzić
to założenie, wyjaśniłyśmy w rozdziałach 28 i 29.
1. Definiujemy badane hipotezy zerową i alternatywna.
H0: Wariancje w dwóch populacjach są równe.
H{: Wariancje w dwóch populacjach nie są równe.
2. Zbieramy odpowiednie dane z próby osobników.
3. Obliczamy wartość statystyki testowej odpowiedniej
dlatf0

W wielu analizach przyjmuje się założenia na temat rozkła­

du danych. Następujące procedury weryfikują normalność która podlega rozkładowi stopniami swobody
ro2kładu, co stanowi najczęstsze założenie o rozkładach. w liczniku oraz n2 - 1 stopniami swobody w mianowni­
• Tworzymy wykres punktowy (dla małych prób) lub hi­ ku. Wybierając upewniliśmy się, że stosunek F
stogram, wykres „łodyga z liśćmi" (rycina 4.2) lub wykres będzie zawsze 3= 1. Pozwala to na użycie tablic rozkładu /",
skrzynkowy w celu ukazania empirycznego rozkładu często­ w których umieszczono jedynie wartości > 1.
ści danych (rozdział A). Wnioskujemy, że rozkład jest w przy­ 4. Porównujemy wartość statystyki testowej z warto­
bliżeniu normalny, jeżeli ma kształt dzwonu i jest symetrycz­ ściami znanego rozkładu prawdopodobieństwa.
ny. Jeżeli dane mają rozkład normalny, mediana na wykresie
Porównujemy wartość Fz wartościami w Dodatku A5.
skrzynkowym powinna przecinać w połowie prostokąt zdefi­
Naszą dwustronną hipotezę alternatywną sprawdzamy za
niowany przez pierwszy i trzeci kwartyl, a dwa wąsy powin­
pomocą testu dwustronnego.
ny mieć równą długość.
5. Interpretujemy wartość p i wyniki.
• Alternatywnie możemy stworzyć wykres normalności Zauważmy, że rzadko jesteśmy zainteresowani warian­
(preferowany przy analizie komputerowej), który przedsta­ cjami per se, więc zwykle nie obliczamy dla nich przedzia­
wia skumulowany rozkład częstości danych (na osi poziomej) łów ufności.
w funkcji rozkładu normalnego. Brak normalności na tym
wykresie przejawia się tym, że krzywa odchyla się od linii
prostej (rycina 35.1).
Chociaż w obu przypadkach ocena jest subiektywna, wy­
kres normalności jest bardziej efektywny dla małych prób.
Do bardziej obiektywnego oszacowania normalności można
użyć w komputerze testów Kolmogorowa-Smirnowa lub Sha-
piro-Wilka.

CZY WARIANCJE SĄ SOBIE RÓWNE?

Wytłumaczyłyśmy, jak używać testu t (rozdział 21) do porów­
nywania dwóch średnich lub ANOVA (rozdział 22) do porówny­
wania większej liczby średnich. U podstaw tych analiz leży zało­
żenie, że zmienność obserwacji w każdej z grup jest taka sama,
tj. wariancje muszą być równe, co określamy jako jednorod­
ność wariancji lub homoscedastyczność. Z niejednorodnością
wariancji mamy do czynienia, gdy wariancje nie są równe.
• Za pomocą komputera możemy użyć testu Levene'a do
testowania jednorodności wariancji w dwóch lub więcej gru­
pach. Hipoteza zerowa zakłada, że wszystkie wariancje są
równe. Zaletą testu Levene'a jest brak silnej zależności od
założenia o normalności rozkładu. Do porównania większej
liczby wariancji można też użyć testu Bartletta, z tym że nie Rycina 35.1. (a) Wykres normalności nietransformowanego rozkła­
jest on odporny na odchylenia od normalności rozkładu. du poziomów trójglicerydów opisanych w rozdziale 19. Są one skośne
i dlatego wykres normalności przedstawia krzywą, (b) Wykres nor­
• Możemy użyć testu F (testu stosunku wariancji) opisa­ malności log (poziomów trójglicerydów). Niemal prosta linia wskazuje
nego w ramce, do porównywania dwóch wariancji, zakładając, na to, że transformacja logarytmiczna z powodzeniem usunęła sko-
że dane w każdej grupie mają w przybliżeniu rozkład normal­ śność w danych.

96 Podstawowe techniki analizy danych

CZY ZMIENNE SĄ POWIĄZANE LINIOWO?
Większość technik, o których dyskutowałyśmy w rozdziałach
26-31 i które opisałyśmy w rozdziale 42, zakłada, że istnie­
je liniowy związek (linia prosta) między dwoma zmiennymi.
Wszystkie związki stwierdzone w tych analizach opierają się
na założeniu liniowości. W rozdziałach 28 i 29 wyjaśniłyśmy,
jak w analizie regresji sprawdzać liniowość i jak obchodzić
się z nieliniowościami w przypadku regresji prostej i wielo­
krotnej, a w rozdziale 33 — dla innych uogólnionych modeli
liniowych, np. regresji logistycznej i Poissona.
CO SIĘ DZIEJE, JEŻELI ZAŁOŻENIA
N i t SĄ SPEŁNIONE?
Mamy rozmaite możliwości.
• Postępujemy tak, jak to zostało wcześniej zaplanowa­
no, biorąc pod uwagę to, że analizy mogą być nieodporne.
Jeżeli tak czynimy, musimy jednak być świadomi, jakie
skutki to ze sobą. niesie. Nie wolno dać się ogłupić stwier­
dzeniem, że można wykonać nieprawidłowa analizę, ponie­
PRZYKŁAD
Weźmy pod uwagę przykład dla testu t z rozdziału 21.W ce­
lu określenia wpływu leku na świszczący oddech przypo­
rządkowano losowo 98 dzieci w wieku szkolnym do grupy
inhalującej albo diprapionian beklometazonu, albo placebo.
Użyłyśmy niepowiązanego testu z do porównania średniej
wartości wymuszonej objętości wydechowej (FEV1) w każ­
1. łl0: Wariancja pomiarów FEV1 w populacji dzieci
w wieku szkolnym jest taka sama w obu badanych gru­
pach.
Wariancja pomiarów FEV1 w populacji dzieci w wie­
ku szkolnym nie jest taka sama w obu badanych grupach.
2. Grupa leczonych: wielkość próby nx = 50, odchylenie
standardowe s, = 0,29 litra.
Grupa placebo: wielkość próby n2 - 48, odchylenie
standardowe s2 = 0, 25 litra.
3. Statystyka testowa
= 1,336, która podlega rozkła­
dowi F z 50 - 1 = 49 i 48 - 1 = 47 stopniami swobody,
odpowiednio dla licznika i mianownika.
waż w przeszłości inni to zrobili w podobnych okoliczno­
ściach!
• Dokonujemy prawidłowej transformacji surowych da­
nych, tak by przetransformowane dane spełniały założenia
proponowanej analizy (rozdział 9). W analizie regresji ozna­
cza to zwykle transformowanie zmiennej x, choć możliwe też
są inne podejścia (rozdział 32).
• Jeżeli to możliwe, przeprowadzamy test nieparame­
tryczny (rozdział 17), w którym nie ma żadnych założeń na
temat rozkładu danych (np. normalności). Możesz również
użyć nieparametrycznej analizy regresji1; jej celem jest osza­
cowanie formy funkcjonalnej (a nie parametrów) związku po­
między zmienną odpowiedzi a jedną lub większą liczbą
zmiennych wyjaśniających. Używając regresji nieparame­
trycznych uwalniamy się od założenia liniowości modelu i do­
pasowujemy gładką krzywą do danych, tak że możemy doko­
nać wizualizacji trendów bez konieczności specyfikowania
modelu parametrycznego.
1
Eubank R. L.: Nonparametric Regression and Spline Smoothmg.
Marcel Dekker, 1999.
dej z grup przez 6 miesięcy, lecz musimy upewnić się, że
zostały spełnione niezbędne założenia (normalność i stała
wariancja). Wykresy typu „łodyga z liśćmi" na rycinie -4.2
pokazują, że dane są w przybliżeniu rozłożone zgodnie
z rozkładem normalnym. Wykonujemy test FVJ celu zbada­
nia założenia o stałej wariancji w obu grupach.
4. Porównujemy F= 1,34 z wartościami w Dodatku A5
dla testu dwustronnego na 5% poziomie istotności. Ponie­
waż Dodatek A5 jest ograniczony do liczby stopni swobo­
dy 25 i nieskończoności (500) dla licznika oraz 30 i 50 dla
mianownika, musimy dokonać interpolacji (rozdział 21).
Potrzebna wartość tablicowa na 5% poziomie istotności
leży pomiędzy 1,57 a 2,12; zatem p > 0,05, ponieważ 1,34
jest mniejsze niż mniejsza z tych wartości (wynik kom­
puterowy wynosi p = 0,32).
5. Brak zatem dowodu pozwalającego na odrzucenie hi­
potezy zerowej, że wariancje są równe. Jest rzeczą sen­
sowną użycie do porównania średnich wartości FEV1
w obu grupach niepowiązanego testu t, który zakłada
normalność i jednorodność wariancji.
35. Sprawdzanie założeń 97
36 WYZNACZANIE WIELKOŚCI PRÓBY
ZNACZENIE WIELKOŚCI PRÓBY
Jeżeli liczba pacjentów w naszym badaniu jest mała, nie mamy
wystarczającej mocy (rozdział 18) do wykrycia ważnych, istnie­
jących efektów i na skutek tego marnujemy nasze zasoby. Z dru­
giej strony, jeżeli próba będzie zbyt duża, badanie niepotrzebnie
Steinie się czasochłonne, drogie i nieetyczne, gdyż pozbawi nie­
których pacjentów możliwości lepszego leczenia. Dlatego musi­
my wybrać optymalną wielkość próby, która zachowuje równo­
wagę pomiędzy skutkami błędów I i II rodzaju (rozdział 18). Nie­
stety, aby wyznaczyć potrzebną wielkość próby, musimy mieć
jakieś pojęcie o wynikach, których spodziewamy się w badaniu.
WYMAGANIA
Wytłumaczymy, jak należy obliczać wielkość próby w pro­
stych sytuacjach; bardziej złożone projekty można natomiast
uprościć w celu obliczenia wielkości próby. Jeżeli nasze bada­
nie zawiera pewną liczbę testów, koncentrujemy się na naj­
ważniejszym lub wyznaczamy wielkość próby wymaganą dla
każdego z nich i wybieramy największą.
Naszym celem jest obliczenie optymalnej wielkości próby
dla proponowanego testu hipotez. Jednakże obliczenia wielko­
ści próby można oprzeć na innym aspekcie badania, takim jak
dokładność estymatora czy szerokość przedziału ufności (zwy­
kle czyni się tak przy badaniach równoważności i braku po­
gorszenia, rozdział 17),
W oelu obliczenia dla testu optymalnej wielkości próby
musimy w fazie projektowania badania wyspecyfikować na­
stępujące wielkości:
• Moc (rozdział 18) — szansa wykrycia jako statystycznie
istotnego efektu, jeżeli rzeczywiście on istnieje. Zwykle wy­
bieramy moc co najmniej 80%.
• Poziom istotności a (rozdział 17) — poziom odcięcia, po­
niżej którego odrzucimy hipotezę zerową, tzn. maksymalne
prawdopodobieństwo nieprawidłowego stwierdzenia, że efekt
zachodzi. Zwykle ustalamy je na poziomie 0,05 lub czasami na
poziomie 0,01 i odrzucamy hipotezę zerową, gdy wartość
p jest mniejsza od tej wartości.
• Zmienność obserwacji, np. odchylenie standardowe, gdy
mamy zmienną numeryczną.
• Najmniejszy badany efekt — wielkość efektu, który jest
klinicznie ważny i którego nie chcielibyśmy przeoczyć. Często
jest to różnica (np. różnica w średnich lub proporcjach). Cza­
sami wyrażona jest jako wielokrotność odchylenia standardo­
wego wartości (różnica standaryzowana).
Stosunkowo łatwo jest wybrać moc i poziom istotności testu
tak, aby odpowiadał wymaganiom naszego badania. Zależy to
zwykle od tego, jakie skutki niosą błędy I i II rodzaju, lecz
w niektórych badaniach nad dopuszczeniem leków może też
być określony przez ciała ustawodawcze. Mając określony scena­
riusz kliniczny, możemy określić efekt, który traktujemy jako
ważny klinicznie. Prawdziwa trudność leży w określeniu zmien­
ności zmiennej numerycznej przed zebraniem danych. Uzysku­
jemy tę informację z uprzednio publikowanych prac z podobny­
mi wynikami lub przeprowadzamy badanie pilotażowe.
METODOLOGIA
Możemy obliczyć wielkość próby na wiele sposobów, z któ­
rych właściwie każdy wymaga tej samej (opisanej w wyma­
ganiach) informacji.
98 Podstawowe techniki analizy danych
1
• Wzory ogólne — mogą one być skomplikowane, ale
w niektórych sytuacjach są potrzebne, np. dla zachowania
mocy w klasteryzowanym eksperymencie randomizowanym
(rozdziały 14 i 41) mnożymy wielkość próby, której wymaga­
libyśmy przy prowadzeniu indywidualnej randomizacji, przez
czynnik wpływu projektu równy [1 + (m- l)p], gdzie m jcat
średnią wielkością klasteru, a p jest wewnątrzklasowym
współczynnikiem korelacji (rozdział 42).
• Wzory szybkie - istnieją dla szczególnych wartości
mocy i poziomów ufności dla niektórych testów hipotez (np.
2
wzory Lehra , patrz poniżej).
1
• Specjalne tablice — stosowane w różnych sytuacjach
(np. dla testu t, testów Chi-kwadrat, testu współczynnika ko­
relacji, porównywania dwóch krzywych przeżycia i dla bada­
nia równoważności).
• Nomogram Altmana — to prosty do użycia diagram,
który można stosować dla różnych testów. Szczegóły opisano
w następnej części rozdziału.
• Programy komputerowe — ich zaletą jest to, że wyniki
mogą być prezentowane graficznie lub w tablicach w celu
ukazania wpływu zmian czynników (np. mocy, wielkości
efektu) na żądaną wielkość próby.
NOMOGRAM ALTMANA
Notacja
W tablicy 36.1 przedstawiamy notację używaną w nomogra-
mie Altmana (Dodatek B) do określenia wielkości próby
w przypadku dwóch równolicznych grup obserwacji dla
trzech często stosowanych testów hipotez dotyczących śred­
nich i proporcji.
Metoda
Dla każdego testu obliczamy standaryzowaną różnicę i łączy­
my jej wartość na osi po lewej stronie nomogramu z mocą
wyspecyfikowaną na pionowej osi po prawej stronie. Wyma­
ganą wielkość próby wskazuje punkt, w którym uzyskana li­
nia przecina się z osią wielkości próby.
Zauważmy, że nomogramu możemy użyć do oszacowania
mocy testu dla danej wielkości próby. Czasami jest to przydat­
ne, jeżeli chcemy retrospektywnie dowiedzieć się, czy brak
istotności w testowaniu hipotezy wynika z niewystarczająco
dużej próby. Pamiętajmy również, że szeroki przedział ufności
dla badanego efektu oznacza niską moc (rozdział 11).
Szybkie wzory
W przypadku niepowiązanego testu r i testu Chi-kwadrat
możemy użyć wzoru Lehra2 do obliczenia wielkości próby
przy mocy 80% i przy dwustronnym poziomie istotności 0,05.
Wymagana wielkość próby w każdej z grup wynosi:
16
(Różnica standaryzowana)2
Jeżeli różnica standaryzowana jest mała, wzór daje zbyt
dużą wielkość próby. Zauważmy, że licznik równy 21 (zamiast
16) daje wynik dla mocy 90%.
1
Machin D., Campbell M. J., Fayers P. M., Pinol A. P. Y.: Samplesize
Tablesfor Clinical Studies. Blackwell, Oxford 1997.
2
Lehr R.: Sbcteen s squared over d sąuared: a relationfor crude
sample size estitnates. Statistic in Medicine, 1992, 11, 1099-1102.
Tablica 36.1. Informacje potrzebne do użycia nomogramu Altmana.
Testowanie Różnica Wyjaśnienie znaczenia N
hipotez standaryzowana na nomogramie
Niepowiązany test t N/Z obserwacji w każdej grupie
(rozdział 21)
Powiązany test t # par obserwacji
(rozdział 20)
Test Chi-kwadrat N/2 obserwacji w każdej grupie
(rozdział 24)
OKREŚLENIE MOCY
Często zasadniczą, a zawsze pożyteczną rzeczą jest włącze­
nie do protokołu badania lub do części o metodyce pracy
(patrz deklaracja CONSORT, rozdział 14) określenia mocy
w celu pokazania, że na etapie projektowania badania przy­
wiązywano wagę do wielkości próby. Można na przykład
stwierdzić, że „w każdej grupie wymagana jest liczba 84 pa­
cjentów dla niepowiązanego testu t do uzyskania 90% szan­
sy wykrycia różnicy w średnich 2,5 dni (SD = 5 dni) na 5%
poziomie istotności" (patrz: przykład 1).
PRZYSTOSOWANIA
Możemy chcieć przystosować wielkość próby:
• aby pozwolić na straty w obserwacjach, przez rekruto­
wanie na początku większej liczby pacjentów. Jeżeli spodzie­
wamy się, że częstość wypadania z grupy wyniesie r%, wtedy
dostosowana wielkość próby obliczana jest przez przemnoże­
nie nieskorygowanej wielkości próby przez 100/(100 - r).
PRZYKŁAD 1
Porównywanie średnich w grupach niepowiązanych przy użyciu niepowiązanego testu f
Cel — badanie skuteczności zawiesiny acicloviru
(15 mg/kg) w leczeniu dzieci w wieku 1-7 lat z opryszcz-
kowym zapaleniem dziąseł, trwającym krócej niż 72 go­
dziny.
Projekt — randomizowany, podwójnie ślepy ekspery­
ment kontrolowany grupą placebo z „leczeniem" stosowa­
nym 5 razy dziennie przez 7 dni.
Główna miara wyniku dla wyznaczenia wielkości
próby — czas trwania zmian patologicznych w jamie ust­
nej.
Terminologia
najmniejsza ważna klinicznie różnica w średnich,
przyjęte równe odchylenie standardowe w każdej z dwóch
grup. Możemy je oszacować, używając wyników z podobne­
go, wcześniej przeprowadzonego badania lub z publikowanej
informacji. Alternatywnie w celu jego oszacowania można
przeprowadzić badanie pilotażowe. Innym sposobem jest
wyrażenie ó jako wielokrotność odchylenia standardowego
(np. zdolność wykrycia różnicy dwóch odchyleń standardo­
wych).
najmniejsza ważna klinicznie różnica w średnich,
odchylenie standardowe różnic w odpowiedzi, zwykle osza­
cowywane na podstawie badania pilotażowego.
: najmniejsza ważna klinicznie różnica proporcji „sukce­
sów" w obu grupach. Jedna z tych proporcji jest często
znana i odpowiednią różnicę szacuje się przez rozważe­
nie, jaką wartość druga proporcja musi przyjąć, by sta­
nowić godną uwagi zmianę.
• aby uzyskać niezależne grupy o różnych wielkościach.
Może to być pożądane, gdy jedna grupa ma ograniczoną
wielkość, na przykład w badaniu przypadek-kontrola z po­
wodu rzadkości występowania choroby (rozdział 1(5) lub gdy
leczenie nowym lekiem jest krótko stosowane. Zauważmy
jednak, że brak równowagi w liczbach powoduje zwykle
wzrost ogólnej wielkości próby w porównaniu z projektem
zbalansowanym, jeżeli ma zostać utrzymany podobny po­
ziom mocy. Gdy stosunek wielkości prób w dwóch grupach
wynosi /c(np. k = 3, jeżeli wielkość jednej grupy ma być trzy
razy większa od drugiej), skorygowana wielkość całkowita
próby wynosi
N' = N(l + k)2/(4k),
gdzie Njest nieskorygowaną, całkowitą wielkością próby, ob­
liczoną dla grup o równych wielkościach. Wówczas N'/(l + k)
z tych pacjentów należy do grupy mniejszej, a pozostali do
większej.
Pytanie dotyczące wielkości próby — jak wiele dzieci
musi wziąć udział w eksperymencie dla uzyskania 90%
mocy wykrywania 2,5-dniowej różnicy średniego czasu
trwania zmian patologicznych w jamie ustnej w dwóch
grupach na poziomie istotności 5%? Autorzy zakładają, że
odchylenie standardowe czasu trwania zmian patologicz­
nych w jamie ustnej wynosi w przybliżeniu 5 dni.
36. Wyznaczanie wielkości próby 99
 Użycie nomogramu: niż przy użyciu placebo (tj. k = 2), wtedy skorygowana
6 = 2,5 dni oraz o = 5 dni. Zatem standaryzowana różnica wielkość próby wyniesie

wynosi
Linia łącząca standaryzowaną różnicę 0,50 oraz moc
90% przecina oś wielkości próby w pobliżu wartości 160.
Dlatego w każdej grupie potrzeba około 80 dzieci.
Zauważmy: (i) jeżeli ó wzrosła do 3 dni, różnica standa­
ryzowana równa się 0,6, a wymagana wielkość próby
spada do całkowitej liczby 118, tj. po 59 w każdej grupie,
oraz (ii) jeżeli używając oryginalnej specyfikacji, badacze
chcą mieć dwa razy więcej dzieci w leczeniu aciclovirem
z 180/3 = 60 dziećmi w grupie placebo, a pozostałymi
120 dziećmi w grupie acicloviru. Rycina 18.1 przedsta­
wia krzywe mocy dla tego przykładu.
Szybki wzór:
Przy mocy 90%, wymagana wielkość próby w każdej
z grup wynosi:
(

Amir J., Haiel L., Smettana Z., Varsano I.: Treatment: ofherpes simplex gingwostomatitis with aciclovir in children: a randomized double-
-blind placebo controlled study. British Medical Journal, 1997, 314, 1800-1803.

PRZYKŁAD 2
Porównanie dwóch proporcji w niezależnych grupach przy użyciu testu Chi-kwadrat

Cel — porównanie skuteczności zastrzyków z kortyko- Zatem standaryzowana różnica wynosi:

steroidów oraz fizjoterapii w leczeniu bolesnej sztywno­
ści barku.
Projekt — randomizowany eksperyment kontrolowany
(RCT — randornized controlled trial), w którym pacjenci
są losowo przydzieleni do grupy 6-tygodniowego leczenia
obejmującego albo maksymalnie trzy zastrzyki, albo
dwanaście 30-minutowych sesji fizjoterapeutycznych
przeprowadzanych dla każdego pacjenta.
Gtmmy wynik pomiarowy dla wyznaczenia wielkości
próby — leczenie jest traktowane po 7 tygodniach jako
.sukces, jeżeli pacjent ocenia siebie jako całkowicie wyle­
czonego lub mającego znaczną poprawę (na sześciopunk-
towej skali Likcrta).
Pytanie o wielkość próby — jak wielu pacjentów mu­
si wziąć udział w badaniu dla otrzymania 80% mocy wy­
krywania klinicznie ważnej różnicy w częstości sukce­
sów wynoszącej 25% pomiędzy dwoma grupami na 5%
poziomic istotności? Autorzy zakładają częstość sukce­
sów około 40% w grupie mającej co najmniej jedno lecze­
nie zakończone sukcesem.
Linia łącząca standaryzowaną różnicę 0,50 oraz moc
80% przecina oś wielkości próby w punkcie 120. Zatem
w każdej grupie potrzebujemy w przybliżeniu 60 pacjen­
tów. Zauważmy: (i) jeżeli moc wzrosła do 85%, żądana
wielkość próby wzrośnie w przybliżeniu do całkowitej
liczby 140, tj. w każdej grupie musi być 70 pacjentów,
oraz (ii) jeżeli częstość wypadania z badania oszacowano
na około 20%, skorygowana całkowita wielkość próby (dla
mocy 80%) wyniesie 120 x 100/(100 - 20) = 150, czyli po
75 pacjentów w każdej grupie). Rycina 18.2 pokazuje
krzywe mocy dla tego przykładu.
Szybki wzór:
Dla mocy 80% wymagana wielkość próby w każdej
z grup wynosi:

Użycie nomogramu:

van der Windt D. A. W. M, Kocs B. W., Derillc W., de Jong B. A., Bouter M.: Effectiveness of cortkosteroid injections with physiotherapy
for treatment ofpainful shoulder in prima/y care: randomised trial British Medical Journal, 1998,317, 1292-6.

100 Podstawowe techniki analizy danych

37 PREZENTACJA WYNIKÓW
WSTĘP
Ważną cechą statystyki jest to, że pozwala na podsumowywa­
nie ważnych cech analizy. Musimy wiedzieć, co należy włą­
czyć do analizy i jak opisać nasze wyniki, aby inni mogli ła­
two uzyskać odpowiednią, ważną informację oraz wyciągnąć
poprawne wnioski. Ten rozdział opisuje najważniejsze cechy
takiej prezentacji.
WYNIKI NUMERYCZNE
• Podawaj liczby wyłącznie w odpowiednim stopniu do­
kładności (wskazówka: jedna cyfra znacząca więcej niż
w danych surowych). Jeżeli analizujesz dane bez pomocy
komputera, ostatecznego zaokrąglenia w górę lub w dół do­
konuj na samym końcu obliczeń.
• Określaj liczbę przypadków, na których opiera się każ­
da miara podsumowująca (np. procenty).
• Opisz wszystkie wartości odskakujące oraz to, jak so­
bie z nimi poradziłeś (rozdział 3).
• Dołączaj jednostki pomiaru.
• Gdy interesujesz się przede wszystkim parametrem
(np. średnią, współczynnikiem korelacji), zawsze podawaj
dokładność jego oszacowania. Polecamy użycie w tym celu
przedziałów ufności, lecz błąd standardowy też jest do zaak­
ceptowania. Unikaj użycia symbolu ±, np. średnia ±SEM
(rozdział 10), ponieważ dodając i odejmując SEM, tworzymy
67% przedział ufności, który może być mylący dla tych, któ­
rzy używają 95% przedziałów ufności. Lepiej przedstawić
błąd standardowy w nawiasach, po estymatorze parametru
[np. średnia = 16,6 g (SEM 0,5 g)].
• Gdy interesujesz się przede wszystkim rozkładem da­
nych, zawsze wskazuj miarę rozrzutu danych. Użytecznym
deskryptorem jest zakres wartości, który wyklucza wartości
odskakujące (zazwyczaj zakres wartości zawierający central­
ne 95% obserwacji — rozdział 6). Gdy dane mają rozkład nor­
malny, zakres ten jest przybliżony przez wartość średnią
±1,96 x odchylenie standardowe (rozdział 7). Można zamiast
tego podawać średnią i odchylenie standardowe [np. średnia
= 35,9 mm (SD 2,8 mm)], lecz pozostawia się wówczas czytel­
nikowi obliczenie zakresu.
TABLICE
• W tablicy nie zamieszczaj zbyt dużo informacji.
• Dołączaj zwięzły, niosący właściwą informację i jedno­
znaczny tytuł.
• Dodawaj nagłówki do każdego wiersza i każdej kolumny.
• Pamiętaj, że łatwiej jest przeglądać informacje w dót
kolumn niż w poprzek wierszy.
DIAGRAMY
• Twórz proste diagramy i unikaj niepotrzebnych udziw­
nień (np. tworzenia trójwymiarowych wykresów kołowych).
• Dołączaj zwięzłe, niosące właściwą informację i jedno­
znaczne tytuły.
• Nazywaj wszystkie osie, segmenty i słupki oraz wyja­
śniaj znaczenie symboli.
• Unikaj zniekształcania wyników poprzez wyolbrzymia­
nie osi na skali.
• Wskazuj, gdzie w tym samym miejscu na diagramie
rozrzutu leżą dwie lub więcej wartości, np. stosując odmien­
ne symbole.
• Upewnij się, że na diagramie zamieszczono całą po­
trzebną informację (np. połączenie sparowanych wartości).
PREZENTACJA WYNIKÓW
W PRACACH NAUKOWYCH
Gdy wyniki prezentowane są w publikacji, musimy się
upewnić, czy praca zawiera informację wystarczającą czytel­
nikowi do zrozumienia tego, co zostało wykonane. Czytelnik
powinien być w stanie odtworzyć wyniki, mając odpowiedni
pakiet komputerowy i dane. W petni trzeba opisać wszystkie
aspekty projektu badania i jego metodologię statystyczną
(patrz także Deklaracja CONSORT - rozdział 14).
Wyniki testowania hipotez
• We właściwych sytuacjach dodawaj odpowiednie wykresy.
• Wskazuj badane hipotezy.
• Nazwij test i określ, czy jest jedno- czy dwustronny.
• Sprawdź założenia (jeżeli takie istnieją) leżące u pod­
staw testu (np. normalność, stałość wariancji; rozdział 35)
i opisuj każdą transformację (rozdział 9) niezbędną do speł­
nienia tych założeń (np. logarytmowanie).
• Specyfikuj wartość obserwowaną statystyki testowej,
jej rozkład (i w odpowiednich sytuacjach liczbę stopni swo­
body) oraz jeżeli to możliwe, dokładną wartość p (np.
p = 0,03), a nie jej estymator przedziałowy (np. 0,01 < p <
< 0,05), lub system gwiazdek (np. *, **, *** dla wzrastającego
poziomu istotności). Unikaj zapisu n.s. [ang. not significant—
nieistotny], gdy p > 0,05; dokładna wartość p jest lepsza na­
wet wtedy, gdy wynik nie jest istotny.
• Załączaj estymator odpowiedniego efektu badanego (np.
dla testu f różnicę w średnich dwóch prób lub średnią różnic
zmiennych powiązanych) z przedziałem ufności (lepiej) lub
błędem standardowym.
• Wyciągnij z wyników wnioski (np. odrzuć hipotezę zero­
wą), zinterpretuj każdy przedział ufności i wyjaśnij wnioski.
Wyniki analizy regresji
Chodzi tu o prostą (rozdział 27 i 28) i wielokrotną regresję li­
niową (rozdział 29), regresję logistyczną (rozdział 30), regre­
sję Poissona (rozdział 31), regresję proporcjonalnego hazar­
du (rozdział 44) oraz metody regresji dla danych sklastery-
zowanych (rozdział 42). Pełne szczegóły tych analiz są wyja­
śnione w odpowiednich rozdziałach.
• Załączaj stosowne diagramy (np. wykres rozrzutu z do­
pasowaną linią dla prostej regresji).
• W jasny sposób ustal, co stanowi zmienną zależną, a co
zmienną wyjaśniającą.
• Sprawdź założenia leżące u podstaw analizy i wytłumacz
wyniki diagnostyki regresyjnej, o ile została ona wykonana.
37. Prezentacja wyników 101
 • Opisz wszelkie transformacje i wyjaśnij ich cele.
• Tam, gdzie trzeba, opisz możliwe wartości numerycz­
ne, przybierane przez zmienną kategorialną (np. mężczyzna
= 0, kobieta = 1), to, jak utworzono zmienne ślepe (rozdział
29), oraz jednostki zmiennych ciągłych.
• Podaj opis jakości dopasowania modelu, np. R (roz­
2
dział 29) lub LRS (rozdział 32).
• W odpowiednich sytuacjach (np. w regresji wielokrot­
nej) podawaj wyniki całościowego testu Fz tablicy ANOVA.
• Podaj estymatory wszystkich współczynników w mode­
lu (również te nieistotne) wraz z przedziałami ufności dla
współczynników lub błędami standardowymi ich estymatorów.
W regresji logistycznej (rozdział 30), regresji Poissona (roz­
dział 31) i regresji proporcjonalnego hazardu (rozdział 44) do­
konuj konwersji współczynników do oszacowywanych ilorazów
szans, ryzyka względnego lub względnego hazardu (z przedzia­
łami ufności). Interpretuj odpowiednie współczynniki.
102 Podstawowe techniki analizy danych
• Podaj wyniki testowania hipotez dla współczynników
(np. załącz wartość statystyki testowej i wartość phWycią-
gnij z tych testów odpowiednie wnioski.
Analizy złożone
Brak jest prostych reguł prezentacji bardziej złożonych form
analizy statystycznej. Pamiętaj o szczegółowym opisie pro­
jektu badania (np. czynników wanalizie wariancji oraz tego,
czy istnieje struktura hierarchiczna) i załącz sprawdzenie
założeń leżących u jego podstaw, statystyk testowych i war­
tości p. Krótki opis tego, czemu służy analiza, pomaga w zro­
zumieniu badania osobom niewtajemniczonym; należy dołą­
czyć do niego literaturę omawiającą to w sposób bardziej
szczegółowy. Opisz też, jaki pakiet statystyczny został zasto­
sowany.
Rycina 37.1. Histogramy przedstawiające rozkład (a) skurczowego ciśnienia krwi oraz (b) wzrostu w próbie 100 dzieci (rozdział 26).

37. Prezentacja wyników 103

38 NARZĘDZIA DIAGNOSTYCZNE
Stan zdrowia osobnika jest często scharakteryzowany przez
zbiór pomiarów numerycznych lub kategorialnych. W tym
kontekście można użyć odpowiednich przedziałów odniesie­
nia (rozdział 6 i 7) i/lub testów diagnostycznych:
• do wykorzystania przez klinicystę, wraz z badaniami
klinicznymi, w celu zdiagnozowania lub wykluczenia kon­
kretnej choroby u pacjenta;
• jako narzędzia przesiewu do sprawdzenia, którzy
osobnicy w pozornie zdrowej populacji prawdopodobnie ma­
ją badaną chorobę (lub czasami jej nie mają). Wyznaczone
w ten sposób osoby będą przedmiotem bardziej dokładnych
badań w celu potwierdzenia postawionej im diagnozy. Wyko­
nanie badań przesiewowych dla wykrycia choroby jest sen­
sowne wtedy, gdy istnieją odpowiednie ułatwienia w lecze­
niu choroby w stadiach przedobjawowych, leczenie to jest
tańsze i/lub bardziej efektywne niż stosowane w później­
szych etapach (lub gdy wierzymy, że osoby zdiagnozowane
z tą jednostką chorobową zmienią swoje zachowania w celu
zapobieżenia rozprzestrzenianiu się choroby).
PRZEDZIAŁY ODNIESIENIA
Przedziały odniesienia (często określane jako zakres nor­
my) dla pojedynczej zmiennej numerycznej, wyznaczone na
podstawie wielkiej próby, oznaczają zakres typowych warto­
ści obserwowanych u zdrowych osobników.
Jeżeli wartość jest powyżej górnej lub poniżej dolnej gra­
nicy, uważamy ją za nienaturalnie wysoką (lub niską) w po­
równaniu ze zdrowymi osobnikami.
Obliczanie przedziałów odniesienia
Można to robić na dwa sposoby.
• Zakładamy, że dane mają rozkład normalny. Około 95%
wartości danych leży w obrębie 1,96 odchylenia standardo­
wego od wartości średniej (rozdział 7). Używamy naszych
danych do obliczenia tych dwóch granic (średnia ±1,96 x od­
chylenie standardowe).
• Alternatywnym podejściem, które nie zakłada żadnego
warunku wstępnego o rozkładzie pomiarów, jest użycie za­
kresu centralnego, który obejmuje 95% wartości danych (roz­
dział 6). Układamy nasze wartości w kierunku rosnącym
i jako nasze granice przyjmujemy 2,5 oraz 97,5 percentyl.
Wpfyw pozostałych czynników
na przedziały odniesienia
Czasami wartości zmiennej numerycznej zależą od innych
czynników, takich jak wiek i płeć. Ważne jest, by interpretować
poszczególne wartości dopiero po uwzględnieniu pozostałych
czynników. Na przykład, przedziały odniesienia dla skurczowe­
go ciśnienia krwi tworzymy osobno dla mężczyzn i kobiet.
TESTY DIAGNOSTYCZNE
Test złotego standardu, który pozwala na ostateczną diagno­
zę w szczególnej sytuacji, może czasami być niepraktyczny
lub nie dawać się stosować w rutynowej pracy. Wolelibyśmy
104 Zagadnienia dodatkowe
mieć prosty test, zależny od obecności lub braku jakiegoś
wskaźnika, który dostarcza rozsądnej wskazówki, czy u pa­
cjenta zachodzi czy nie zachodzi dana sytuacja.
Bierzemy grupę osobników, u których prawdziwy status
choroby jest znany na podstawie złotego standardu. Możemy
stworzyć tablicę częstości 2 x 2 (tablica 38.1):
Tablica 38.1. Tablica częstości.
Test złotego standardu
Brak
Wynik testu Choroba choroby Razem
Dodatni a b a+ b
Ujemny c d c+ d
Razem a+ c b+d n-a +b+c + d
Spośród badanych nosobników a+ cosobników ma cho­
robę. Prewalencja (rozdział 12) choroby w tej próbie wynosi
(a + c)
n
Spośród a+ c osobników, którzy chorują, a ma pozytyw­
ne wyniki testu (prawdziwie dodatnie), a c — wyniki nega­
tywne (fałszywie ujemne). Spośród b+d osobników, któ­
rzy nie mają choroby, d ma wyniki testu negatywne
(prawdziwie ujemne), a b ma dodatnie wyniki testu (fał­
szywie dodatnie).
Określenie wiarygodności: czułość i swoistość
Czułość = proporcja osobników z chorobą, prawidłowo wy­
krytych przez test
a
(a+ c) '
Specyficzność = proporcja osobników bez choroby, prawi­
dłowo wykrytych przez test
d
(b+d)'
Wartości te są zwykle wyrażane w procentach. Tak jak
w przypadku wszystkich estymatorów, powinniśmy dla tych
miar wyznaczyć przedziały ufności (rozdział 11).
Chcielibyśmy, aby zarówno czułość, jak i specyficzność
były tak bliskie 1 (lub 100%), jak to możliwe. Jednakże
w praktyce możemy zwiększać czułość kosztem specyficzno­
ści i vice verscL To, czy naszym celem będzie duża czułość,
czy specyficzność, zależy od warunków, które staramy się
wykryć, oraz od tego, jakie konsekwencje ma dla pacjenta
i/lub populacji uzyskanie wyników testu fałszywie ujem­
nych lub fałszywie dodatnich. W przypadku chorób, które się
łatwo leczy, wybieramy wysoką czułość; w przypadku po­
ważnych i nieuleczalnych wybieramy wysoką specyficzność
w celu uniknięcia postawienia diagnozy fałszywie dodatniej.
Jest rzeczą istotną, by przed skriningiem badani zrozumieli
implikacje dodatniej diagnozy, jak i rozumieli, czym są czę­
stości fałszywie dodatnie i fałszywie ujemne testu.
Wartości predykcyjne
Dodatnia wartość predykcyjna = proporcja osobników z po­
zytywnym wynikiem testu,
którzy mają chorobę
Ujemna wartość predykcyjna = proporcja osobników z ujem­
nym wynikiem testu, którzy
nie mają choroby
Dla tych wartości predykcyjnych obliczamy przedziały uf­
ności, często wyrażone w procentach, stosując metody opisa­
ne w rozdziale 11.
Wspomniane wartości predykcyjne dostarczają informa­
cji o tym, jakie jest prawdopodobieństwo, że osobnik miał
chorobę lub jej nie miał, mając takie a nie inne wyniki testu.
Wartości predykcyjne są zależne od rozpowszechnienia cho­
roby w badanej populacji. W populacjach, gdzie choroba jest
powszechna, dodatnia wartość predykcyjna testu będzie
znacznie wyższa niż w populacjach, gdzie choroba jest rzad­
ka. Odwrotna sytuacja zachodzi w przypadku ujemnych war­
tości predykcyjnych.
Użycie wartości odcięcia
Czasami chcemy postawić diagnozę na podstawie pomiaru
ciągłego. Często nie ma progu, powyżej (lub poniżej) którego
choroba zawsze się pojawia. W tych sytuacjach sami musimy
zdefiniować wartość odcięcia, powyżej (lub poniżej) której
uznajemy, że osobnik ma bardzo dużą szansę bycia chorym.
Praktycznym sposobem jest użycie górnej (lub dolnej)
granicy przedziału odniesienia. Możemy wyznaczyć taką
wartość odcięcia przez wyznaczenie związanej z nią czuło­
ści, swoistości i wartości predykcyjnych. Jeżeli wybierzemy
inne wartości odcięcia, wartości te będą mogły ulec zmianie,
w miarę jak przyjmować będziemy mniej lub bardziej suro­
we kryteria. Wybieramy wartość odcięcia tak, by optymali­
zowała wspomniane miary zgodnie z naszymi potrzebami.
Krzywe ROC
Krzywe ROC (ang. recewer operating characteristic curves)
określają, czy dany typ testu daje użyteczną informację i czy
może być użyty do porównania dwóch różnych testów oraz do
wybrania optymalnej dla testu wartości odcięcia.
Dla danego testu bierzemy pod uwagę wszystkie punkty
odcięcia dające niepowtarzalne wartości czułości i swoisto­
ści oraz wykreślamy czułość w funkcji (jeden — specyficzno­
ści), porównując w ten sposób prawdopodobieństwa dodat­
niego wyniku testu u tych, którzy mają jednostkę chorobową
lub jej nie mają, oraz łączymy je liniami (rycina 38.1).
Krzywa ROC dla mającego jakąś przydatność testu bę­
dzie leżała na lewo od przekątnej (tj. linii pod kątem 45°). Za­
leżnie od implikacji wyników fałszywie dodatnich i fałszywie
ujemnych oraz rozpowszechnienia choroby możemy z tego
rysunku wybrać optymalną wartość odcięcia dla testu. Moż­
na porównać dwa lub więcej testów dla tej samej choroby po­
przez badanie pola pod każdą krzywą; pole to obliczone jest
przy użyciu statystyki C (dostępnej w wielu pakietach staty­
stycznych). Skutki choroby lepiej różnicuje test z większym
polem powierzchni (tj. z większą statystyką C).
Czy test jest przydatny?
Iloraz wiarygodności (LR — likelihood rado) dla wyniku
dodatniego jest stosunkiem szansy wyniku dodatniego u pa­
cjenta mającego chorobę do szansy wyniku dodatniego
u pacjenta nie mającego choroby (patrz także rozdział 32).
Ilorazy wiarygodności można również zbudować dla nega­
tywnych wyników testu. Na przykład, LR = 2 dla wyniku do­
datniego wskazuje, że wynik dodatni jest dwa razy bardziej
prawdopodobny u osobnika mającego chorobę niż u osobnika
nie chorującego na tę chorobę. Wysoki iloraz wiarygodności
dla wyników dodatnich wskazuje, że test niesie użyteczną
informację, dając stosunek wiarygodności bliski zero dla wy­
ników ujemnych.
Można pokazać, że:
LR dla wyniku dodatniego =
Tę wartość LR omawiamy w ramach metod Bayesowskich
w Rozdziale 45.
38. Narzędzia diagnostyczne 105
 PRZYKŁAD
Wirus cytomegalii (CMV) jest powszechnym schorzeniem Dla tej wartości odcięcia mamy więc stosunkowo wyso­
wirusowym, na które w dzieciństwie zapada około 50% ką swoistość, a umiarkowaną czułość. Wartość LR równa
osobników. Chociaż infekcja wirusem nie prowadzi do żad­ 2,6 wskazuje, że test ten jest użyteczny z tego względu, że
nych większych problemów, osoby, które zostały zainfeko­ wynik obciążenia wirusem > 4,5 log10 genomów/ml jest
wane w przeszłości CMV, mogą doświadczyć poważnych przeszło dwa razy bardziej prawdopodobny u osobników
chorób po pewnych procedurach transplantacyjnych, ta- z ciężką chorobą niż u tych bez ciężkiej choroby. Jednakże
kinh jak transplantacja szpiku kostnego, gdy ich własny w celu zbadania innych wartości odcięcia wykreślono
wirus ulegnie reaktywacji lub zostaną powtórnie zakażone krzywą ROC (ryc. 38.1). Wykreślona krzywa przebiega na
przez dawców. Powstał pomysł, że ilość wirusa w ich krwi lewo od przekątnej. W naszym przykładzie najbardziej
po transplantacji (obciążenie wirusem) może prognozować, użyteczną wartością odcięcia (5,0 log10 genomów/mi) jest
esy osobnik będzie ciężko chorował. W celu zbadania tej ta, która daje czułość 40% i swoistość 97%; wówczas war­
potezy zmierzono obciążenie wirusem CMV w grupie 49 tość LR równa się 13,3.
pAćjóntow, którym przeszczepiono szpik kostny.
U piętnastu spośród 49 pacjentów w trakcie obserwa­
cji rozwinęta sie ciężka choroba. Wartości obciążenia wiru­
sem ii wszystkich pacjentów wahały się od 2,7 log10 geno­
mów/ml rio fi,0 logI0 genomów/ml. W chwili początkowej
wartości przekraczające 4,5 k>g10 gcnomów/ml uznano za
wskazówkę możliwego w przyszłości rozwoju choroby.
Uzyskano wyniki przedstawia tablica częstości; w ramce
umieszczono wartości estymatorów badanych miar.

Ciężka choroba
Obciążenie w i r u s e m
(log,fl genomów/ml) Tak Nie Razem
s.4,5 7 6 13
£4.5 8 28 36
Razem 15 34 49

Prewalcncja = (15/49) x 100% = 31% (95% CI 18% do 45%). Rycina 38.1. Krzywa ROC wyjaśniająca wyniki dla dwóch możli­
flzufcw; = (7/15) x 100% = 47% (95% CI 22% do 72%). wych wartości odcięcia, optymalnej i stosowanej w testach diagno­
stycznych.
Swoisiość = (28/34) x 100% = 82% (95% CI 69% do 95%).
Wartość prognostyczna dodatnia = (7/13) x 100% = 54%
m%az7%óo8m.
Wartość prognostyczna ujemna = (28/36) x 100% = 78%
(95% CI 65% do 92%).
Stosunek wiarygodności dla wyniku dodatniego =
0,47/(1-0,82) = 2,6 (95% CI 1,1% do 6,5%, uzyskane
z wydruku komputerowego).

Dano uzyskane dzięki uprzejmości: prof. V. C. Emery i dr D. Gor, Department of Virology, Royal Free and University College Medical School,
Londyn, Wielka Brytania.

106 Zagadnienia dodatkowe

39 SZACOWANIE ZGODNOŚCI
WSTĘP
Często zdarza się, że chcemy porównać wyniki, które powin­
ny być zgodne. W szczególności możemy chcieć ocenić i, jeśli
to możliwe, oszacować dwie formy zgodności lub rzetelności:
• Odtwarzalność (zgodność metody/obserwatora). Czy
dwie techniki użyte do zmierzenia pewnej zmiennej, w iden­
tycznych warunkach dają takie same wyniki? Czy dwóch lub
więcej obserwatorów, stosując te same metody pomiaru,
otrzymuje takie same rezultaty?
• Powtarzalność. Czy pojedynczy obserwator otrzymuje
takie same wyniki, gdy powtarza zbieranie wyników w iden­
tycznych warunkach?
Do oceny odtwarzalności i powtarzalności można podejść
w ten sam sposób. W każdym przypadku metoda analizy zale­
ży od tego, czy zmienna jest kategorialna (np. slaby, średni,
dobry), czy też numeryczna (np. ciśnienie skurczowe krwi).
Dla uproszczenia ograniczymy się jedynie do problemu porów­
nywania wyników sparowanych (tj. dwie metody/dwóch ob­
serwatorów/podwójne pomiary).
ZMIENNE KATEGORIALNE
Przypuśćmy, że dwóch obserwatorów ocenia stopień ciężkości
choroby tych samych pacjentów, używając kategorialnej skali
pomiarowej, a my chcemy ocenić, w jakim stopniu są oni zgod­
ni. Przedstawiamy wyniki w dwuwymiarowej tablicy kontyn-
gencji częstości z wierszami i kolumnami wskazującymi kate­
gorie odpowiedzi dla każdego obserwatora. Tablica 39.1 zawie­
ra przykładowe wyniki oceny powierzchni zębowych przez
dwóch obserwatorów. Częstości przypadków, w których obser­
watorzy są zgodni, ukazano wzdłuż przekątnej tablicy. Obli­
czamy odpowiadające im częstości, których należałoby się spo­
dziewać, gdyby kategoryzacji dokonywano w sposób losowy,
w taki sam sposób, jak obliczaliśmy częstości oczekiwane
w teście Chi-kwadrat dla zależności (rozdział 24) — tzn. każ­
da wartość oczekiwana jest iloczynem odpowiednich sum
brzegowych wierszowych i kolumnowych, podzielonym przez
sumę całkowitą. Następnie mierzymy zgodność za pomocą
wzoru:
który daje poprawioną szansę proporcjonalnej zgodności,
gdzie:
• m = całkowita częstość obserwowana (np. całkowita liczba
pacjentów).
• s u m a obserwowanych częstości wzdłuż przekątnej.
• suma oczekiwanych częstości wzdłuż przekątnej.
• 1 w mianowniku reprezentuje maksymalną zgodność.
K = 1 oznacza pełną zgodność, a« = 0 sugeruje, że zgodność
nie jest lepsza od tej, którą uzyskalibyśmy przypadkowo.
Nie ma obiektywnych kryteriów do oceny wartości pośred­
nich.
Często jednak zgodność otrzymana z kappa1 jest opisy­
wana jako:
Chociaż można ocenić błąd standardowy dla kappa, zwykle
nie testujemy hipotezy, że kappa jest równa zero, gdyż w ba­
daniach rzetelności nie jest to ani sensowne, ani realistyczne.
Zauważmy, że kappa jest zależna zarówno od liczby kate­
gorii (tj. jej wartość jest większa, gdy mamy mniej kategorii),
jak i prewalencji choroby, należy zatem być ostrożnym przy
porównywaniu kappa z różnych badań. Dla danych porządko­
wych możemy również wyznaczyć kappa ważoną2, która bie­
rze pod uwagę, w jakim stopniu obserwatorzy nie są zgodni
(częstości poza przekątną), jak i częstości odpowiecki 2god-
nych (wzdłuż przekątnej). Ważona kappa jest bardzo podob­
na do wewnątrzklasowego współczynnika korelacji (patrz
następna część i Rozdział 42).
ZMIENNE NUMERYCZNE
Przypuśćmy, że obserwator dokonuje podwójnych pomiarów
zmiennej numerycznej u n osobników (gdy rozważamy po­
dobny problem zgodności metod, zastępujemy tylko słowo
„powtarzalność" przez „odtwarzalność", pamiętając o okre­
śleniu powtarzalności każdej z metod przed przeprowadze­
niem badania zgodności metody).
• Jeżeli średnia różnica między podwójnymi pomiarami
wynosi zero (oszacowana testem t dla zmiennych powiąza­
nych, testem znaków lub testem rangowanych znaków — roz­
działy 19 i 20), możemy wnioskować, że nie istnieje systema­
tyczna różnica między parami wyników; jeżeli jeden zbiór
odczytów reprezentuje prawdziwe wartości, jak to zdarza się
w badaniach porównujących metody, oznacza to, że nie ma ob­
ciążenia. Wówczas pomiary podwójne są przeciętnie zgodne.
• Oszacowane odchylenie standardowe dla różnic (sd) da­
je miarę zgodności dla osobnika. Jednakże częściej oblicza
się współczynnik powtarzalności Brytyjskiego Instytutu
Standaryzacji = 2sd. Jest to największa różnica, która może
się pojawić między dwoma pomiarami. Przyjmując rozkład
normalny różnic, oczekujemy, że w przybliżeniu 95% różnic
w populacji leży pomiędzy d ± 2sd, gdzie d jest średnią ob­
serwowanych różnic. Granice górna i dolna tego przedziału
nazywane są granicami zgodności; możemy na ich podsta­
wie zadecydować (subiektywnie), czy zgodność między para­
mi odczytów jest do zaakceptowania.
• Indeks rzetelności, stosowany często do mierzenia po­
wtarzalności i odtwarzalności, jest współczynnikiem kore­
lacji wewnątrzklasowej (ICC — intraclass correlation coef-
ficient, rozdział 42), który przybiera wartości od zera (brak
1
Landis J. R, Koch G. G.: The measurement ofobserver agreement
for categorical data. Biometrics 1977, 33, 159-174.
2
Cohen J.: Weighted Kappa: nominał scalę agreement with provi-
sionfor scalę disagreement or partia! credit. Psychological Bulletin,
1968, 70, 213-220.
39. Szacowanie zgodności 107
zgodności) do 1 (idealna zgodność). Gdy mierzymy zgodność
między parami obserwacji, ICC jest proporcją zmienności
w obserwacjach wynikającą z różnicy między parami, tj. wa­
riancja między parami, wyrażoną jako proporcja całkowitej
•wariancji obserwacji.
Gdy nie ma dowodu na istnienie systematycznych różnic
między parami, możemy obliczyć ICC jako współczynnik ko­
relacji Pearsona (rozdział 26) pomiędzy 2n parami obserwa­
cji uzyskanymi przez dwukrotne włączenie każdej pary: raz,
gdy wartość jest obserwowana, i raz, gdy podlegają one wy­
mianie (patrz przykład 2).
Gdy chcemy wziąć pod uwagę systematyczną różnicę
między obserwacjami w parze, obliczamy ICC jako:
^dzie obliczamy różnice i sumy obserwacji w każdej z n par
i gdzie;
jest oszacowana wariancją z n sum;
jest oszacowaną wariancją z n różnic;
jest oszacowana średnią z różnic (estymatorem różnicy
systematycznej).
Zazwyczaj przeprowadzamy badanie rzetelności jako
cześć większego eksperymentu badawczego. Próba użyta do
badania rzetelności powinna stanowić odbicie próby użytej
do te^o eksperymentu. Nie powinniśmy porównywać warto­
ści ICC w różnych zbiorach danych, gdyż na ICC mają wpływ
takie cechy danych, jak zmienność (ICC będzie większe, gdy
obserwacje są bardziej zmienne). Co więcej, ICC nie jest
związane z aktualną skalą pomiarową oraz akceptowaną pod
względem klinicznym wielkością błędu.
Środki ostrożności
• Nie ma sensu obliczanie powtarzalności pojedynczego po­
miaru, jeżeli stopień niezgodności obserwacji w parze zale­
ży od wielkości pomiaru. Możemy to sprawdzić poprzez obli­
czenie średniej i różnicy w parach odczytów oraz przez wy­
kreślenie n różnic w funkcji odpowiadających im śred­
nich3 (rycina 39.1). Gdy zaobserwujemy losowy rozrzut tych
PRZYKŁAD 1
Ocena zgodności - zmienna kategorialna
Dwóch obserwatorów, doświadczony dentysta i student sto­
matologii, oceniło stan 2104 powierzchni zębowych u dzieci
w wieku szkolnym. Każda powierzchnia była kodowana
przez każdego obserwatora jako „0" (zdrowa), „r (z co naj­
mniej jednym „małym" ubytkiem), „2" (z co najmniej jed­
nym „dużym" ubytkiem) lub „3" (z co najmniej jednym wy­
pełnieniem, z ubytkami lub bez nich). Obserwowane często­
ści pokazano w tablicy 39.1. Pogrubione pozycje wzdłuż
przekątnej pokazują częstości obserwowane oceny zgodnej;
odpowiadające im wartości oczekiwane znajdują się w na­
wiasach. Obliczamy współczynnik kappa Cohena w celu
określenia zgodności pomiędzy dwoma obserwatorami.
Oszacowanie kappa Cohena:
Dane otrzymane dzięki uprzejmości: dr R. D. Holt, Eastman Dental Institnte, University College London, Londyn, Wielka Brytania.
108 Zagadnienia dodatkowe
punktów (jednakowo rozłożony powyżej i poniżej zera, gdy
brak jest systematycznych różnic między parami), wtedy
można przyjąć pojedynczą miarę powtarzalności. Jednakże
jeżeli obserwujemy efekt lejka, ze wzrastającą (na przykład)
zmiennością różnic dla większych wartości średnich, wtedy
należy problem rozpatrzyć ponownie. Możemy znaleźć odpo­
wiednią transformację surowych danych (rozdział 9) i gdy
powtórzymy procedurę na obserwacjach przetransformowa-
nych, wymagany warunek zostanie spełniony. Możemy też
użyć wykresu do wykrycia wartości skrajnych (rozdział 3).
• Należy zachować ostrożność przy obliczaniu współ­
czynnika korelacji (rozdział 26) pomiędzy dwoma zbiorami
odczytów (na przykład z pierwszego i z drugiego zdarzenia
lub z dwóch metod/obserwatorów). W rzeczywistości nie in­
teresuje nas, czy punkty na diagramie rozrzutu (np. wyni­
ków z pierwszego zdarzenia, wykreślonych w funkcji tychże
z drugiego zdarzenia) leżą na linii prostej; chcemy wiedzieć,
czy dostosowują się one do linii równoważności (tj. linii pod
kątem 45°, gdy obie skale są takie same). Nie możemy tego
ustalić, testując hipotezę zerową, że prawdziwy współczyn­
nik korelacji jest równy zero. W każdym razie, ze względu
na naturę badania, byłoby niezwykle dziwne, gdyby pary po­
miarów nie były powiązane. Co więcej, pamiętajmy o fakcie,
że możliwy jest wzrost wielkości współczynnika korelacji na
skutek zwiększenia zakresu wartości pomiarowych.
Sytuacje bardziej złożone
Czasami, oceniając zgodność, napotykamy bardziej złożone sy­
tuacje. Na przykład, możemy mieć do czynienia z więcej niż
dwoma pomiarami powtarzanymi łub więcej niż dwoma ob­
serwatorami, lub każdy z zespołu obserwatorów może wyko­
nywać powtarzane pomiary. Szczegóły dotyczące analizy ta­
kich zagadnień można znaleźć w pracy Streinera i Normana 4 .
3
Bland J. M., Altman D. G.: Statistical methods for assessing
agreement between two pairs of clinical m9asurement Lancet,
1986, 307-310.
4
Streiner D. R., Norman G. L.: Health measurement scales: A prac-
tical guide to their development and use. Oxford University Press,
Oxford 2003.
Okazuje się, że istnieje duża zgodność pomiędzy studen­
tem a doświadczonym dentystą w kodowaniu powierzchni
zębowych u dzieci.
Tablica 39.1. Częstości obserwowane (i oczekiwane) oceny po­
wierzchni zębowych.
PRZYKŁAD 2
Oszacowanie zgodności — zmienne numeryczne (39, 41), (50, 49), (45, 42) oraz (25, 28). Jeżeli odwrócimy
Indeks poczucia własnej godności Rosenberga służy do kierunek w każdej parze, otrzymamy zestaw kolejnych
określania samooceny pacjenta. Wartość maksymalna in­ 5 par: (27, 30), (41, 39), (49, 50), (42, 45) oraz (28, 25).
deksu wynosi 50 (wysoka samoocena), jest sumą wartości Powtarzając ten proces dla pozostałych 20 par, otrzymamy
z dziesięciu pytań, każdego punktowanego od zera do pię­ 50 par, których użyjemy do ohliczenia współczynnika ko­
ciu. Część badania, które analizowało skuteczność pewne­ relacji jako estymatora ICC.
go typu zabiegu chirurgicznego, usuwającego deformację Skoro różnica między powtórzonymi pomiarami wynosi
twai-ny, została poświęcona zmianie profilu psychologicz­ najprawdopodobniej około 3,7 i skoro niemal calu zmien­
nego pacjenta poprzez porównanie wartości indeksu Ro­ ność w wynikach (tj. 98%) może być przypisana różnicom
senberga przed operacją i po niej. Badaczy interesowało, między pacjentami, badacze ocenili, że indeks Roscnbcrga
dn jakiego stopnia punktacja Rosenberga jest wiarygodna był wiarygodny i użyli go do określenia odczucia pacjentów
dla zespołu pacjentów, i postanowili określić powtarzal­ co do efektywności chirurgii twarzy.
ność pomiaru na pierwszych 25 pacjentach wymagających
leczenia deformacji twarzy. Mierzyli oni wartości indeksu Tablica 39.2. Wartości indeksu Rosetiberga (pierwszy i drugi) uzy­
Rosenberga podczas pierwszego pojawienia się w klinice, skane dla 25 pacjentów przed leczeniem.
a następnie przy drugim przyjęciu, 4 tygodnie później. Wy­
niki zosuily przedstawione w tablicy 39.2.
Można pokazać, że różnice (wartość pierwsza — war­
tość druga) mają w przybliżeniu rozkład normalny; średnią
1 odchylenie standardowe = 1,83. Statystyka
dla testu /dla zmiennych powiązanych wynosi 1,53 (liczba
stopni swobody = 24) i daje P = 0,14. Ten nieistotny staty­
stycznie wynik wskazuje na to, że nie ma dowodu na istnie­
nie systematycznych różnic [X)między wynikami w obu sytu­
acjach. Współczynnik powtarzalności Brytyjskiego Instytutu
Standaryzacji wynosi = 2 x 1,83 = 3,7. Spodziewamy się,
że w przybliżeniu 95% różnic w populacji takich pacjentów
leży pomiędzy tj. pomiędzy -3,1 i 4,3. Granice te za­
znaczono na rycinie 39.1, pokazującej, że różnice są losowo
rozproszone wokół średniej równej około zero. Indeks rzetel­
ności oszacowano jako

Skoro można zaniedbać istnienie systematycznych róż­

nic, wartość ICC jest taka sarna jak ta, którą otrzymamy,
licząc współczynnik korelacji Pearsona z 50 par wyników,
otrzymanych przez wzięcie każdej pary dwukrotnie,
w tym raz w kierunku odwróconym. Jako ilustrację tej
techniki weźmy 5 par wartości przed leczeniem: (30, 27),
Rycina 39.1. Różnica pomiędzy pierwszą i drugą wartością indek­
su Rosenberga poczucia własnej godności — wartości wykreślone
w funkcji ich średniej dla 25 pacjentów.

Cunningham S. J., Hunt N. R, Feinnman C: Perceptions of outcome followłng othognathic surgery. British Journal of Orał and MaxiIlo-
facial Surgery 1996, 34, 210-213.

39. Szacowanie zgodności 109

40 MEDYCYNA POPARTA DOWODAMI (EBM)
Sackett i in.1 opisują medycynę popartą dowodami (EBM)
jako „sumienny, formalny i rozsądny użytek z aktualnych,
najlepszych dowodów w podejmowaniu decyzji na temat
opieki nad indywidualnym pacjentem". W celu praktykowa­
nia EBM musisz umieć odnaleźć badania związane z proble­
mem opieki nad twoimi pacjentami i ocenić ich jakość. Tylko
wtedy możesz myśleć o stosowaniu tych wniosków w prak­
tyce klinicznej.
Sackett i in. sugerują następujące podejście do EBM. Dla
wygody trzeci i czwarty punkt opisaliśmy w kontekście eks­
perymentów klinicznych (rozdział 14) i badań obserwacyj­
nych (rozdziały 15 i 16), lecz można je zmodyfikować tak, aby
pasowały do innych form badań (np. testów diagnostycznych,
rozdział 38).
1. SFORMUŁUJ PROBLEM
Musisz zdecydować, co cię interesuje — jak definiujesz po­
pulację pacjentów, jakie zabiegi (np. leczenie) lub porówna­
nia są odpowiednie oraz jakiego oczekujesz wyniku (np.
zmniejszonej śmiertelności).
2. ZNAJDŹ ODPOWIEDNIĄ INFORMACJĘ
(NP, NA TEMAT DIAGNOZY, PROGNOZY
LUB TERAPII)
Często można znaleźć potrzebną informację w publikacjach,
lecz należy wziąć pod uwagę również inne możliwości, np.
abetrakty ze zjazdów. Musisz wiedzieć, jakie są dostępne ba­
zy danych (np. Medline) i inne źródła dowodów, jak są one
zorganizowane oraz jak posługiwać się wyszukiwarkami.
3. KRYTYCZNIE OSZACUJ METODY
W CELU OCENY WAŻNOŚCI DOWODU
(NA ILE JEST ON BLISKI PRAWDY)
Należy zadać następujące pytania.
• Czy rozważono wszystkie ważne wyniki?
• Czy w badaniu został przeprowadzony odpowiedni do­
bór pacjentów?
• Czy wyniki mają sens biologiczny?
• Czy badanie zaprojektowano tak, że zostało wyelimino­
wane obciążenie błędów systematycznych? Na przykład,
w eksperymentach klinicznych, czy badanie miało próbę kon­
trolną, czy przy przydzielaniu pacjentów użyto randomizacji,
czy ocena odpowiedzi była ślepa, czy pojawili się pacjenci
„straceni" dla obserwacji, czy grupy były traktowane w po­
dobny sposób, poza tym, że otrzymywaty inne leczenie, czy
wykonano analizę „z zamiarem leczenia"?
• Czy metody statystyczne są odpowiednie (np. czy zwe­
ryfikowano leżące u ich podstaw założenia; czy w analizie
wzięto pod uwagę zależności między danymi)?
1
Sackett D. L., Straus S., Richardson S., Rosenberg W., Haynes R. B.:
Evidence-based Medicine: How to Practice and Teach EBM. Chur-
chill-Livingstone, Londyn 2000.
110 Zagadnienia dodatkowe
4. WYCIĄGANIE NAJBARDZIEJ UŻYTECZNYCH
WYNIKÓW I OKREŚLANIE, CZY SĄ ONE
WAŻNE
Wyciąganie najbardziej użytecznych wyników
Powinieneś postawić następujące pytania:
(a) Co jest główną zmienną wynikową (tj. tą, która wiąże się
z głównym celem)?
(b) Jak wielki jest badany efekt, wyrażony przez główną
zmienną wynikową? Jeżeli zmienna jest:
• Binarna (np. zmarł/przeżył)
(i) Jakie są częstości/ryzyko/szanse pojawienia się tego
zdarzenia (np. śmierci) w (dwóch) porównywanych
grupach?
(ii) Badany efekt może być różnicą częstości lub ryzyka
(redukcja bezwzględna) albo stosunkiem (ryzyko
względne lub iloraz szans) — jaka jest jego wielkość?
• Numeryczna (np. skurczowe ciśnienie krwi)
(i) Jaka jest średnia (lub mediana) wartości w każdej
z porównywanych grup?
(ii) Jaki jest badany efekt, np. różnica w średnich (media­
nach)?
(c) Jak dokładny jest badany efekt? W idealnej sytuacji pod­
dane szczegółowej analizie badanie zawiera przedział ufno­
ści dla prawdziwego efektu (szeroki przedział ufności wska­
zuje na słabą dokładność). Czy ten przedział jest podany? Je­
żeli nie, to czy podano informacje wystarczające (np. błąd
standardowy badanego efektu) do wyznaczenia przedziału
ufności?
Podejmowanie decyzji, czy wyniki są ważne
• Rozważ przedział ufności dla badanego efektu (np. różni­
ce między średnimi w grupach leczenia):
(i) Czy będziesz traktować obserwowany efekt jako waż­
ny klinicznie (niezależnie od tego, czy wyniki stoso­
wanego testu hipotez są, czy nie są istotne statystycz­
nie), jeżeli dolna granica przedziału ufności oznacza
prawdziwą wartość efektu?
(ii) Czy będziesz uważać obserwowany efekt za klinicznie
istotny, jeżeli górna granica przedziału ufności ozna­
cza prawdziwą wartość efektu?
(iii) Czy twoje odpowiedzi na powyższe dwa punkty są
wystarczająco podobne, aby uznać wyniki badania za
jednoznaczne i ważne?
• Aby ocenić leczenie w eksperymencie randomizowa-
nym kontrolowanym, oblicz liczbę pacjentów, którzy muszą
podlegać leczeniu eksperymentalnemu (NNT — number of
patients you need to treat) a nie leczeniu kontrolnemu, żeby
jeden z nich nie otrzymał „złego wyniku" (takiego jak krwa­
wienie poporodowe, patrz: przykład). NNT można wyznaczyć
na wiele sposobów, zależnie od dostępnej informacji. Na
przykład, jest ona równa odwrotności różnicy w proporcjach
osobników z nieprawidłowym wynikiem w grupie kontrolnej
i eksperymentalnej (patrz: przykład).
5. WYKORZYSTAJ WYNIKI
W PRAKTYCE KLINICZNEJ
Jeżeli wyniki mają ci pomóc w opiece nad pacjentami, mu-
sisz upewnić się, że:
• Twój pacjent jest podobny do tych, od których uzyska­
no 'wyniki;
• Wyniki mogą być zastosowane do twojego pacjenta;
• Wszystkie ważne klinicznie wyniki zostały rozważone;
• Prawdopodobne zyski są warte potencjalnej szkody
i kosztów.
6. OCEN SWOJĄ SKUTECZNOŚĆ
Samoocena zawiera pytania dotyczące twoich możliwości od­
niesienia sukcesu w realizacji zadań od 1 do 5. Czy masz
wtedy możliwość zintegrowania oceny krytycznej z praktyką
kliniczną oraz czy sprawdziłeś swoją skuteczność? Powinie­
neś również zapytać siebie, czy na podstawie przeszłych do­
świadczeń wyciągnąłeś stosowne wnioski, jesteś teraz bar­
dziej efektywny i oceniasz cały proces EBM jako prostszy.

Adaptowane z pracy: Rogcrs J., Wood J., McCandish R., Ayers S., Truesdale A., Elbourne D.: Active versns expectant management oj
thirdstagc oflabour the Hinchmgbrooke jnndomised controlled trial. Lancet, 1998, 351, 693-699, za zgodą Elscvicr.

40. Medycyna poparta dowodami 111

41 METODY DLA DANYCH KLASTERYZOWANYCH
Dane klasteryzowane odpowiadają hierarchicznej lub zagnież­
dżonej strukturze, w której w najprostszej postaci (dwupozio­
mowa struktura jednej zmiennej) wartość pojedynczej zmien­
nej zależnej jest mierzona w zbiorze jednostek 1 poziomu za­
wartych w różnych grupach lub klasterach (jednostki 2 pozio­
mu). Na przykład, jednostki poziomu 1 i poziomu 2, to odpo­
wiednio zęby w jamie ustnej, kolana u pacjentów, pacjenci
w szpitalu, kliniki w regionie, dzieci w klasie, daty kolejnych
Wizyt dla pacjenta (np. dane longitudinalne, rycina 41.1) etc.
Analiza statystyczna takich danych z powtarzanymi pomiara­
mi powinna brać pod uwagę fakt, że obserwacje w klasterze
m^ mieć tendencję do skorelowania, tj. mogą nie być nie­
zależne. Nieuznanie tego faktu zazwyczaj skutkuje niedosza­
cowaniem błędów standardowych badanych estymatorów
i w konsekwencji zwiększa częstości wystąpienia błędu I ro­
dzaju ora2 powoduje wyznaczenie zbyt wąskich przedziałów
ufności.
Aby to zilustrować, przyjmijmy w tym rozdziale, że mamy
dane longitudinalne, a nasze pomiary powtarzane obejmują
wartości zmiennej dla każdego pacjenta w różnych chwilach,
tj. pacjent tworzy klaster. Podsumowujemy dane poprzez opi­
sanie wzorców dla każdego pacjenta i poprzez określenie, czy
wzorce te różnią się pomiędzy dwoma lub więcej grupami pa­
cjentów,
PREZENTACJA DANYCH
Wykres pomiarów przeprowadzanych w badaniu u każdego
pacjenta w różnych momentach pozwala na ocenę wzrokową
wzorca w funkcji czasu. Gdy badamy tylko małą grupę pa­
cjentów, możliwe jest zamieszczenie wszystkich indywidual­
nych przebiegów na jednym wykresie. Staje się to jednak
trudne, gdy badamy duża grupę i możemy zilustrować wy­
łącznie pewien wybór „reprezentatywnych", indywidualnych
przebiegów (rycina 41.3), prawdopodobnie przesianych dla
każdej grupy leczenia. Zwróćmy uwagę, że przeciętny wzór
generowany przez wykreślenie średnich dla wszystkich pa­
cjentów w każdej chwili może różnić się od wzorów widocz­
nych u indywidualnych pacjentów.
PORÓWNYWANIE GRUP: ANALIZY
NIEPRAWIDŁOWE
Nieprawidłowe jest użycie wszystkich wartości w grupie do
dopasowania pojedynczej linii regresji (rozdziały 27, 28) lub
wykonania jednoczynnikowej analizy wariancji (ANOVA;
112 Zagadnienia dodatkowe
rozdział 22) w celu porównywania grup, ponieważ metody te
nie biorą pod uwagę pomiarów powtarzanych na tym samym
pacjencie. Co więcej, niepoprawne również jest porównywa­
nie średnich w grupach osobno dla każdej chwili przy uży­
ciu testów f dla zmiennych niepowiązanych (rozdział 21) lub
jednoczynnikowej ANOVA, gdyż:
• Pomiary u jednego pacjenta w różnych chwilach nie są
niezależne, tak że interpretacja wyników jest trudna. Na
przykład, jeżeli porównanie jest istotne w jednym punkcie
czasowym, prawdopodobne jest też istotne w innych punk­
tach czasu, niezależnie od jakichkolwiek zmian w okresie
przejściowym.
• Duża liczba przeprowadzonych testów powoduje, że
prawdopodobne jest uzyskanie istotnych wyników tylko
przez przypadek (rozdział 18).
• Tracimy informacje na temat zmian zachodzących u da­
nego pacjenta.
PORÓWNYWANIE GRUP:
ANALIZY PRAWIDŁOWE
Użycie miar podsumowujących
Możemy oprzeć naszą analizę na mierze podsumowującej,
która wychwytuje ważne aspekty danych i wyznacza taką
miarę podsumowującą dla każdego pacjenta. Typowymi mia­
rami podsumowującymi są:
• zmiana od wartości początkowej w określonej chwili;
• osiągnięcie wartości maksimum (pik) lub minimum (nadir);
• czas potrzebny do osiągnięcia wartości maksymalnej
(lub minimalnej);
• czas potrzebny do osiągnięcia jakiejś innej, uprzednio
wyspecyfikowanej wartości;
• wartość przeciętna (np. średnia);
• pole pod krzywą (AUC, rycina 41.2);
• nachylenie i przecięcie linii regresji pacjenta (opisują­
ce związek między pomiarem i czasem).
Jeżeli parametr (np. średnia lub nachylenie) jest u niektó­
rych pacjentów wyznaczony dokładniej niż u innych (prawdo­
podobnie dlatego, że mamy więcej obserwacji dla tych pacjen­
tów), powinniśmy w analizie wziąć to pod uwagę, dając
wyższą wagę tym pomiarom, które są wyznaczone dokładniej.
Wybór miary podsumowującej zależy od tego, co badamy,
i powinien być dokonany przed zebraniem danych. Na przy­
kład, jeżeli rozważamy stężenie leku po leczeniu dwoma te­
rapiami, możemy wybrać czas potrzebny do osiągnięcia mak­
symalnej koncentracji leku (Cmax) lub AUC. Jednakże, gdy
Rycina 41.1. Graficzna prezentacja
dwupoziomowej hierarchicznej struk­
tury dla badania longitudinalnego.
jesteśmy zainteresowani miareczkowaniem antyciai po szcze­
pieniu, wtedy może nas interesować, po jakim czasie miano
antyciai spada poniżej określonego, ochronnego poziomu.
Porównujemy wartości miar podsumowujących w róż­
nych grupach, stosując standardowe testy hipotez [np. test
8umy rang Wilcoxona (rozdział 21) lub Kruskala-Wallisa
(rozdział 22)]. Ponieważ liczbę pomiarów zależnych dla jed­
nego osobnika mamy zmniejszoną do pojedynczej wartości,
wartości uwzględnione w analizie są teraz niezależne.
Chociaż analizy oparte na miarach podsumowujących są
proste do wykonania, trudną rzeczą może być znalezienie
odpowiQdniQj miary, która adekwatnie opisuje dane, więc
czasami potrzebujemy dwóch lub więcej miar podsumowują­
cych. W dodatku te podejścia nie w pełni wykorzystują
•wszystkie dane.
ANOVA z powtarzanymi pomiarami
Możemy wykonać szczególny typ ANOVA (rozdział 22), zwa­
ny ANOVA z powtarzanymi pomiarami, w której rozmaite
punkty czasowe są rozważane jako poziomy jednego czynni­
ka w analizie, a zmienna grupująca jest drugim czynnikiem
w analizie. ANOVA z powtarzanymi pomiarami możemy trak­
tować jako rozszerzenie testu r dla zmiennych powiązanych,
§dy mamy więcej niż dwie powiązane obserwacje. Jeżeli
w ANOVA z powtarzanymi pomiarami powstają istotne róż­
nice między grupami, wtedy w celu określenia, w których
Rycina 41.2. Obliczenie AUC dla pojedyn­
czego pacjenta. Całkowite pole pod linią
może być podzielone na pewną liczbę prosto­
kątów i trójkątów (oznaczonych od a do j).
Łatwo obliczyć pole każdego z nich. Pole
całkowite AUC = Pole (a) + Pole (b) + ... +
Pole (/).
PRZYKŁAD
W ramach praktycznych ćwiczeń zaprojektowanych w ce­
lu określenia efektów dwóch wziewnych leków rozszerza­
jących oskrzela, bromowodorku fenoterolu i bromku ipra-
tropium, 99 studentów medycyny zostało losowo przy­
dzielonych do grup otrzymujących jeden z leków (n = 33
dla każdego leku) lub placebo (n = 33). W krótkim czasie
każdy student dokonywał czterokrotnej inhalacji. Drżenia
oszacowywano poprzez pomiar całkowitego czasu po­
trzebnego do nanizania pięciu igieł do szycia zamocowa­
nych na korku: pomiary wykonywano w chwili początko­
wej przed inhalacją oraz w 5, 15, 30, 45 i 60 minucie po
inhalacji. Pomiary reprezentatywnej próby studentów
w każdej z grup eksperymentalnych pokazane zostały na
rycinie 41.2.
Zdecydowano się na porównywanie wartości „pola pod
Dane uzyskane dzięki uprzejmości: dr R. Morris, Department of Primary Care and Population Sciences, zebrane w ramach praktyk studenc­
kich zorganizowanych przez dr T. J. Allen, Department of Pharmacology, Royal Free and University College Medical School, Londyn, Wielka
Brytania.
punktach czasowych różnice te stają się widoczne , można
1
wykonać testy f dla zmiennych powiązanych, które biorą pod
uwagę zależności między danymi i mają wartości p skorygo­
wane ze względu na wielokrotne testowanie (rozdział 18).
Jednakże ANOVA z powtarzanymi pomiarami ma pewne
niedoskonałości:
• Jest często trudna do wykonania.
• Wyniki mogą być trudne w interpretacji.
• Zakłada ogólnie, że wartości są mierzone w regular­
nych odstępach czasu i nie ma danych brakujących, tj. zakła­
da, że projekt eksperymentu jest zbalansowany. W rzeczywi­
stości wartości rzadko są mierzone we wszystkich chwilach,
gdyż pacjenci często opuszczają wizyty lub przychodzą kie­
dy indziej, niż to zaplanowano.
Metody regresji
Do analizy danych klasteryzowanych można używać różnych
metod regresyjnych, takich jak te, w wyniku których otrzy­
muje się estymatory parametru z elastycznymi błędami stan­
dardowymi lub w których wykorzystuje się uogólnione rów­
nania estymacyjne (GEE — generalised estimańng equnńorb
lub modele efektów losowych (patrz rozdział 42).
1
Mickey R. M., Dunn O. J., Clark V. A.: Applied Statistics: Analysis
of Yariance and Regression. Wiley 2004.
krzywą" (AUC) jako miary podsumowującej. Obliczenie
AUC dla jednego studenta ilustruje rycina 41.3.
Mediana (zakres) AUC wynosiła 1552,5 (417,5 - 3875),
1215 (457,5 - 2500) oraz 1130 (547,5 - 2625) sekund2 od­
powiednio u otrzymujących bromowodorek fenoterolu, bro­
mek ipratropium i placebo. Wartości w trzech grupach zosta­
ły porównane testem Kruskala-Wallisa, który dał wynik
p = 0,008. Otrzymaliśmy zatem silny dowód na to, że miary
AUC różniły się w tych trzech grupach. Nieparametryczne
porównania post-hoc, skorygowane ze względu na wielokrot­
ne testowanie, wskazały, że wartości były znacznie wyższe
w grupie otrzymującej bromowodorek fenoterolu, co po­
twierdza obserwację farmakologiczną, że ten lek jako agoni-
sta • adrenoceptorów wzbudza drżenia poprzez stymulację
-adrenoceptorów w mięśniach szkieletowych.
41. Metody dla danych klasteryzowanych 113
Rycina 41.3. Czas potrzebny do nawleczenia pięciu igieł do szycia przez trzech reprezentatywnych studentów W każdej grupie leczenia.

114 Zagadnienia dodatkowe

42 METODY REGRESJI DLA DANYCH
KLASTERYZOWANYCH
Do analizy dwupoziomowej struktury hierarchicznej, opisa­
nej w rozdziale 41, w której każdy klaster (jednostka drugie­
go poziomu) zawiera pewną liczbę jednostek z pierwszego
poziomu, można użyć rozmaitych metod regresyjnych. Na
przykład, w badaniu reumatoidalnego zapalenia stawów mo­
żemy mierzyć kąt zgięcia zarówno na lewym, jak i na prawym
kolanie (poziom 1) każdego pacjenta (poziom 2). Alternatyw­
nie, możemy mieć zestaw danych longitudinalnych z pomiara­
mi (np. całkowitego cholesterolu) powtarzanymi (poziom 1) dla
każdego pacjenta (poziom 2). Główne zalety i wady każdej
z metod podsumowano w tablicy 42.1. Większość z tych me­
tod jest niemiarodajna, chyba że mamy wystarczającą liczbę
klasterów, oprócz tego mogą być trudne do wykonania i pra­
widłowej interpretacji. Dlatego sugerujemy skonsultowanie
ich ze specjalista statystykiem.
ANALIZA ZAGREGOWANYCH POZIOMÓW
Bardzo prostym podejściem jest zagregowanie danych i wy­
konanie analizy przy użyciu odpowiedniej numerycznej mia­
ry podsumowującej (np. średniej) dla każdego klasteru (np.
pacjenta, rozdział 41).Wybór tej miary podsumowującej za­
leży od właściwości danych i badanych hipotez. Przeprowa­
dzamy zwykłą wielokrotna analizę regresji metodą najmniej­
szych kwadratów (OLS), używając klasteru jako jednostki
badania i miary podsumowującej jako zmiennej wynikowej.
Jeżeli każdy klaster przyporządkowano konkretnemu trybo­
wi leczenia (w przykładzie z kolanem pacjent może być loso­
wo przyporządkowany do jednej z dwóch grup leczenia —
z wykonywanymi ćwiczeniami lub bez nich), to wraz ze
zmiennymi niezależnymi z innych poziomów klasterów (np.
płci, wieku) możemy do modelu regresyjnego włączyć „lecze­
nie" jako zmienną ślepą, przy użyciu kodów 0 i 1 (lub przy
użyciu serii ślepych zmiennych, gdy mamy więcej niż dwa
sposoby leczenia (rozdział 29).
ELASTYCZNE BŁĘDY STANDARDOWE
Jeżeli w analizie regresji o strukturze dwupoziomowej nie
bierze się pod uwagę klasteryzacji, zostaje pogwałcone ważne
założenie leżące u podstaw modelu regresji liniowej — nieza­
leżność obserwacji (patrz rozdziały 27 i 28). W konsekwencji
błędy standardowe estymatorów parametrów będą najprawdo­
podobniej zbyt małe, a wyniki w sposób sztuczny istotne.
W celu rozwiązania tego problemu możemy wyznaczyć
elastyczne błędy standardowe estymatorów parametru,
wykorzystując do naszych obliczeń zmienność danych (osza­
cowaną na podstawie odpowiednich reszt), zamiast oszaco­
wywać je na podstawie modelu regresji. W wielokrotnej
analizie regresji z elastycznymi błędami standardowymi
estymatory współczynników regresji są takie same jak w re­
gresji liniowej OLS, lecz błędy standardowe są bardziej od­
porne na pogwałcenie założeń leżących u podstaw analizy, co
jest dla nas powodem szczególnego zmartwienia, gdyż kla-
steryzacja danych powoduje brak niezależności.
MODELE EFEKTÓW LOSOWYCH
1
Modele efektów losowych znane są również jako hierarchicz­
ne, wielopoziomowe, mieszane, klasterowe lub przekrojowe
modele szeregów czasowych. Można je dopasować za pomocą
różnych wszechstronnych komputerowych pakietów statystycz­
nych, takich jak SAS czy Stata, lub programów specjalistycz­
nych, takich jak MLwiN (http://multileveI,ioe.ac.uk), Wszyst­
kie one wykorzystują estymację maksymalnej wiarygodności.
Dla każdego z klasterów efekt szacuje się przy użyciu zarówno
informacji z poszczególnych klasterów, jak i tej z pozostałych
klasterów, tak że uzyskujemy zyski z „dzielonej" informacji.
W szczególności powszechnie wyznaczane są estymatory
kurczące, za pomocą których, stosując odpowiedni współczyn­
nik kurczliwości, każdy badany estymator klasteru możemy
skurczyć w kierunku oszacowanej średniej całkowitej. Stopień
skurczenia zależy od wielkości klasteru (małe klastery mają
większy stopień skurczenia) i od zmienności danych (skurcze­
nie jest dla estymatorów większe, gdy zmienność w obrębie
klasteru jest duża w porównaniu z tą pomiędzy klasterami).
Model efektów losowych traktuje klastery jako próbę
z rzeczywistej lub hipotetycznej populacji klasterów. Poszcze­
gólne klastery nie stanowią głównego przedmiotu zaintereso­
wania; przyjmuje się, że ogólnie są one podobne, a różnice
między nimi zostały spowodowane losową zmiennością lub in­
nym „ustalonym" czynnikiem, takim jak płeć, wiek etc. Dwu­
poziomowy model efektów losowych różni się od modelu nie
biorącego pod uwagę klasteryzacji tym, że chociaż oba
uwzględniają błąd losowy lub niewyjaśniony z powodu zmien­
ności między jednostkami poziomu 1 (wariancja wewnątrz-
klasterowa, model efektów losowych dodatkowo włącza
błąd losowy wywołany zmiennością między klasterami (<rc£).
Wariancja pojedynczej obserwacji w modelu efektów loso­
wych jest zatem sumą obu składowych wariancji.
Szczególne modele
Gdy zmienna wynikowa y jest numeryczna i istnieje jedna ba­
dana zmienna wyjaśniająca x, prosty, liniowy, dwupoziomowy
model losowych przecięć zakłada, że istnieje związek liniowy
między y i x w każdym klasterze, przy czym wszystkie klaste­
rowe linie regresji mają wspólne nachylenie /?, a różne prze­
cięcia (rycina 42. la). Średnia linia regresji ma nachylenie rów­
ne fi, a przecięcie równe a, które jest średnim przecięciem,
uśrednionym po wszystkich klasterach. Błąd losowy (reszto-
wy) dla każdego klasteru jest wielkością, o jaką różni się
w kierunku pionowym przecięcie linii regresji dla danego kla­
steru od przecięcia średniego a (rycina 42.1a). Zakłada się, że
reszty klasterowe podlegają rozkładowi normalnemu z zerową
średnią i wariancją W obrębie każdego klasteru przyjmu­
je się, że reszty dla jednostek poziomu 1 podlegają rozkładowi
normalnemu z zerową średnią i z tą samą wariancją a2. Gdy
wielkości klasterów są podobne, prostym sposobem zbadania
normalności i stałej wariancji reszt jest sprawdzenie normal­
ności na histogramie reszt i wykreślenie reszt w funkcji war­
tości prognozowanych (patrz rozdział 28).
1
Goldstein H.: Multilevel Statistical Models 3rd edn. Kendall Libra-
ry of Statistics 3, Arnold 2003.
42. Metody regresji dla danych klasteryzowanyeh 115
 Model ten można modyfikować na wiele sposobów (patrz
także tablica 42.1), na przykład poprzez zezwolenie na loso­
wa zmianę nachyleń fi między klasterami. Model ten jest
zwany modelem losowych nachyleń, w którym właściwe dla
klasterów linie regresji nie są równoległe do średniej linii re­
gresji (rycina 42.Ib).
Oszacowanie efektu klasteryzacji
Efekt klasteryzacji można oszacować poprzez:
• Obliczenie współczynnika korelacji wewnątrzklaso-
wej (ICC — Intraclass correlation coofficient, czasami ozna­
czonej przez p — patrz również rozdział 39), który w struk­
turze dwupoziomowej oznacza korelację między dwoma
losowo wybranymi jednostkami poziomu 1 W jednym losowo
wybranym klasterze.
ICC wyraża zmienność pomiędzy klasterami jako propor­
cję catkowitGj wariancji; często wyrażany jest w procentach.
ICC = 1, gdy nie ma zmian w obrębie klasterów i cała wa­
riancja wynika ze zmienności między klasterami; ICC = 0, gdy
brak jest zmienności między klasterami. Możemy użyć ICC do
podjęcia subiektywnej decyzji na temat wagi klasteryzacji.
» Porównanie dwóch modeli, z których jeden jest pełnym
modelem efektów losowych, a drugi modelem regresyjnym z tą
samą zmienną wyjaśniającą (tymi samymi zmiennymi wyja­
śniającymi), ale który nie bierze pod uwagę klasteryzacji. Od­
powiedni test stosunku wiarygodności ma statystykę równą
różnicy stosunku wiarygodności obu modeli (patrz rozdział 32)
i podlega rozkładowi Chi-kwadrat z jednym stopniem swobody.
UOGÓLNIONE RÓWNANIA ESTYMACYJNE
(GEE)
W GEE {generalized estimating equationsf korygujemy zarów­
no estymatory parametru GLM, jak i błędy standardowe ze
względu na klasteryzację danych w strukturze dwupoziomo­
wej. Przyjmujemy założenia co do rozkładu zmiennej zależnej,
lecz w przeciwieństwie do modelu efektów losowych, nie za­
kładamy, że reszty międzyklasterowe mają rozkład normalny.
Traktujemy klasteryzację jako niedogodność, ale nie koncen­
trujemy na niej uwagi i postępujemy dalej, zakładając roboczą
strukturę dla korelacji między obserwacjami w obrębie każde­
go klasteru. Nie musi ona być poprawna, gdyż zakładając, że
mamy dostateczme wiele klasterów, elastyczne błędy standar­
dowe i estymatory parametrów są do zaakceptowania. Jednak­
że otrzymamy lepsze estymatory parametru, gdy struktura bę­
dzie wiarogodna. Zazwyczaj przyjmujemy wymienną struktu­
rę korelacji, która zakłada, że wymiana dwóch jednostek po­
ziomu 1 w obrębie klasteru nie zaburzy oszacowania.
Podejście GEE jest czasami zwane podejściem uśrednie­
nia populacji lub brzegowym, ponieważ estymatory parame­
tru oznaczają efekty uśrednione pomiędzy klasterami (mimo
iż cała informacja na temat jednostek 1 poziomu jest włą­
czona do analizy). Podejście GEE jest często preferowane
w stosunku do bardziej złożonego modelu efektów losowych
dla regresji logistycznej (rozdział 30) i czasami dla regresji
Poissona (rozdział 31), chociaż wiadomo, że struktura wy­
miennej korelacji jest wówczas nieprawidłowa,
* Liang K.-Y., Zeger 5. L.: Longitudinal data analysis usinggenera­
lized linear models. Biometrika 1986, 73, 13-22.

Tablica 42.1. Główne zalety i wady stosowania metod regresji do analizowania danych klasteryzowanych.

Metoda Zalety Wady

Analna • Prosta. • Nie pozwala na włączenie współzmiennych,
zatfregowariyc - Łatwa do przeprowadzenia przy użyciu podstawowego które zmieniają się dla poziomu 1.
poziomów oprogramowania. • Ignoruje różnice między wielkościami klasterów
i w dokładności oszacowania miary podeumo-
wującej każdego klasteru.
• Możemy nie być w stanie znaleźć odpowiedniej
zmiennej podsumowującej.
Elastyczne błędy • Stosunkowo prosta. • Niewiarygodny, chyba że liczba klasterów jest
standardowe • Pozwala na włączenie wspótzmiennych, które zmieniają się dla duża, na przykład > 30.
pozwalające na poziomu 1. • Nie koryguje estymatorów parametru ze wzglę­
klasteryzację • Koryguje błędy standardowe, przedziały ufności i wartości p, du na klasteryzację.
z uwzględnieniem klasteryzacji.
• Pozwala na użycie różnej liczby jednostek poziomu 1 w klasterze.
Model efektów • W sposób jawny pozwala na klasteryzację poprzez włączenie do • Niewiarygodny, chyba że liczba klasterów jest
losowych modelu zarówno zmienności między-, jak i wewnątrzklasterowej. wystarczająca.
• Estymatory klasterowe korzystają z dzielonej informacji • Estymatory parametrów są często obciążone.
ze wszystkich klasterów. • Dla modeli rozbudowanych wymagane jest wy­
• Koryguje błędy standardowe, przedziały ufności i wartości p, sokie doświadczenie w zakresie modelowania.
z uwzględnieniem klasteryzacji. • Problematyczne oszacowanie modelu efektów
• Pozwala na włączenie współzmiennych, które zmieniają się dla losowych dla modelu logistycznego.
poziomu 1.
• Pozwala na użycie różnej liczby jednostek poziomu 1 w klasterze.
• Pozwala na rozwinięcie hierarchii z dwu- do wielopoziomowej.
• Pozwala na dostosowanie różnych form GLM (np. Poissona).
GEE • Stosunkowo prosty. Niewiarygodny, chyba że liczba klasterów jest
• Nie są wymagane założenia na temat rozkładu efektów losowych duża, na przykład > 30.
(z powodu klasteryzacji). Traktuje klasteryzację jako niedogodność bez
• Pozwala na włączenie współzmiennych, które zmieniają się dla faktycznego znaczenia .
poziomu 1. Wymaga specyfikacji roboczej struktury
• Pozwala na użycie różnej liczby jednostek poziomu 1 w klasterze. korelacji .
• Koryguje błędy standardowe, przedziały ufności i wartości p, Oszacowane parametry są przeciętnymi dla kla­
z uwzględnieniem klasteryzacji. steru i nie wiążą się z osobnikami w populacji .

* Te wady mogą czasami być traktowane jako zalety, zależnie od stawianego pytania.

116 Zagadnienia dodatkowe

Rycina 42.1. Dwupozio­
mowe efekty losowe li­
niowych modeli regresyj-
nych pojedynczej współ-
zmiennej.
(a) Model losowego przecięcia. Linia pogrubio­ (b) Model losowych nachyleń. Linia pogrubiona oznacza śred­
na oznacza średnią linię regresji dla wszyst­ nią linię regresji dla wszystkich klasterów, a każda z cienkich
kich klasterów, a każda z cienkich linii — linię linii — linię regresji dla innego klasteru. Przecięcie linii regre­
regresji dla innego klasteru. Przecięcie linii re­ sji specyficznych dla i-tego klasteru różni się od linii uśred­
gresji specyficznych dla t-tego klasteru różni nionej o resztę = a nachylenia linii regresji specyficz­
się od linii uśrednionej o resztę = gdzie nych dla i-tego klasteru różnią się od tego dla linii uśrednionej
reszty te są rozłożone zgodnie z rozkładem nor­ o resztę = gdzie reszty te są rozłożone zgodnie z rozkła­
malnym ze średnią zero i wariancją Każda dem normalnym ze średnią zero i wariancjami odpowiednio
linia ma nachylenie =

PRZYKŁAD
Uans dotyczące choroby przyzębia uzyskano od 96 białych
mężczyzn, praKtykantów inżynieryjnych w wieku 16-20
laU locpocaynajijcych praktyki w Royal Air Force Halton
w Anglii (patrz takie rozdział 20). Przebadano cztery stro­
ny (dośrodkowo policzkową, dośrodkowo-językową, od-
śrndkowo-poliezkowa oraz odśrodkowo- językową) każde­
go z. możliwych 28 zębów (z wyjątkiem zębów mądrości)
u każdego praktykanta. Dla uproszczenia analizy rozważy­
łyśmy podzbiór danych, na przykład (1) wyłącznie stronę
dośrodkowo-policzkową każdego zęba; daje to strukturę
dwupoziomową w obrębie każdego obiektu (każdy obiekt
odpowiada klasterowi); oraz (2) dwie badane zmienne:
utratę przyczepu (loa, mierzoną w mm) pomiędzy zębem
a kością szczękową, oszacowaną po stronie dośrodkowo-
-policzkowej, oraz aktualny status palenia papierosów
przez praktykanta (tak = 1, nie = 0). Chcemy zbadać, czy
palenie jest czynnikiem ryzyka w chorobie dziąseł (gdzie
większa utrata przyczepności oznacza cięższy stan choro­
bowy). Tablica 42.2 zawiera część wyników z rozmaitych
analiz regresyjnych, w których zmienną wynikową jest
utrata przyczepności (mm), a wspótzmienną — palenie.
Pełny wydruk komputerowy zamieszczono w Dodatku C.
Estymatory współczynników regresji dla palenia i/lub We­
dy standardowe zmieniają się zgodnie z typem wykonanej
analizy. Dwie analizy OLS mają identyczne estymatory
współczynników regresji (większe od uzyakanych z pozo
stałych trzech analiz), lecz ich błędy standardowe są róż­
ne. Błąd standardowy oszacowanych współczynników yyy
gresji w analizie OLS, która ignoruje klastoryzację, jest
znacząco mniejszy niż błędy standardowe z pozostałych
czterech analiz, tzn. ignorowanie klasteryzacji powoduje
niedoszacowanie błędu standardowego współczynnika re­
gresji — w konsekwencji przedział ufności jest zbyt wąski,
a wartość p zbyt mała. Współczynnik korelacji wewnątrz-
klastcrowej z modelu efektów losowych jest oszacowany
jako 0,224. Około 22% zmienności w utracie przyczepu,
przy uwzględnieniu palenia, zachodziło więc między prak­
tykantami.
W tym szczególnym przykładzie, na podstawie wszyst­
kich pięciu analiz wnioskujemy, że palenie nie jest istotnie
związane z utratą przyczepu. Ten brak istotności dla pale­
nia jest wynikiem niespodziewanym, ale można go wyja­
śnić tym, że praktykanci byli bardzo młodzi i palacze znaj­
dujący się między nimi palili przez krótki czas.

Tablica 42.2. Podsumowanie wyników analizy regresji, w których loa (mm) jest zmienną wynikową.
Oszacowany współ- Błąd stan- 95% CI dla Statystyka
Analiza czynnik (palący) dardowy (SE) współczynnika testowa* Wartość p
OLS ** regresja ignorująca klasteryzację -0,0105 0.0235 -0,057 do 0,036 r=-0,45 0,655
Regresja OLS z elastycznymi błędami
standardowymi -0,0105 0,0526 -0,115 do 0,094 i = -0,20 0,842
Analiza zagregowana (regresja OLS
na średnich grupowych) -0,0046 0,0612 -0,126 do 0,117 t=-0,07 0,941
Model efektów losowych -0,0053 0,0607 -0,124 do 0,114 2=-0,09 0,930
GEE z elastycznymi SE i wymienną
strukturą korelacyjną " -0,0053 0,0527 -0,108 do 0,098 z = -0,10 0,920
* t = statystyka testowa podlegająca rozkładowi t; z = statystyka testowa Walda podlegająca standaryzowanemu rozkładowi normalnemu.
** OLS = zwykła metoda najmniejszych kwadratów.
Dane otrzymane dzięki uprzejmości: dr Gareth Griffiths, Dept of Periodontology, Eastman Dental Institute. University College London,
Wielka Brytania.

42. Metody regresji dla danych klasteryzowanyeh 117

43 PRZEGLĄDY SYSTEMATYCZNE I METAANALIZA
PRZEGLĄD SYSTEMATYCZNY
Co to jest?
1
Przegląd systematyczny jest sformalizowanym i ściśle okre­
ślonym procesem łączenia informacji ze wszystkich źródeł
(zarówno publikowanych, jak i niepublikowanych) dotyczą­
cych tej samej jednostki chorobowej; badania te są zazwyczaj
eksperymentami klinicznymi (rozdział 14) badającymi takie
same lub zbliżone procesy leczenia, lecz mogą też być bada­
niami obserwacyjnymi (rozdziały 15 i 16). Przegląd systema­
tyczny stanowi integralną część medycyny popartej dowoda­
mi (EBM; rozdział 40), która polega na tym, że w opiece nad
pacjentem stosuje się najlepsze dostępne dane wraz z do­
świadczeniem klinicznym. Jego rola w EBM jest tak ważna,
ze stał się przedmiotem zainteresowania klinicystów, metodo­
logów i użytkowników z wielu krajów, którzy utworzyli Co­
chrane Collaboration. Powstała dzięki temu biblioteka Co­
chrane Library zawierająca regularnie uaktualniane bazy da­
nych na temat opieki zdrowotnej popartej dowodami, włącza­
jąc w to Cochrane Database of Systematic Reviews — baza
przeglądów systematycznych Cochrane; pełny dostęp do tych
przeglądów wymaga subskrypcji, lecz abstrakty są dostępne
bezpłatnie przez Internet (www.cochrane.org/reviews).
Co nam daje?
• Oczyszczenie i redukcję — wielkie porcje informacji
zostają oczyszczone i zredukowane do wielkości umożliwia­
jących anali2ę.
• Efficiency — przegląd systematyczny jest zwykle szyb­
szy i mniej kosztowny niż przeprowadzenie nowego badania.
Może zapobiec podejmowaniu niepotrzebnych badań oraz
może zmniejszyć czas pomiędzy odkryciami medycznymi
a ich praktycznym zastosowaniem.
• Możliwość uogólnienia i spójność — często wyniki
można uogólnić na szerszą populację pacjentów, niż byłoby to
możliwe na podstawie pojedynczego badania. Można oszaco­
wać spójność wyników z różnych badań i określić wszystkie
niezgodności.
• Wiarygodność — systematyczny przegląd pozwala na
zredukowanie błędów i w ten sposób poprawia wiarygodność
oraz dokładność zaleceń w porównaniu z przeglądem przy­
padkowym lub pojedynczymi badaniami.
• Moc i dokładność — ilościowy przegląd systematyczny
(patrz metaanaliza) ma większą moc (rozdział 18) przy wy­
krywaniu badanych efektów i dostarcza bardziej dokładnych
estymatorów niż pojedyncze badanie.
METAANALIZA
Co to jest?
Metaanaliza jest szczególnym typem przeglądu systematyczne­
go, który skupia się na wynikach numerycznych. Głównym ce­
lem metaanalizy jest połączenie wyników z poszczególnych ba­
dań w celu stworzenia, o ile to możliwe, estymatora całościo­
wego lub przeciętnego badanego efektu, np. ryzyka względne­
go, (RR — rozdział 15). Kierunek i wielkość tego efektu śred-
1
Chalmers I., Altman D. G.: Systematic Reviews. British Medical Jour­
nal Publishing Group, Londyn 1995.
118 Zagadnienia dodatkowe
niego, wraz z oceną związanych z nim przedziałów ufności
i wyników testowania hipotez, mogą zostać użyte do podjęcia
decyzji na temat badanej terapii i opieki nad pacjentami.
Podejście statystyczne
1. Decydujemy, co jest efektem leczenia, i jeżeli dostępne sa
dane surowe, oszacowujemy go dla każdego badania. Jed­
nakże w praktyce często musimy te efekty wydobyć z wyni­
ków opublikowanych. Jeżeli wynik w eksperymencie klinicz­
nym porównującym dwa sposoby leczenia jest:
• numeryczny — efekt może być różnicą w średnich le­
czenia. Różnica zerowa oznacza brak efektu leczenia;
• binarny (np. zmarł/przeżył) — rozważamy na przykład
ryzyko wyniku (np. śmierci) w grupach leczenia. Efektem
może być różnica w wartościach ryzyka lub ich stosunek RR,
Jeżeli różnica w ryzyku równa się zero lub RR = 1, wtedy
nie ma efektu leczenia.
2. Sprawdzamy jednorodność statystyczną i otrzymuje­
my estymator statystycznej niejednorodności — z niejed­
norodnością statystyczną mamy do czynienia wtedy, gdy ist­
nieje realna zmienność pomiędzy wynikami pochodzącymi
z różnych badań. Możemy przeprowadzić testowanie hipote­
zy o jednorodności w celu zbadania, czy zmienność w indy­
widualnych wynikach jest czysto losowa. Jednakże ten test
ma małą moc (rozdział 18) wykrycia niejednorodności, gdy
liczba badań w metaanalizie jest mała, i odwrotnie, może da­
wać wysoce istotne wyniki, gdy metaanaliza obejmuje dużą
liczbę badań, nawet wtedy, gdy jest mało prawdopodobne, by
niejednorodność zaburzyła wyniki. Do oszacowania wpływu
niejednorodności i niezgodności 2 można użyć wskaźnika / 9
(patrz przykład), który nie zależy od liczby badań, typu da­
nych wynikowych lub wyboru efektu leczenia (np. ryzyka
względnego). Wartość I2 oznacza procent całkowitej warian­
cji we wszystkich badaniach spowodowanej niejednorodno­
ścią; przybiera wartości od 0% do 100%, z wartością 0%
wskazującą na brak niejednorodności. Gdy mamy dowód sta­
tystycznej niejednorodności, powinniśmy postępować ostroż­
nie, badając jej przyczyny i odpowiednio modyfikując nasze
podejście, być może poprzez podzielenie badań na podgrupy
o podobnych charakterystykach.
3. Szacujemy średni badany efekt (z przedziałami ufno­
ści) i wykonujemy odpowiednie testy hipotez dla efektu
(np. że prawdziwe RR = 1) — możemy tu zastosować modele
„efektów stałych" i „efektów losowych" (patrz także rozdział
42). Gdy nie ma dowodu statystycznej niejednorodności, na
ogół stosujemy model efektów stałych (zakładający, że efekt
leczenia jest taki sam w każdym badaniu i każda obserwo­
wana zmienność jest wynikiem błędu próbkowania). W prze­
ciwnym wypadku używamy modelu efektów losowych (za­
kładający, że osobne badania reprezentują losową próbę
z populacji badań, która ma średni efekt leczenia, wokół któ­
rego zmieniają się efekty leczenia z poszczególnych badań).
4. Interpretujemy i opisujemy wyniki — pomocne jest
podsumowanie w tablicy wyników każdego badania (np. wiel­
kość próby, wyjściowa charakterystyka, badany efekt, taki
jak RR, oraz odpowiadający mu przedział ufności CI, patrz
2
Higgins P. T., Thompson S. G., Deeks J. J., Altman D. G.: Measu-
ring inconsistency in meta-analysis. British Medical Journal, 2003,
237, 557-560.
przykład). Najczęściej stosowanym przedstawieniem graficz­
nym jest wykres „leśny" (rycina 43.1), na którym wzdłuż pio­
nowej linii prostej, oznaczającej „brak efektu leczenia" (np. ta
linia odpowiada wartości „jeden", gdy efektem leczenia jest
RR), dla każdego eksperymentu zaznaczony zostaje badany
efekt (-wraz z przedziałem ufności). Często symbolem ilustru­
jącym badany efekt dla każdego badania jest prostokąt, któ­
rego powierzchnia jest proporcjonalna do wielkości tego
badania. Najpierw analizujemy, czy oszacowane efekty z róż­
nych badań leżą po tej samej stronie linii. Następnie możemy
użyć przed2iałów ufności do rozsądzenia, czy wyniki są zgod­
ne (jeżeli CI pokrywają się), co pozwoli nam stwierdzić, czy
brak zgodności wyników można wyjaśnić małą wielkością
próby (gdy CI są szerokie) oraz ocenić istotności poszczegól­
nych i całościowych efektów (poprzez obserwację, czy linia
pionowa przechodzi przez niektóre lub wszystkie CI).
Zaloty i wady
Meta&naliza jest szczególną formą przeglądu systematycznego,
zawiera więc wszystkie jego zalety (patrz „Co nam daje?").
W szczególności, ze względu na powiększoną liczebność pró­
by daje możliwość wykrycia efektów leczenia z większą mo­
cą oraz oszacowania ich z większą dokładnością niż w poje­
dynczym badaniu. Jej zalety, a także wprowadzenie oprogra­
mowania do metaanalizy, spowodowały rozpowszechnienie
tej techniki. Jednakże jej nieprawidłowe użycie może prowa-
d2ić do błędnych wniosków na temat skuteczności leczenia.
Przed wykonaniem metaanalizy należy dokładnie zbadać
i roswiązać następujące, główne problemy.
PRZYKŁAD
Pacjenci z ciezką dusznicą są często kwalifikowani albo do
Wihicgi! przezskówicj naczyniowej angioplastyki wieńcowej
(PTCA), albo zabiegu pomostowania aortalno-wieńcowego
(CABG). Wyniki z ośmiu publikowanych eksperymentów
randomizowanych połączono w jedną metaanalizę, opartą
na :.«71 pacjentach (1661 CABG, 1710 PTCA), podlegają­
cych obserwacji średnio przez 2,7 lat. Główne wyniki ba­
dań zestawiono w tablicy 43.1. Wyniki dla punktu końco­
wego złożonego ze śmierci sercowej oraz niezakończonego
.śmiercią zawału serca (MI) w pierwszym roku obserwacji
pokazano na rycinie 43.1. Porównano oszacowane ryzyko
względne (RR) między grupami PTCA i CABG. Na rycinie
wykorzystano dla RR skedę logarytmiczną, by uzyskać sy­
metryczne przedziały ufności (CI). Chociaż poszczególne es­
tymatory ryzyka względnego różnią się dość znacznie, od
zmniejszenia ryzyka do całkiem znacznego wzrostu ryzy­
Rycina 43.1. Wykres „leśny" ryzyka względnego (RR) z 95% CI śmierci sercowej lub zawału serca dla grupy po PTCA w porównaniu
z grupą po CABG w pierwszym roku od randomizacji.
• Obciążenie publikacyjne — tendencja do włączania do
analizy wyłącznie wyników z prac publikowanych; te fawo­
ryzują wyniki statystycznie istotne. O tym, czy obciążenie
publikacyjne stanowi problem, możemy przekonać się, rysu­
jąc wykres lejkowy, diagram rozrzutu, który zwykle na osi
poziomej odwzorowuje wielkość próby, a na osi pionowej
efekt leczenia (np. iloraz szans). Gdy nie ma obciążenia pu­
blikacyjnego, rozrzut punktów (każdy punkt reprezentuje
jedno badanie) na wykresie lejkowym będzie duży na dole,
gdzie wielkość badania jest mała, i będzie się zawężał
(w kształcie lejka) ku górze, gdzie wielkość badania jest
duża. W przypadku obecności obciążenia publikacyjnego
wykres lejkowy będzie prawdopodobnie skośny lub niesyme­
tryczny, z luką po stronie dolnego lewego rogu, gdzie zarów­
no efekt leczenia, jak i wielkość badania są małe (tj. gdy ba­
danie ma małą moc wykrycia małych efektów).
• Niejednorodność kliniczna — różnice między popula­
cjami pacjentów, miarami wyników, definicjami zmiennych
i/lub czasem obserwacji w badaniach włączonych do anali­
zy mogą stwarzać problemy polegające na tym, że badania te
nie dadzą się porównać.
• Różnice jakości — projekt i sposób przeprowadzenia
badań może wpływać na ich jakość. Jakkolwiek rozwiąza­
niem tego problemu może być przydzielenie większej wagi do
lepszych badań, każdy system wagowy można skrytykować
za jego arbitralność.
• Zależność — włączone do analizy wyniki badań mogą
nie być niezależne, np. gdy wyniki z badania są publikowane
przy więcej niż jednej okazji.
ka, to wszystkie przedziały ufności do pewnego stopnia się
pokrywają. Na bardziej formalne oszacowanie niejednorod­
ności pozwala test jednorodności Chi-kwadrat Coclu una,
który daje wynik nieistotny (statystyka testu Q= 13,2, licz­
ba stopni swobody df= 8 - 1 = 7, p = 0,07). Jednakże I'
= 100 x (Q- dfi/Q= 100 x (13,2 - 7)/13,2 = 47% (95% CI
od 0% do 76%), co sugeruje umiarkowaną niespójność ana­
liz i z czego wynika zalecenie ostrożnej interpretacji kom­
binowanego estymatora ryzyka względnego opartego na
wszystkich badaniach. Wspomniane ryzyko względne osza­
cowano jako 1,03 (95% CI od 0,79 do 1,50), z czego wynika,
że nie ma dowodu istnienia prawdziwej, całkowitej różnicy
pomiędzy oboma strategiami rewaskularyzacji. Warto za­
uważyć, że we wczesnych obserwacjach prewałencja obja­
wów dławicy piersiowej była większa u pacjentów po PTCA
niż u pacjentów po CABG.
43. Przeglądy systematyczne i metaanaliza 119
 Tablica 43.1. Charakterystyka ośmiu badań zrandomizowanych przezskóniej naczyniowej angioplastyki wieńcowej oraz zabiegu pomo-
stowania aorlalno-wieńcowego.
Liczba pacjentów
Główny Pojedynczo- lub Obserwacja
Kraj badacz wielonaczyniowe CABG PTCA (lata)
Badania nad rpwaskiilaryzaria metodami
<nig'oplasivlil! pomoMiowania (CADRI) Europa A. E. Rickards Wielo 513 541 1
F.kftperyme-nt rrmdomizowanej interwencji
W leczeniu dławicy piersiowej (RITA) UK J. R. Hampton Pojedynczo (n = 456) 501 510 4,7
Wielo (n - 555)
Eksperyment w Emory. Angioplastyka
vcraua fflhlrg pomosiowaiiia (KAST) USA S. B. King Wielo 194 198 3+
NicuucG&c iKuluuia iiud imgioplastyką
i BihiPgami pomofttowania (GABI) Niemcy C. W. Hamm Wielo 177 182 1
Kk«porymont i Tuluzy (Toulouse) Francja J. Puel Wielo 76 76 2,8
nadania Medycznej Anyioplasiyki
U> CMnirgi; (MASS Brazylia W. Hueb Pojedynczo 70 72 3,2
Eksperyment Lozański (Lausanno) Szwajcaria J.-J. Goy Pojedynczo 66 68 ó,Z
KkHpnrymonr Argentyński PTCA
versus CABG (ERACD Argentyna A. Rodikmez Wielo 64 63 3,8
Adapluwuuo L pracy; Focock S. J., Henderson R. A., Rickards A. E. i in.: A meta-analysis of randomised trials comparing coronary <m-
/swpkisty with hypass surgery. Lancet, 1995, 346, 1184-1189, za zgodą Elsevier.

120 Zagadnienia dodatkowe

44 ANALIZA PRZEŻYCIA
Dane przeżycia związane są z czasem, jaki zabiera osobniko­
wi osiągnięcie badanego punktu końcowego (często, lecz nie
zawsze, śmierci), i charakteryzują je dwie następujące cechy.
• Po pierwsze, jest to okres czasu, w którym pacjent
osiąga stan końcowy, a nie fakt, czy osiągnął ten stan. Na
przykład może nas interesować czas przeżycia przyjętych
pacjentów z marskością wątroby.
• Często dane mogą być ucięte (patrz poniżej).
Standardowe metody analizy, takie jak regresja logistycz­
na lub porównanie średniego czasu potrzebnego do osiągnię­
cia stanu końcowego u pacjentów leczonych nową techniką
i bez niej, mogą dawać mylące wyniki z uwagi na dane ucię­
te. Dlatego, aby radzić sobie z takimi sytuacjami, opracowa­
no pewną liczbę technik statystycznych, znanych jako meto­
dy analizy przeżycia1.
DANE UCIĘTE
Czasy przeżycia oblicza się od pewnej daty bazowej, która od­
zwierciedla naturalny „punkt startu" badania (na przykład
czas zabiegu lub zdiagnozowania stanu), do czasu, gdy pacjent
osiąga badany punkt końcowy. Jednakże często możemy nie
wiedzieć, kiedy pacjent osiągnął punkt końcowy, a jedynie to,
C2y osiągnął punkt końcowy w czasie trwania badania. Na
przykład, w badaniu nowego leku pr2eciw infekcji HIV pacjen­
ci mogą nadal nie chorować na AIDS, gdy kończą badanie. Mo­
że tak się zdarcye, jeśli eksperyment skończy się, nim oni za­
chorują na AIDS, albo jeśli wypadną z badania przed zachoro­
waniem na AIDS, albo jeśli umrą przed końcem obserwacji
1
Collett D.: Modelling Survival Data in Medical Research. Chap­
man and Hall/CRC, Londyn 2003.
Lata po przyjęciu
Rycina 44.1. Czasy przeżycia 105 pacjentów przyjętych z marsko­
ścią wątroby. Kółka wypełnione wskazują pacjentów, którzy zmarli,
kotka niewypełnione wskazują pacjentów, którzy żyli w momencie
zakończenia obserwacji.
z innych powodów niż AIDS. Takie dane określa się jako pra­
wostronnie ucięte. O tych pacjentach wiemy, że nie osiągnęli
punktu końcowego, kiedy po raz ostatni byli poddani obserwa­
cji, i ta informacja powinna zostać włączona do analizy.
Tam, gdzie obserwacja nie rozpoczęła się do czasu osią­
gnięcia daty odniesienia początkowej, czasy przeżycia mogą
być także lewostronnie ucięte.
PREZENTACJA DANYCH PRZEŻYCIA
• Dla każdego pacjenta narysowana jest osobna, pozioma li­
nia, której długość wskazuje na czas przeżycia. Linie ryso­
wane są od lewej strony do prawej, a ci pacjenci, którzy osią­
gnęli punkt końcowy, mogą być odróżnieni od tych uciętych
różnymi symbolami umieszczonymi na końcu linii (rycina
44.1). Jednakże te wykresy nie podsumowują danych i trud­
no jest ocenić przeżycie całościowo.
• Krzywe przeżycia, zwykle obliczane metodą Kaplana-
-Meiera, ukazują skumulowane prawdopodobieństwo (praw­
dopodobieństwo przeżycia) osobników, którzy nie osiągnęli
stanu końcowego w żadnym czasie od chwili początkowej (ry­
cina 44.2). Prawdopodobieństwo przeżycia zmieni się tylko
wtedy, gdy pojawi się punkt końcowy, i dlatego powatająoa
w ten sposób „krzywa" jest rysowana jako seria schodków.
Alternatywna metoda obliczania prawdopodobieństwa prze­
życia, przy użyciu tablic przeżycia, może zostać użyta, gdy
czas do osiągnięcia punktu końcowego jest znany wyłącznie
w obrębie pewnego interwału czasowego (np. w obrębie roku).
Obliczanie prawdopodobieństwa przeżycia za pomocą każdej
z metod jest proste, lecz czasochłonne, i łatwo może być wy­
konane przy użyciu większości pakietów statystycznych.
PODSUMOWANIE PRZEŻYCIA
Często podsumowujemy przeżycie przez podanie prawdo­
podobieństwa przeżycia (z przedziałami ufności) w pew­
nych punktach czasowych na krzywej, na przykład, czę-
Lata po przyjęciu
Liczba w grupie ryzyka w każdej chwili
HVP6<16 46 33 22 11 9 5
WPG s 16 59 41 20 10 4 9
Rycina 44.2. Krzywe Kaplana-Meiera pokazujące prawdopodobień­
stwo przeżycia po przyjęciu z powodu marskości wgtroby. wyrażone
w procentach, po stratyfikacji na podstawie wyjściowego pomiaru
HVPG.
44. Analiza przeżycia 121
stość przeżycia pacjentów 5 lat po leczeniu raka piersi. Al­
ternatywnie można podawać medianę czasu do osiągnięcia
punktu końcowego (czas, który przekroczyło 50% osobni­
ków).
PORÓWNYWANIE PRZEŻYCIA
Czasami chcemy określić wpływ na przeżycie pewnej liczby
badanych czynników, na przykład leczenia, stopnia ciężkości
choroby. Można wykreślić krzywe przeżycia osobno dla pod­
grup pacjentów; pozwalają one na ocenę wizualną, czy róż­
ne grupy pacjentów osiągają punkt końcowy z różnymi czę­
stościami (rycina 44.2). Możemy też testować w sposób for­
malny, czy istnieją istotne różnice w zmianie częstości po­
między grupami, na przykład przy użyciu testu log-rank lub
modeli regresyjnych.
Test log-rank
Ten nieparametryczny test dotyczy hipotezy, że nie ma róż­
nic w czasach przeżycia w badanych grupach, i porównuje
zdarzenia zachodzące w każdej chwili na krzywej przeżycia.
Używając testu log-rank, nie możemy za jednym razem oce­
nić niezależnego wpływu na punkt końcowy więcej niż jed­
nego czynnika.
Modele regresyjne
Możemy stworzyć model regresyjny, kwantyfikujący związki
pomiędzy jednym czynnikiem lub większą ich liczbą a przeży­
ciem. W każdej chwili t osobnik i ma chwilowe ryzyko osią­
gnięcia punktu końcowego [znane często pod nazwą hazardu
lub 1,-M], pod warunkiem że jeszcze go nie osiągnął. Na przy­
kład, jeżeli punktem końcowym jest śmierć, hazard jest ryzy­
kiem śmierci w chwili t. Ten chwilowy hazard jest zwykle
bardzo mały i mało interesujący. Jednakże możemy chcieć się
dowiedzieć, czy we wszystkich punktach czasowych istnieją
jakieś systematyczne różnice w hazardzie między osobnikami
o różnych charakterystykach. Na przykład, czy hazard jest
ogólnie zredukowany u osobników leczonych nową techniką
w porównaniu z osobnikami leczonymi placebo, jeśli weźmie­
my pod uwagę inne czynniki, takie jak wiek lub ciężkość cho­
roby?
122 Zagadnienia dodatkowe
Do testowania niezależnych efektów pewnej liczby zmien­
nych wyjaśniających (czynników) możemy użyć modelu pro­
porcjonalnych hazardów wg Coxa. Ma on postać:
gdzie kj(t) jest hazardem dla osobnika i w chwili
jest arbitralnym hazardem bazowym (którym nie jeeteśmy za-
interesowani), są zmiennymi wyjaśniającymi
w modelu, a są odpowiadającymi im współczynni­
kami. Estymatory tych parametrów otrzymujemy,
stosując technikę maksymalnej wiarygodności, znanej jako
cząstkowa wiarogodność. Eksponenty tych wartości (np.
exp są oszacowanymi wartościami hazardu względ­
nego lub stosunku hazardów. Dla szczególnej wartości x^ sto­
sunek hazardu jest oszacowanym hazardem choroby dla (xx +
+ 1) w stosunku do estymowanego hazardu dla xu po skory­
gowaniu ze względu na wszystkie pozostałe x w równaniu.
Hazard względny jest interpretowany w podobny sposób jak
iloraz szans w regresji logistycznej (rozdział 30) lub częstość
względna w regresji Poissona (rozdział 3D, dlatego wartości
powyżej jeden oznaczają zwiększony hazard, wartości poniżej
jeden — zmniejszony hazard, a wartości równe jeden — że nie
ma zwiększonego lub zmniejszonego hazardu osiągnięcia
punktu końcowego. Dla hazardu względnego można obliczyć
przedział ufności oraz przeprowadzić test istotności, aby ossa~
cować, na ile różni się od wartości jeden.
Założono, że w tym modelu hazard względny jest stały
w czasie (tzn. hazardy w grupach, które mają być porówna­
ne, są proporcjonalne). Warunek ten trzeba sprawdzić albo
przy pomocy metod graficznych, albo przez włączenie inter­
akcji między wspótzmienną oraz log(czasu) w modelu i prze­
konanie się, że jest ona nieistotna1.
Do opisu danych przeżycia można też użyć innych modeli,
np. Eksponencjalnego, Weibulla lub Gompertza, przy czym
każdy z nich zakłada specyficzny rozkład prawdopodobień­
stwa funkcji hazardu. Wykraczają one jednak poza zakres te­
matyczny tej książki1.
1
Collett, D.: Modelling Survival Data in Medical Research. Chap­
man and Hall/CRC, Londyn 2003.
PRZYKtAD
Wiadomo, że wysokość ciśnienia w żyle wrotnej (HVPG)
jest związana ze stopniem ciężkości marskości wątroby
wywołanej alkoholizmem, lecz rzadko stosuje się ją jako
predyktor przeżycia pacjentów z marskością. W celu osza­
cowania przydatności klinicznej tego pomiaru 105 pacjen­
tów przyjętych do szpitala z marskością wątroby poddano
flebografii wątrobowej i obserwowano przez okres o me­
dianie równej 566 dni. Losy tych pacjentów zilustrowano
na rycinie 44.1. W okresie obserwacji zmarło 33 pacjen­
tów. Krzywe Kaplana-Meiera ukazują skumulowany pro­
cent przeżycia w każdej chwili od początku obserwacji,
osobno dla osobników, u których HVPG było mniejsze niż
16 mm Hg (wartość uprzednio sugerowana jako dostarcza­
jąca znaczącej informacji prognostycznej), i dla tych, u któ­
rych HVPG wynosiło 16 mm Hg lub więcej (rycina 44.2).
Komputerowy wynik testu log-rank zawierał następu­
jącą informację:
Tost Chi-kwadrat df Wartość p
Log-rank 5,2995 1 0,0213
Istnieje zatem istotna różnica (p = 0,02) między czasa­
mi przeżycia w obu grupach. Trzy lata po przyjęciu nadal
żyło 73,1% pacjentów z niskimi wartościami pomiaru
HVPG, w porównaniu z 49,6% pacjentów z wartościami
wyższymi (rycina 44.2).
W celu stwierdzenia, czy związek len może być wytłu­
maczony różnicami w znanych czynnikach progno­
stycznych i demograficznych, użyto modelu represyjnego
proporcjonalnego hazardu wg Coxa. Uwzględniono w nim
dwadzieścia zmiennych demograficznych, klinicznych
i markerów laboratoryjnych. Metody graficzne sugerowa­
ły, że dla tych zmiennych rozsądne jest założenie propor­
cjonalnego hazardu. Do wyboru optymalnego modelu uży­
to procedury selekcji krokowej (rozdział 33), a wyniki
przedstawiono w tablicy 44.1.
Wyniki w tablicy 44.1 wskazują, że podwyższone HVPG
pozostaje niezależnie związane z krótszymi czasami prze­
życia, po skorygowaniu ze względu na inne czynniki, o któ­
rych wiadomo, że są związane z gorszymi wynikami.
W szczegómości osobnicy z HVPG 16 mm Hg lub wyższym
mieli 2,46 (= exp[0,90}) razy wyższe ryzyko śmierci
w porównaniu z osobnikami z niższymi poziomami HVFG
(p = 0,04), po dokonaniu korekcji ze względu na pozostałe
czynniki. Innymi słowy, u tych osobników ryzyko śmierci
wzrosło o 146%. W dodatku wzrost czasu protnmibinowego
(ryzyko rośnie o 5% z każdą dodatkową sekundą), wzrost po­
ziomu bilirubiny (ryzyko rośnie o 5% z każdymi 10 dodntko
wymi mmol/1), obecność wodobrztisza (ryzyko rośnie
o 126% z każdą jednostką wzrostu) oraz wcześniejsze dłu­
goterminowe leczenie endoskopowe (ryzyko rośnie o 246%),
były niezależnie i istotnie związane z wynikiem.

Tablica 44.1. Wyniki analizy regresji metodą proporcjonalnego hazardu Coxa.

Oszamwaiiip JKiJKUnTit
Estymator Błąd względnego wz£lu(lii(j£0
Zmienna (i kodowanie) df parametru standardowy Wartość p
IIVPG* <0 = <16, 1 = > 16 nim Hg) 1 0,90 0,44 0,04 2.46 (UB-aS.'))
Czas pretrombinowy (sekund) 1 0,05 0,01 0,0002 1,0.1 (i,02-1,07)
Diliiubiuu (10 mmol/D 1 0,05 0,02 0,04 1.0.1 (1.00-1.10)
Puchlina breuszna (0 = brak,
1 = łagodna, 2 = umiarkowana/ciężka) 1 0,82 0,18 0,0001 2,26 (1,56-3,24)
Wezsśniejsza długoterminowa terapia
eiidostopowa (0 = nie, 1 = tak) 1 1,24 0,41 0,003 3,48 (1.S4-7JW

HVPC - wysokość ciśnienia w żyle wrotnej.

Dano otrzymane dzięki uprzejmości: dr D. Patch i prof. A. K. Burroughs, Liver Unit, Royal Free Hospital, Londyn, Wielka Brytania.

44. Analiza przeżycia 123

45 METODY BAYESOWSKIE

PODEJŚCIE CZĘSTOŚCIOWE Twierdzenie Bayesa

Przypuśćmy, że badamy hipotezę (np. że efekt leczenia rów­
Opisane w tej książce testy hipotez oparte są na częstościo-
ny jest jakiejś wartości). Twierdzenie Bayesa dokonuje kon­
wym podejściu do prawdopodobieństwa (rozdział 7) i wnio­
wersji prawdopodobieństwa a priori opisującego wiarę
skowaniu na temat tego, ile razy powinno pojawić się zdarze­
osobnika W hipotezę p r z e d p r z e p r o w a d z e n i e m badania,
nie, jeżeli powtórzymy eksperyment wielką liczbę razy. Podej­
w prawdopodobieństwo a posteriori, opisujące wiarę po
ście to jest czasami krytykowane z następujących powodów.
przeprowadzeniu badania. Prawdopodobieństwo a posteriori
• Wykorzystuje się w nim jedynie informację uzyskaną
jest tak naprawdę prawdopodobieństwem warunkowym hi­
z kieżącego badania i nie włącza się do procesu wnioskowa­
potezy, po uwzględnieniu wyników z badania. Twierdzenie
nia żadnej innej informacji na temat badanego efektu, np. po­
Bayesa określa, że prawdopodobieństwo a posteriori jest
glądu lekarza na temat względnej efektywności dwóch tera­
proporcjonalne do prawdopodobieństwa a priori, pomnożo­
pii przed podjęciem eksperymentu klinicznego.
nego przez wartość prawdopodobieństwa obserwowanych
• Nie odnosimy się w nim do najbardziej interesujących wyników, które opisuje możliwość przyjęcia wyników, o ile
problemów. Przy porównywaniu leków zazwyczaj rzeczywi­ hipoteza jest prawdziwa (rozdział 32).
ście chcemy wiedzieć, czy jeden lek jest bardziej skuteczny
niż inny. Jednakże w podejściu częstościowym testujemy hi­
potezę, że oba leki są równie skuteczne. Chociaż wnioskuje­ TESTY DIAGNOSTYCZNE
my, że jeden lek jest lepszy od drugiego, jeżeli wartość p jest W UJĘCIU BAYESOWSKIM
mała, to prawdopodobieństwo (tj. wartość p) opisuje raczej
szanse otrzymania obserwowanych wyników, gdy leki są Niemal wszyscy klinicyści przy stawianiu diagnozy intuicyj­
równie skuteczne, niż szansę, że jeden lek jest skuteczniej­ nie stosują podejście Bayesowskie. Budują wizerunek pa­
szy niż inny (tym interesujemy się naprawdę). cjenta na podstawie historii klinicznej i/lub obecności symp­
• W podejściu tym nadmierną wagę przywiązuje się do tomów i oznak. W ten sposób decydują o najbardziej praw­
testowania hipotez oraz tego, czy wynik jest, czy nie jest dopodobnej diagnozie i eliminują inne możliwości, domnie-
znaczący, zamiast do implikacji wyniku. mując, że jest mało prawdopodobne, by były one prawdziwe,
jeśli weźmie się pod uwagę to, co wiadomo o pacjencie. Na­
stępnie mogą potwierdzić lub poprawić tę diagnozę w świe­
PODEJŚCIE BAYESOWSKIE tle nowych dowodów, np. jeżeli pacjent reaguje na leczenie
Alternatywne podejście do wnioskowania, Bayesowskie1,
odzwierciedla osobisty stopień wiary osobnika w hipotezę,
oparty, gdy to możliwe, na znanej już informacji. Osobnicy
zazwyczaj różnią się stopniem wiary w hipotezę; dodatkowo
ta wiara może ulegać zmianie, gdy pojawia się nowa infor­
macja. W podejściu Bayesowskim oblicza się prawdopodo­
bieństwo, że hipoteza jest prawdziwa (co jest przedmiotem
naszego zainteresowania), przez uaktualnianie uprzednich
apriorycznych opinii o hipotezie w miarę zwiększania dostę­
pu do nowych danych.

Prawdopodobieństwo warunkowe
Podstawą analiz Bayesowskich jest szczególny typ prawdopo­
dobieństwa, znany jako prawdopodobieństwo warunkowe.
Jest to prawdopodobieństwo zdarzenia występującego pod
warunkiem, że miato już miejsce inne zdarzenie. Dla ilustra­
cji rozważmy następujący przykład. Zachorowalność na hemo­
filię A w ogólnej populacji wynosi około 1 na 10 000 męskich
urodzeń. Jednakże, jeżeli wiemy, że nosicielem hemofilii jest
kobieta, zachorowalność ta wzrasta z jednego na dwa męskie
urodzenia. Dlatego prawdopodobieństwo, że męski potomek
ma hemofilię, przy założeniu, że jego matka jest nosicielką,
różni się bardzo od prawdopodobieństwa bezwarunkowego, że
będzie miał hemofilię, jeżeli nie wiadomo, czy matka jest no­
sicielką.

Rycina 45.1. Nomogram Fagana dla interpretacji diagnostycznych

wyników testu. Adaptowane z: Sackett D. L., Richardson W. S.,
Freedman L.: Bayesian statistical methods. A natura! way to as- Rosenberg W., Haynes R. ES.: Evidence-based Medicine: How to
1

sess clinical evidence. British Medical Journal, 1996, 313, 569-570. Practice and Teach EBM, Churchill-Livingstone, Londyn 1997.

124 Zagadnienia dodatkowe

lub rozwija się nowy symptom. Gdy osobnik przybywa do
kliniki, klinicysta ma zwykle pewną koncepcję na temat tego,
jakie jest prawdopodobieństwo, że osobnik ma daną jednost­
kę chorobową — prawdopodobieństwo a priori czy prawdo­
podobieństwo przed testem. Jeżeli nic więcej nie wiadomo
o pacjencie, to jest ono po prostu prewalencją choroby w po­
pulacji (rozdziały 12 i 38). W celu zmiany prawdopodobień­
stwa a priori w prawdopodobieństwo a posteriori możemy
użyć twierdzenia Bayesa. Można to najprościej uzyskać po­
przez włączenie do twierdzenia Bayesa stosunku wiarygod­
ności (rozdział 32), opartego na informacji z najnowszych ba­
dań (np. na wynikach testu diagnostycznego). Stosunek wia­
rygodności dodatniego wyniku testu jest szansą otrzymania
wyniku dodatniego, jeżeli pacjent miał chorobę, podzieloną
przez szansę otrzymania takiego wyniku, jeżeli tej choroby
nie miał. Omawiałyśmy stosunek wiarygodności w tym kon­
tekście w rozdziale 38 i pokazałyśmy, że można go użyć do
określenia przydatności testu diagnostycznego. Użyjemy go
teraz do wyrażenia twierdzenia Bayesa w kategoriach szans
(rozdział 16):
Szansa choroby a posteriori = szansa a priori x stosunek
wiarygodności dodatniego
wyniku testu,
gdzie
. . prawdopodobieństwo a priori
szansa a priori - — . rafinowanych pakietów statystycznych, które wymagają dużej
(1 -prawdopodobieństwo a priori)
Szansę a posteriori można prosto obliczyć, lecz dla ła­
twiejszej interpretacji zamieniamy szanse z powrotem na
prawdopodobieństwo, korzystając z relacji:
„ , , ,. . , . . . szansa a posteriori
Prawdopodobieństwo a posteriori = .
(1 + szansa a posteriori)
PRZYKŁAD
W przykładzie w rozdziale 38 pokazałyśmy, że u biorców
szpiku kostnego obciążenie wirusem powyżej 5 log]0 geno­
mów/ml daje optymalną czułość i swoistość testu predykcji
rozwoju ciężkiej choroby klinicznej. Iloraz wiarygodności
testu dodatniego dla tej wartości odcięcia wynosił 13,3. Je­
żeli uważamy, żo prcwalencja ciężkiej choroby jako wyniku
zakażenia cytomegalowirusem (CMV) po przeszczepieniu
szpiku kostnego wynosi około 33%, prawdopodobieństwo
aprioryczne ciężkiej choroby u tych pacjentów wynosi 0,33.
Szansa o priori - 0,33/0,67 = 0,493.
Szansa a posteriori - 0,493 x stosunek prawdopodo­
bieństwa = 0,493 x 13,3 = 6,557.
Prawdopodobieństwo a posteriori = 6,557/(1 + 6,557)
= 6,557/7,557 = 0,868.
Dlatego, jeżeli osobnik ma obciążenie CMV powyżej
5 log10 genomów/ml. i jeżeli przyjmiemy, że prawdopodo­
bieństwo przed testem ciężkiej choroby wynosi 0,33
Prawdopodobieństwo a posteriori lub prawdopodobień­
stwo po teście jest prawdopodobieństwem, że pacjent ma
chorobę, oszacowanym, gdy znane są już dodatnie wyniki te­
stu. Jest ono podobne do dodatniej wartości predykcyjnej
(rozdział 38), lecz bierze pod uwagę prawdopodobieństwo
a prbri, że osobnik ma chorobę.
Prostszym sposobem wykonania tych obliczeń jest nomo-
gram Fagana (patrz rycina 45.1): łącząc prawdopodobieństwo
przed testem (wyrażone w procentach) ze stosunkiem wiary­
godności i przedłużając tę linię, możemy obliczyć prawdopo­
dobieństwo po teście.
WADY METOD BAYESOWSKICH
W każdej analizie Bayesowskiej trzeba określić prawdopodo­
bieństwo a priori hipotezy (np. prawdopodobieństwo przed
testem, że pacjent ma chorobę). Z subiektywnej natury tych
prawdopodobieństw wynika, że poszczególni badacze i klini­
cyści mogą dla nich wybierać różne wartości. Z tego powodu
metody Bayesowskie są często krytykowane jako arbitralne.
Gdy najświeższe dowody z badań (np. wiarygodność) są bar­
dzo silne, wpływ informacji apriorycznej jest minimalny
(w krańcowym przypadku wyniki w ogóle nie będą zmienio­
ne przez informację aprioryczną).
Obliczenia stosowane w wielu analizach Bayesowskich są
skomplikowane i zwykle przeprowadza się je za pomocą wy­
mocy obliczeniowej komputera. Dlatego, mimo że aą intuicyj­
ne, metody bayesowskie nie są szeroko wykorzystywano.
Jednak dostępność komputerów osobistych o duaej mocy
oznacza, że ich użycie stanie się bardziej powszechne i
(tj. 33%), wtedy wierzymy, że osobnik ma H7% szans roz­
woju ciężkiej choroby. Można to również oszacować bezpo­
średnio z nomogramu Fagana (rycina 43.1) poprzez pola-
czenie prawdopodobieństwa przed testem równego 33%
z ilorazem wiarygodności równym 13,3 i przedłużenie linii
do przecięcia z osią prawdopodobieństwa po toście. Jeżeli
natomiast uważamy, że prawdopodobieństwo tego, że
osobnik zachoruje na ciężką chorobę, wynosi tylko 0,2
(tj. prawdopodobieństwo przed testem wynosi 20%), wte­
dy prawdopodobieństwo po teście będzie równe 77%.
W obu przypadkach prawdopodobieństwo po tośeie jest
znacznie wyższe niż prawdopodobieństwo przed lesiem,
co wskazuje na przydatność dodatniego wyniku lesiu. Co
więcej, oba rezultaty wskazują, że pacjent ma wysokie ry
zyko zachorowania na ciężka chorobę po transplantacji
i rozpoczęcie terapii przeciw CMV może być sensowne.
Dlatego też, mimo że prawdopodobieństwa aprioryczne
bardzo się różnią, to w każdym przypadku ogólny wniosek
pozostaje taki sam.
45. Metody Bayesowskie 125
DODATEK A: TABLICE STATYSTYCZNE
Dodatek ten zawiera tablice statystyczne omówione W tek­
ście. Zamieszczamy tylko pewien zakres wartości p, gdyż da­
ne zazwyczaj analizowane są za pomocą komputera, a warto­
ści p włączane do wyników. Inne podręczniki, takie jak
1
Fiehera i Yatesa , zawierają bardziej rozbudowane tablice.
Wartości p możemy otrzymać bezpośrednio z niektórych pa­
kietów komputerowych, podając wartość statystyki testowej.
Puste komórki w tablicy wskazują, że wartości nie istnieją.
Tablica Al zawiera dwustronne prawdopodobieństwo
rozkładu zmiennej Ą która podlega standaryzowanemu roz­
kładowi normalnemu. Wartości p w Tablicy Al odnoszą się
do wartości bezwzględnych z, tak więc gdy z jest ujemne,
pomijamy znak. Na przykład, jeżeli statystyka testowa pod­
legająca standaryzowanemu rozkładowi normalnemu ma
wartość 1,1, to p = 0,271.
Tablica A2 i Tablica A3 zawierają dwustronne prawdo­
podobieństwo dla zmiennej podlegającej rozkładowi f (Tabli­
ca A2) lub rozkładowi Chi-kwadrat (Tablica A3) z określoną
liczbą stopni swobody (df). W Tablicy A2 i Tablicy A3, gdy
wartość bezwzględna statystyki testowej (z określoną liczbą
stopni swobody df) leży pomiędzy wartościami stabelaryzo-
wanymi w dwóch kolumnach, wtedy dwustronna wartość p
leży pomiędzy wartościami p wyspecyfikowanymi w nagłów­
kach tych kolumn. Gdy wartość statystyki testu jest na pra­
wo od ostatniej kolumny, p < 0,001; jeżeli jest na lewo od
drugiej kolumny, p > 0,10. Na przykład, (i) Tablica A2: jeżeli
wartość statystki testu wynosi 2,62 z df - 17, wtedy
0,01 •> p % 0,05; (ii) Tablica A3: jeżeli wartość statystyki
testu wynosi 2,62 z df= 17, wtedy p < 0,001.
Tablica A4 zawiera często używane wartości p i odpowia­
dające im wartości dla z, zmiennej o standaryzowanym roz­
kładzie normalnym. Tablicy tej można użyć przy obliczaniu
mnożników do wyznaczania przedziałów ufności (CI) dla
zmiennych o rozkładzie normalnym. Na przykład, dla 95%
przedziału ufności mnożnik wynosi 1,96.
Tablica A5 zawiera wartości p dla zmiennej podlegającej
rozkładowi Fz określoną liczbą stopni swobody dla licznika
i mianownika. Gdy porównujemy wariancje (Rozdział 35), uży­
wamy zazwyczaj wartości dwustronnego prawdopodobień­
stwa p. Do analizy wariancji (rozdział 22) używamy wartości
jednostronnego prawdopodobieństwa p. Przy danej liczbie
stopni swobody dla licznika i mianownika test jest istotny na
poziomie p podanym w tablicy, gdy wartość statystyki testu
jest większa niż stabelaryzowana wartość. Na przykład, jeżeli
statystyka testu wynosi 2,99 z df - 5 w liczniku i df = 15
w mianowniku, wtedy p < 0,05 dla testu jednostronnego.
Tablica A6 zawiera dwustronne wartości p testu znaków
z r odpowiedzi szczególnego typu spośród całkowitej liczby
1
Fisher R. A., Yates F.: Statistical Tablesfor Biological, Agricultu-
ral and Medical Research. 01iver and Boyd, Edinburgh 1963.
126 Dodatki
ri odpowiedzi. Dla testu jednopróbkowego r równa się licz­
bie wartości powyżej (lub poniżej) mediany (rozdział 19). Dla
testu zmiennych powiązanych r równa się liczbie dodatnich
(lub ujemnych) różnic (rozdział 20) albo liczbie preferencji
szczególnego typu leczenia (rozdział 23). ri równa się odpo­
wiednio liczbie wartości, które nie sa równe medianie, róż­
nicom niezerowym lub aktualnym preferencjom. Na przy­
kład, jeżeli obserwujemy trzy różnice dodatnie spośród
ośmiu różnic niezerowych, wtedy p = 0,726.
Tablica A7 zawiera rangi wartości, które wyznaczają
górne i dolne granice przybliżonych 90%, 95% i 99% prze­
działów ufności (CI) dla mediany. Na przykład, jeżeli wiel­
kość próby wynosi 23, wtedy granice 95% przedziału ufności
są określone przez 7. i 17. uporządkowaną wartość.
Dla prób o wielkościach większych niż 50 należy znaleźć
obserwacje, które odpowiadają rangom (najbliższej wartości
całkowitej) równym: (i) n/2 — z\Tn/2; oraz (ii) 1 + n/2 -t-
+ z\fn~/2; gdzie n jest wielkością próby, a z= 1,64 dla 90%
CI, z = 1,96 dla 95% CI, oraz z = 2,58 dla 99% CI (wartości
z wzięto z tablicy A4 standaryzowanego rozkładu normalne­
go). Te obserwacje definiują (i) dolną i (ii) górną granicę prze­
działu ufności dla mediany.
Tablica A8 zawiera wartości dla sumy rang (T lub T_),
która określa istotność testu rangowanych znaków Wilcosc-
na (Rozdział 20). Jeżeli suma rang różnic dodatnich (T+) lub
ujemnych (71), pochodzących spośród ri niezerowych różnie,
jest równa lub jest poza stabelaryzowanymi granicami, test
jest istotny dla podanej wartości p. Na przykład, gdy mamy
16 niezerowych różnic, a T+ = 21, wtedy 0,01 c p <0,05.
Tablica A9 zawiera zakres wartości dla sumy rang (T)
określającej istotność testu sumy rang Wilcoxona (rozdział 21)
na poziomie (a) 5% i (b) 1%. Przypuśćmy, że mamy dwie próby
o wielkościach ns i nu gdzie ns ^ nL. Jeżeli suma rang w mniej­
szej grupie ins) jest równa wartościom stabelaryzowanym lub
wykracza poza ich zakres, test jest istotny na poziomie (a) 5%
lub (b) 1%. Na przykład, jeżeli ns = 6 i nL - 8, a suma rang
w grupie z sześcioma obserwacjami wynosi 39, to p > 0,05.
Tablica A10 i Tablica Ali zawierają dwustronne warto­
ści p dla współczynników korelacji Pearsona (Tablica A10)
i Spearmana (Tablica Al 1), gdy testujemy hipotezę zerową, że
współczynnik korelacji jest równy zero (rozdział 26). Dla
określonej wielkości próby współczynnik jest istotny przy
ustalonej wartości p, gdy wartość bezwzględna (tj. bez
uwzględnienia znaku) współczynnika korelacji w próbie prze­
kracza wartość tablicową. Na przykład, jeżeli wielkość próby
wynosi 24, a współczynnik korelacji Pearsona r = 0,58, wte­
dy 0,001 < p < 0,01. Jeżeli wielkość próby wynosi 7, a współ­
czynnik korelacji Spearmana rs = -0,63, wtedy p > 0,05.
Tablica A12 cyfry 0-9 ustawiono w porządku losowym.
Tablica Al. Tablica A2. Rozkład t. Tablica A3. Rozkład Chi-kwadrat.
Standaryzowany
rozkład normalny.

Uzyskane przy użyciu Microsoft Excel wersja 5.0

Uzyskane przy użyciu Uzyskane przy użyciu Microsoft Exeel wersja S.O.
Microsoft Excel
wersja 5.0.
Tablica A4. Standaryzowany rozkład normalny. Tablica A6. Test znaków.

Dwustronna wartość p r = liczba „dodatnich różnic" (patrz wyjaśnienie)

0,50 0,10 0,05 0,01 0,001 n' 0 1 2 3 4 5

Odpowiedni przedział 4 0,125 0,624 1,000

ufności (Cl) 50% 90% 95% 99% 99,9% 5 0,062 0,376 1,000
sit), mnożnik CD 0,67 1,64 1,96 2,58 3,29
6 0,032 0,218 0,688 1,000
Uzyskane przy użyciu Microsoft Excel wersja 5.0. 7 0,016 0,124 0,454 1,000
8 0,008 0,070 0,290 0,726 1,000
9 0,004 0,040 0,180 0,506 1,000
10 0,001 0,022 0,110 0,344 0,754 1,000

Uzyskane przy użyciu Microsoft jlxcel wersja 5.0.

Tablica A5. Rozkład F.

Liczba stopni swobody licznika

Liczba stopni Dwu­ Jedno­
swobody stronna stronna
mianownika •wartość p "wartość p 1 2 3 4 5 6 7 8 9 10 15 25 500

1 0,05 0,025 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,6 963,3 968,6 984,9 998,1 1017,0
1 0,10 0,05 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 245,9 249,3 254,1
2 0,05 0,025 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,43 39,46 39,50
2 0,10 0,05 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,43 19,46 19,49
3 0,05 0,025 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,25 14,12 13,01
3 0,10 0,05 10,13 9,55 9.28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70 8,63 8,03
k 0.05 0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,50 8,27
4 0,10 0,05 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86 5,77 5,64
5 0,05 0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,27 6.03
5 0,10 0,05 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62 4,52 4,07
6 0,03 0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5.11 4,86
6 0,10 0,05 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94 3,83 3,68
r7 0,05
0,10
0,025
0,05
8,07
5,59
6,54
4,74
5,89
4,35
5,52
4,12
5,29
3,97
5,12
3,87
4,99
3,79
4,90
3,73
4,82
3,68
4,76
3,64
4,57
3,51
4,40
3,40
4,16
3,24
8 0,05 0.025 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 3,94 3,68
S 0,10 0,05 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22 3,11 2,94
9 0,05 0,025 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,60 3,35
9 0,10 0,05 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01 2,89 2,72
10 0,05 0,025 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,35 3,09
10 0,10 0,05 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85 2,73 2,55

15 0,05 0,025 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,69 2,41
15 0,10 0,05 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,28 2,08
20 0,05 0,025 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,40 2.10
20 0,10 0,05 4,35 3,49 3.10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20 2,07 1,86
30 0,05 0,025 5,57 4,18 3.59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,12 1,81
30 0,10 0,05 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01 1,88 1,64
50 0,05 0,025 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,92 1,57
50 0,10 0,05 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87 1,73 1,46
100 0,05 0,025 5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 1,97 1,77 1,38
100 0,10 0,05 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77 1,62 1,31
1000 0,05 0,025 5,04 3,70 3,13 2,80 2,58 2,42 2,30 2,20 2,13 2,06 1,85 1,64 1,16
1000 0,10 0,05 3,85 3,00 2,61 2,38 2,22 2,11 2,02 1,95 1,89 1,84 1,68 1,52 1,13

Uzyskane przy użyciu Microsoft Excel wersja 5.0.

128 Dodatki
Tablica A7. Rangi dla przedziałów ufności dla mediany. Tablica A8. Test rangowanych znaków Wilcoxona.

Przybliżenie Dwustronna wartość p

Wielkość próby 90% CI 95% CI 99% CI n' 0,05 0,01 0,001
6 1,6 1,6 — 6 0-21 — —
7 1,7 1,7 - 7 2-26 - -
8 2,7 1,8 - 8 3-33 0-36
9 2,8 2,8 1,9 9 5-40 1-44 -
10 2,9 2,9 1,10 10 8-47 3-52 -
11 3,9 2,10 1,11 11 10-56 5-61 0-66
12 3,10 3,10 2,11 12 13-65 7-71 1-77
13 4,10 3,11 2,12 13 17-74 9-82 2-89
14 4,11 3,12 2,13 14 21-84 12-93 4-101
15 4,12 4,12 3,13 15 25-95 15-105 6-114
16 5,12 4,13 3,14 16 29-107 19-117 9-127
17 5,13 4,14 3,15 17 34-119 23-130 11-142
18 6,13 5,14 4,15 18 40-131 27-144 14-157
19 6,14 5,15 4,16 19 46-144 32-158 18-172
20 6,15 6,15 4,17 20 52-158 37-173 21-189
21 7,15 6,16 5,17 21 58-173 42-189 26-205
22 7,16 6,17 5,18 22 66-187 48-205 30-223
23 8,16 7,17 5,19 23 73-203 54-222 35-241
24 8,17 7,18 6,19 24 81-219 61-239 40-260
25 8,18 8,18 6,20 25 89-236 68-257 45-280
26 9,18 8,19 6,21
27 9,19 8,20 7,21 Adaptowany za zgodą z Altman D. G.: Practical Statistics for Medi-
28 10,19 9,20 7,22 cal Research. Copyright CRC Press, Boca Raton 1991.
29 10,20 9,21 8,22
30 11,20 10,21 8,23
31 11,21 10,22 8,24
32 11,22 10,23 9,24
99 12,22 11,23 9,25
34 12,23 11,24 9,26
35 12,23 12,24 10,26
36 13,24 12,25 10,27
37 14,24 13,25 11,27
38 14,25 13,26 11,28
39 14,26 13,27 11,29
40 15,26- 14,27 12,29
41 15,27 14,28 12,30
42 16,27 15,28 13,30
43 16,28 15,29 13,31
44 17,28 15,30 13,32
45 17,29 16,30 14,32
46 17,30 16,31 14,33
47 18,30 17,31 15,33
48 18,31 17,32 15,34
49 19,31 18,32 15,35
50 19,32 18,33 16,35

Uzyskane przy użyciu Microsoft Excel wersja 5.0.

Dodatek A: Tablice statystyczne 129

Tablica A9(a). Test sumy rang Wilcoxona dla dwustronnego p = 0,05.

ns (liczba obserwacji w mniejszej próbie

nL 4 5 6 7 8 9 10 11 12 13 14 15
4 10-26 16-34 23-43 31-53 40-64 49-77 60-90 72-104 85-119 99-135 114-152 130-170
5 11-29 17-38 24-48 33-58 42-70 52-83 63-97 75-112 89-127 103-144 118-162 134-181
6 12-3Z 18-42 26-52 34-64 44-76 55-89 66-104 79-119 92-136 107-153 122-172 139-191
7 13-35 20-45 27-57 36-69 46-82 57-96 69-111 82-127 96-144 111-162 127-181 144-201
8 14-38 21-49 29-61 38-74 49-87 60-102 72-118 85-135 100-152 115-171 131-191 149-211
9 14-42 22-53 31-65 40-79 51-93 62-109 75-125 89-142 104-160 119-180 136-200 154-221
10 15-45 23-57 32-70 42-84 53-99 65-115 78-132 92-150 107-169 124-188 141-209 159-231

11 16-48 24-61 34-74 44-89 55-105 68-121 81-139 96-157 111-177 128-197 145-219 164-241
12 17-51 26-64 35-79 46-94 58-110 71-127 84-146 99-165 115-185 132-206 150-228 169-251
19 18-54 27-G8 37-83 48-99 60-116 73-134 88-152 103-172 119-193 136-215 155-237 174-261
14 19-57 28-72 38-88 50-104 62-122 76-140 91-159 106-180 123-201 141-223 160-246 179-271
15 20-60 29-76 40-92 52-109 65-127 79-146 94-166 110-187 127-209 145-232 164-256 184-281

Tablica A9(b), Test sumy rang Wilcoxona dla dwustronnego p = 0,01.

ns (liczba obserwacji w mniejszej próbie

nL 4 5 6 7 8 9 10 11 12 13 14 15
4 - - 21-45 28-56 37-67 46-80 57-93 68-108 81-123 94-140 109-157 125-175
5 - 15-40 22-50 29-62 38-74 48-87 59-101 71-116 84-132 98-149 112-168 128-187
6 10-34 16-44 23-55 31-67 40-80 50-94 61-109 73-125 87-141 101-159 116-178 132-198
7 10-38 16-49 24-60 32-73 42-86 52-101 64-116 76-133 90-150 104-169 120-186 136-209
S 11-48 17-53 25-65 34-78 43-93 54-108 66-124 79-141 93-159 108-178 123-199 140-120
9 11-45 18-57 26-70 35-84 45-99 56-115 68-132 82-149 96-168 111-188 127-209 144-231
10 12-48 19-61 27-75 37-89 47-105 58-122 71-139 84-158 99-177 115-197 131-219 149-241

11 12-52 20-65 28-80 38-95 49-111 61-128 73-147 87-166 102-186 118-207 135-229 153-252
12 13-55 21-69 30-84 40-100 51-117 63-135 76-154 90-174 105-195 122-216 139-239 157-263
19 13-59 22-73 31-89 41-106 53-123 65-142 79-161 93-182 109-203 125-226 143-249 162-273
14 14-62 22-78 32-94 43-111 54-130 67-149 81-169 96-190 112-212 129-235 147-259 166-284
15 15-65 23-82 33-99 44-117 56-136 69-156 84-176 99-198 115-221 133-244 151-269 171-294

Wybrane za zgodą z pracy: Diem K. Documenta Geigy Scientific Tables, Wyd. 7, Blackwell Publishing, Oxford 1970.

130 Dodatki
Tablica A10. Współczynnik korelacji Pearsona. Tablica Ali. Współczynnik korelacji Spearmana.

5 0,878 0,959 0,991 5 1,000

6 0,881 0,917 0,974 6 0,886 1,000
7 0,755 0,875 0,951 7 0,786 0,929 1,000
8 0,707 0,834 0,925 8 0,738 0,881 0,976
9 0,666 0,798 0,898 9 0,700 0,883 0,933
10 0,632 0,765 0,872 10 0,648 0,794 0,903
11 0,602 0,735 0,847 Adaptowane z pracy: Siegel S. i Castellan N. J.: Nonparametric
12 0,576 0,708 0,823 Statistics for the Behavioural Sciences, Wyd. 2, McGraw-Hill,
13 0,553 0,684 0,801 Nowy Jork, za zgodą McGraw-Hill Companies.
14 0,532 0,664 0,780
15 0,514 0,641 0,760
16 0,497 0,623 0,742
17 0,482 0,606 0,725
18 0,468 0,590 0,708
19 0,456 0,575 0,693
20 0,444 0,561 0,679
21 0,433 0,549 0,665
22 0,423 0,537 0,652
23 0,413 0,526 0,640
24 0,404 0,515 0,629
25 0,396 0,505 0,618
26 0,388 0,496 0,607
27 0,381 0,487 0,597
28 0,374 0,479 0,588
29 0,367 0,471 0,579
30 0,361 0,463 0,570
35 0,334 0,430 0,532
40 0,312 0,403 0,501
45 0,294 0,380 0,474
50 0,279 0,361 0,451
05 0,266 0,345 0,432
60 0,254 0,330 0,414
ro 0,235 0,306 0,385
80 0,220 0,286 0,361
90 0,207 0,270 0,341
100 0,217 0,283 0,357
150 0,160 0,210 0,266

Wybrane za zgodą z pracy: Diem K. Docu.men.ta Geigy Scientific

Tables, Wyd. 7, Blackwell Publishing, Oxford 1970.
Tablica A12. Liczby losowe.

3 4 8 14 68020 2 8 9 9 8 5 16 8 7 4 0 0 8 8 3 5 4 5 8 2 4 7 0 8 0 1 8 1 5 5 3 7 7 6
9 9 10 6 50 8 9 9 0 7 3 9 4 9 10 7 1 2 2 4 11 6 16 4 3 6 4 4 3 5 6 2 5 5 2 6 4316
4 7 18 5 3 1 7 82 4 8 8 9 4 6 8 7 9 0 5 18 5 2 3 6 9 18 0 5 7 3 7 9 0 6 5 3 6 112 3
8 13 5 4 57 2 96 3 9 3 2 9 5 2 2 6 3 4 3 19 4 5 16 2 4 4 2 4 2 9 6 1 3 6 7 4 12 0 7
8 3 4 6 7 85 6 2 2 9 5 7 7 8 0 5 3 4 7 0 0 4 4 5 5 13 3 4 2 9 4 4 5 9 9 1 76 3 00 9 1
2 7 9 2 4 34 1 6 7 5 7 0 6 0 5 7 5 3 5 3 2 2 7 8 16 9 4 9 0 4 9 6 0 0 4 1 1 6 9 14 6 7
5 8 3 19 88 1 6 4 9 4 1 30 0 7 7 4 3 1 6 9 17 15 6 8 1 9 3 5 7 2 9 9 7 5 3 4 9 117
4 9 7 3 2 66702 7 2 4 2 5 9 9 117 4 9 2 9 8 8 7 2 6 5 14 1 9 5 8 3 39 1 19 7 9 4
6 9 5 9 4 26749 6 8 7 4 3 3 9 13 9 4 4 4 9 5 119 4 4 12 9 7 0 5 6 5 2 3 6 2 4 11
3 0 0 7 4 97 5 1 7 9 7 4 5 0 5 4 2 5 1 5 17 7 7 2 10 7 3 0 3 9 0 9 2 6 5 1 9 3 95 76
8 114 7 57 5 0 8 9 3 4 7 9 8 7 8 2 6 2 8 9 6 5 7 4 4 7 4 9 7 4 6 8 8 0 1 49 17834
74 6 8 9 28 9 3 3 5 9 8 1 9 9 3 0 5 2 6 13 2 5 8 3 14 5 4 4 6 8 4 7 2 9 5 8 9 18 2 4
14 8 0 2 25 9 82 4 8 0 2 4 15 4 6 1 3 7 5 7 0 4 4 6 8 5 4 7 3 8 6 0 9 5 0 4 778 3 1
G85 0 1 34 1 94 8 5 3 5 5 3 8 4 11 4 6 5 5 9 4 16 9 4 9 9 6 7 8 8 8 2 6 8 8 66 74
4 8 7 3 4 92 6 71 8 5 2 5 2 8 5 9 8 5 3 4 2 2 8 9 12 8 9 5 6 3 3 1 1 4 6 8 3 3 6 4 93
8 4 10 2 81 6 99 9 7 3 5 2 5 4 5 0 9 9 3 19 6 5 12 0 4 4 3 3 5 1 1 1 8 1 8 4 1179
2 8 4 3 2 32 8 7 3 8 3 8 3 4 0 9 8 6 2 1 2 7 2 0 6 4 5 6 9 4 2 2 18 2 6 7 2 6 8 0606
9 14 5 6 82 5 24 7 5 5 2 3 0 12 7 6 1 9 5 9 1 4 7 4 7 3 9 0 2 5 1 9 9 1 03 7 2 9 4 7
4 5 4 3 5 30 3 8 9 6 9 7 3 2 8 19 6 2 3 0 2 4 3 9 6 19 9 3 3 5 4 6 3 9 67Z 8 37 6 0
2 3 5 5 7 78 4 3 7 4 4 9 5 7 9 8 7 2 8 6 5 6 7 4 3 4 7 0 1 8 3 3 9 8 5 4 1 02 6 58 4 5
3 0 3 9 5 918 5 0 5 2 0 0 4 0 4 8 4 4 2 8 8 4 8 19 7 2 8 9 6 5 7 1 1 3 3 1 7 7 08 59
6 9 9 9 1 12 7 5 5 9 7 9 1 6 5 7 6 3 9 4 3 4 4 5 9 0 4 6 3 8 5 5 5 6 3 5 4 6 9 19 7 4 9
3 2 9 9 0 43 6 0 8 2 0 5 9 2 7 2 5 2 7 6 3 5 8 3 4 6 4 4 3 5 3 9 2 9 8 7 2 1 9 5 5 19 8
5 9 7 7 6 37035 5 3 7 6 5 5 5 19 6 6 8 6 5 9 7 14 2 9 2 5 2 2 5 9 1 9 4 2 5 1132
7 3 7 14 79868 2 3 8 8 0 9 2 2 5 4 7 2 9 8 4 0 7 7 9 2 8 13 0 6 2 4 2 7 7 8 23 6 6
G 1 54 7 IG 5 7 5 6 8 5 2 0 5 9 8 6 9 6 7 2 9 9 7 3 5 6 5 7 7 3 16 9 6 6 8 2 18 0 3 1
8 7 7 3 7 010 58 7 6 0 1 2 7 6 2 4 7 7 5 6 16 5 13 3 5 7 0 3 6 4 7 8 9 4 2 4 05 6 4
9 8 6 6 0 08 3 3 4 4 0 5 2 0 7 8 3 8 9 5 6 4 9 8 7 4 3 3 6 0 2 4 3 4 4 8 5 9 9 6 75 7 9
8 15 3 5 4G G 9 0 9 2 8 1 4 4 4 4 5 6 2 9 2 2 7 4 8 12 2 3 0 5 2 2 1 3 8 5 2 4 84 3 6
0 5 9 7 5 47 1 10 3 2 7 3 3 4 6 9 2 9 9 8 2 6 1 5 2 19 3 8 3 2 15 5 3 1 92 8 3 10 9

Uzyskane pr2y użyciu Microsoft Excel Wersja 5.0.

132 Dodatki
DODATEK B: NOMOGRAM ALTMANA DO OBLICZEŃ
WIELKOŚCI PRÓBY (ROZDZIAŁ 36)

Wybrane z pracy: Altman D. G. How large a sample? W: Statistics in Practice (red. S. M. Gore & D. G. Altman). DMA, Londyn 1962, m zgodą
Blackwell Publishing Ltd.

Dodatek B: Nomogram Altmana do obliczeń wielkości próby (rozdział 36) 133

DODATEK C: TYPOWE WYDRUKI KOMPUTEROWE

Analiza danych głębokości kieszonek opisana w rozdziale 20, przeprowadzona za pomocą pakietu SPSS

134 Dodatki
Analiza danych dla płytek opisana w rozdziale 22, przeprowodzana za pomocą pakietu SPSS

5% Trimmed Mean — 5% błąd oszacowania Kurtosis — Kurtoza Sig. (2-tailed) — Istotność (dwustronna)
średniej Levene Statistic — Statystyka Levene'a Skewness — Skoaność
95% Confidence Interval for Mean — 95% Lower — Dolny Statistic — Statystyka
przedział ufności dla średniej Lower Bound — Dolna granica 5td. Deviation - Odchylenie standardowe
95% Confidence Interval of the difference Mean — Średnia S t d . E r r o r — Błą^ł s t a n d a r d o w y
— 95% przedział ufności dla różnic Mean Sąuare — Średni Kwadrat Std. Error Mean — Błąd standardowy śred­
Afro-caribbean — Afrokaraibska Median — Mediana niej
Anova - ANOYA Mediterranean — Śródziemnomorska Stem-and Leaf Plot - Wykres typu „łodyga
Between Groups — Pomiędzy grupami Missing — Braki z liśćmi"
Case Processing Summary - Podsumowa­ Other — Inni Stern width — Szerokość łodygi
nie przetwarzania danych Pair — Para Sum of Squares — Suma kwadratów
Cases - Przypadki Paired Differences — Różnice powiązane Test of Homogenity of Varianees — Test
Caucasian — Kaukaska Paired Samples Statistics — Statystyka jednorodności wariancji
Descriptiyes — Statystyka opisowa prób powiązanych Total — Razem
Each leaf — Każdy liść Paired Samples Test — Test prób powiąza­ Upper — Górny
Extremes — Ekstrema nych Upper Bound — Górna granica
Prequency stem 80 Leaf — Wykres typu Percent — Procent Yalid — Ważne
„łodyga z liśćmi" dla częstości Platelet - Płytki Variance — Wariancja
Group — Grupa Rangę — Rozstęp Within Groups — Wewnątrz grup
Interąuartile Rangę — Rozstęp między- Report — Raport
kwartylowy Sig. — Istotność

Dodatek C: Typowe wydruki komputerowe 135

Analiza danych FEVI opisana w rozdziale 21, przeprowadzona za pomocą pakietu SAS

136 Dodatki
Equal — Równe Obs — Numer obserwacji Treated — Leczeni
Extremes — Ekstrema Rangę — Rozstęp Treatment Group=Placebo - Grupa =
For HO: Yariances are equal - Dla H0: Quantiles — Kwantyle Placebo
Wariancje są równe Skewness — Skośność Treatment Group=Treated — Grupa =
GRP - Grupa Std Dev — Odchylenie stand. Leczeni
Highest — Górne Std Error — Bfąd standardowy Uneąual — Nierówne
Kurtosis — Kurtoza Std Mean — Błąd standardowy średniej Univariate Procedurę — Procedura jednej
Lowest — Dolne Sum — Suma zmiennej
Mean — Średnia Sum Wgts — Suma wag Variable — Zmienna
Modę — Modalna T Test procedurę — Procedura testu t Variance — Wariancja
Moments — Momenty The SAS System - System SAS Yariances — Wariancje

Dodatek C: Typowe wydruki komputerowe 137

Analiza danych antropometrycznych opisanych w rozdziałach 26, 28 i 29 przeprowadzona za pomocą
pakietu SAS

Analysis of anthropometric data described in Topics 26, 28 and

29 generated by SAS
4 'VAH' Variables — 4 zmienne Mean Sąuare — Średni kwadrat Simple Statlstics — S t a t y s t y k a o p i s o w a
Age - Wiek Model — Model Spearman Correlation Coefficients -
Adj R-sq — Skorygowany kwadrat R ModelrMODELl - Model = MODEL 1 Współczynniki korelacji Spearmana
Analysis of Yariance - Analiza wariancji OBS — Numer obserwacji Standard Error - Biad standardowy
Correlation Analysis — Analiza korelacji Parameter Estimate — Estymator parame­ Std Dev — Odchylenie standardowe
C Total — C Razem tru Source — Żródto
Dependent Variable: SBP — Zmienna za­ Parameter Estimates — Estymatory para­ Sum — Suma
leżna; SBP metru Sum of Squares - Suma kwadratów
Dep Mean — Średnia zmiennej zależnej Pearson Correlation Coefficients —Współ­ T for HO; Parameter = 0 T dla tf0;
Error - Błąd czynniki korelacji Pearsona Parametr = 0
F Value — Wartość F R-square — Kwadrat R Variable DF — Zmienna DF
Height - Wzrost Root MSE - Pierwiastek MSE Variable — Zmienna
Intercep — Przecięcie SBP — Skurczowe ciśnienie krwi Weight — Masa
Mean — Średnia Sex — Płeć

Dodatek C: Typowe wydruki komputerowe 139

Analiza danych HHV-8 opisana w rozdziałach 23, 24 i 30, przeprowadzona przy użyciu STATA

140 Dodatki
Analiza danych na temat braku efektu terapeutycznego po leczeniu przeciwwirusowym (BETPLP)
opisanych w rozdziałach 31-33, przeprowadzona przy użyciu programu SAS
. Logit hhv8 gonorrho syphilis hsv2 hiv
age or tab — . Logit hhv8 rzeżączka
syfilis hsv2 hiv wiek lub tab
95% Conf. Interral — 95% przedział ufności
Age — Wiek
Analysis Of Parameter Estimates —
Analiza estymatorów parametru
GM-Square — Chi-kwadrat
Coef. — Współczynnik
Comparison of outcomes and probabilities
— Porównanie wyników i prawdopodo­
bieństw
Constont — Stalą
Criteria For Assessing Goodness Of Fit —
Kryteria oszacowania jakości dopasowa­
nia
Criterion - Kryterium
Data S e t — Zbiór danych
Dependent Variable — Zmienna zależna
Deviance — Dewiancja
Distribution — Rozkład
Estimate — Estymator
Event —Zdarzenie
Failure — Niepowodzenie Pearson chi2, Pearson Chi-5quare — Chi 3
Gonorrho; gonorrhoe — Rzeżączka Pearsona
History — Wystąpienie Period - Okres
Interaction — Interakcja Positive — Pozytywne
Intercept — Przecięcie Scalę — Skala
Link Function — Funkcja łącząca Scaled Deviance — Dewiancja skatowana
Log Likelihood — Log wiarygodności Scaled Pearson X2 — Skalowany Chi 2
Logit Estimates — Logit oszacowanie Pearsona
LR Statistics For Type 3 Analysis — Sex - Płeć
Statystyka LR dla analizy typu 3 Source — Źródło
Model Information — Informacja S t a n d a r d Error; Std. E r r . — Błąd standar­
o modelu dowy
Negative — Ujemne Success — Sukcea
No history — Brak wystąpienia Syphilis - Syfilis
Number of obs — Liczba obserwacji Tabulatc; gonorrho hhy8, chi row col —
Observations Used — Użyte wartości Stabelaryzuj: rzeżączka hhv8, chi row col
OBS — Numer obserwacji The GENMOD Proceduro — Procedura
Odds Ratio — Iloraz szans GENMOD
Offset Variable — Zmienna offsetu Total — Razem
Outcome — Wynik Value — Wartość
Parameter — Parametr Value/DF - Wartość/DF
Patient — Pacjent Wald 95% Confidence Limit — 95% granice
PDAYS - Dni ufności statystyki Walda
Dodatek C: Typowe wydruki komputerowe 141
142 Dodatki
Analysis Of Parameter Estimates - Analiza
estymatorów parametrów
Chi-Sąnare — Chi-kwadrat
Clasa - Klasa
Class Level Information — Informacja
o poziomach klas
Criteria For Assessing Goodness Of Fit -
Kryteria oszacowania jakości dopaso­
wania
Criterion — Kryterium
Data Set — Zbiór danych
Dependent Variable — Zmienna zależna
Deviance — Dewiancja
Distribution - Rozkład
Estimate — Estymator Scaled Deviance — Skalowana dewlancja
Intercept — Przecięcie Scaled Pearson X2 - Skalowana Chi-2
Levels — Poziomy Pearsona
Link Function — Funkcja wiążąca Sex - Piec
Log Likelihood — Log wiarygodności Source - Źródło
LR Statistics For Type 3 Analysis — Standard Error — Błąd s t a n d a r d o w y
Statystyka LR dla analizy typu 3 Value - Wartość
Model Information - Informacja o modelu Values — Wartości
Observations Used — Użyte obserwacje Value/DF - Wartość/DF
Offset Variable - Zmienna offsetu Wald 95% Confidence Limits — 95% granice
Parameter — Parametr ufności statystyki Walda
Pearson Chi-Square — Chi-kwadrat
Pearsona
Scalę — Skala
Dodatek C: Typowe wydruki komputerowe 1 4 3
Analiza danych okoiozębowych użytych w rozdz. 42, uzyskanych za pomocą programu Stata
Analysis of periodontal data used in Cbapter 42, generated by Stata

. regress loa smoke — . regresja loa palenie
. regress loa smoke, robust — . regresja loa
palenie, elastyczny
95% Conf. Inteiral — 95% przedział ufności
Adj R-squared — skorygowane R2
avg — średnia
Between — Między
Between regression (regression on group
means) — Regresja na średnich grupo­
wych
Coef. — współczynnik
Correlation — Korelacja
Exchangeable — wymienna
Family — Rodzina
Fitting constant-only model — Dopasowa­
nie modelu zawierającego wyłącznie
stałą
Fitting fuli model — Dopasowanie pełnego
modelu
Gaussian — gaussowska
GEE population averaged model — Model
GEE uśrednionej populacji
Group variable — Zmienna grupowa
Group variable (i): subj — Zmienna grupowa
(i): subj
Identity — Tożsamościowa
Iteration — Iteracja
Link — Funkcja wiążąca
loa — utrata przyczepu
Log likelihood — log wiarygodności
Likelihood-ratio test of sigma_u=0
— Test stosunku wiarygodności
sigma_u=0:

144 Dodatki
Number of clusters (subj) — Liczba klaste-
rów (subj)
Number of groups — Liczba grup
Number of obs — Liczba obserwacji
Obs per group — Obserwacje w grupie
Overall — Całkowity
Random-effects ML regression — Regresja
typu ML efektów końcowych
Random effects u_i ~ Gaussian — Efekty
losowe u_i - gaussowskie
Regression with robust standard errors —
Regresja z elastycznymi błędami stan-
dardowymi
Residual — Reszta
Robust Std. Err. — Elastyczny błąd
standardowy
Root MSE — pierwiastek MSE
R-squared; R-sq — R2
Scalę Parameter — Parametr skali
Source — Źródło
Dodatek C: Typowe wydruki komputerowe
Standard errors adjusted Tor clusterincf on
subj — Skorygowane ze względu na Ma-
steryzację błędy standardowe
Std. Err. — Błąd standardowy
Smoke — Palenie
Tolerance — Tolerancja
Total — Razem
Within — Wewnątrz
145
 DODATEK D: SŁOWNICZEK TERMINÓW
STATYSTYCZNYCH
-2 log wiarygodność -4 statystyka ilorazu wiarygodności.
Analiza dyskryminacyjna — metoda zbliżona do regresji lo­
gistycznej, której można użyć do identyfikacji czynników
istotnie związanych z odpowiedzią binarną.
Analiza kowariancji — specjalna postać analizy wariancji, któ­
ra porównuje wartości zmiennej zależnej między grupami
osobników po dokonaniu korekcji ze względu na wpływ
jednej lub większej liczby zmiennych wyjaśniających.
Analiza na bazie leczenia — pacjenci w eksperymencie kli­
nicznym sa włączani do analizy tylko wtedy, gdy ukończą
leczenie, do którego zostali losowo przyporządkowani.
Analiza przeżycia — bada czas potrzebny, by osobnik osią­
gną! badany punkt końcowy (np. śmierć), gdy pewne da­
ne są ucięte.
Analiza wariancji jednoczynnikowa — szczególna postać
ANOYA używana do porównywania średnich więcej niż
dWÓCh niezależnych grup obserwacji.
Analiza wariancji (ANOVA) — ogólny termin dotyczący ze­
społu analiz porównujących średnie grup wartości po­
przez podział całkowitej wariancji zmiennej na części
składowe, z których każda jest przyporządkowana pew­
nemu czynnikowi.
Analiza z zamiarem leczenia — wszyscy pacjenci w ekspe­
rymencie klinicznym są analizowani w grupach, do któ­
rych zostali pierwotnie przyporządkowani.
Analizy przejściowe — analizy zaplanowane w pośrednich
etapach badania.
ANOVA -4 analiza wariancji.
ANOVA powtarzanych pomiarów — specjalna postać anali­
zy wariancji używana, gdy zmienna numeryczna jest
mierzona dla każdego członka grupy osobników więcej
niż jeden raz (np. przy różnych okazjach).
Badanie epidemiologiczne — badanie obserwacyjne, oszaco­
wujące związek między czynnikami ryzyka a chorobą.
Badanie eksperymentalne — badanie, w którym badacz in­
geruje w pewien sposób, wpływając na wynik.
Badanie kohortowe — badanie, w którym grupa osobników,
wszyscy bez badanego wyniku (np. choroby), są obserwo­
wani (najczęściej prospektywnie) w celu zbadania wpły­
wu ekspozycji na czynnik ryzyka na wyniki uzyskiwane
w przyszłości.
Badanie longitudinalne — obserwacja osobników w pew­
nym okresie czasu.
Badanie obserwacyjne — badanie, w którym badacz nie ro­
bi niczego, co mogłoby wpłynąć na wynik.
Badanie pilotażowe — pierwotne badanie o małej wielkości.
Badanie prospektywne — badanie, w którym osobnicy są
obserwowani od pewnego momentu.
Badanie przekrojowe — badanie przeprowadzane w poje­
dynczym punkcie czasowym.
Badanie retrospektywne — badanie, w którym się wybiera
osobników i bada czynniki, które pojawiły się w ich prze­
szłości.
Blok — jednorodna grupa jednostek eksperymentalnych po­
siadających podobną charakterystykę. Inaczej nazywany
warstwą.
146 Dodatki
Błąd I rodzaju — odrzucenie hipotezy zerowej, gdy była ona
prawdziwa.
Błąd II rodzaju — nieodrzucenie hipotezy zerowej, gdy była
ona fałszywa.
Błąd próbkowania — różnica pomiędzy parametrem popula­
cyjnym a estymatorem z próby, wynikająca z pobrania je­
dynie przykładowych wartości.
Błąd standardowy elastyczny — błąd oparty na zmienności
w danych, a nie na założonym modelu regresyjnym. Bar­
dziej odporny na pogwałcenie założeń leżących u podstaw
modelu regresyjnego niż estymatory OLS.
Błąd standardowy proporcji — miara dokładności proporcji
w próbie. Jest odchyleniem standardowym rozkładu
próbkowania proporcji.
Btąd standardowy średniej (SEM - standard error of
mean) — miara precyzji średniej w próbie. Jest odchyle­
niem standardowym rozkładu próbkowania średniej.
Bootstrapping— proces symulacyjny używany do wyznacze­
nia przedziału ufności dla parametru. Opiera się na esty­
macji parametru na podstawie każdej z wielu prób loso­
wych uzyskanych z próbkowania ze zwracaniem z próby
oryginalnej; przedział ufności otrzymuje się na podstawie
oceny zmienności rozkładu tych estymatorów.
CI —> przedział ufności.
Częstość — liczba pojawiających się zdarzeń wyrażona jako
proporcja całkowitego czasu obserwacji wszystkich pa­
cjentów w badaniu.
Częstość skumulowana — liczba osobników, którzy mają
wartości równe lub poniżej określonej wartości zmiennej.
Częstość spodziewana — częstość, której należy się spodzie­
wać przy założeniu słuszności hipotezy zerowej.
Częstość względna — częstość wyrażona jako procent lub
proporcja częstości całkowitej.
Częstość względna — stosunek dwóch częstości (zwykle czę­
stość choroby u osób narażonych na czynnik podzielona
przez częstość choroby u nienarażonych na czynnik).
Częstość zachorowalności — liczba nowych przypadków
choroby w określonym czasie podzielona przez liczbę oso-
bolat obserwacji osobników podatnych w chwili rozpoczę­
cia okresu.
Czułość — proporcja osobników posiadających jednostkę
chorobową, którzy zostali prawidłowo zdiagnozowani
przez test.
Czułość modelu — stopień, co do którego estymatory w mo­
delu regresyjnym są zaburzane przez jednego osobnika lub
większą ich liczbę, lub przez błędną specyfikację modelu.
Czynnik ryzyka — wpływa na zapadalność, np. na chorobę.
Dane — obserwacje jednej iub większej liczby zmiennych.
Dane transformowane — uzyskane przez dokonanie na każdej
obserwacji jakiejś transformacji matematycznej (np. log).
Dane ucięte — pojawiają się w analizie przeżycia z powodu
niepełnej informacji na początku (—> dane ucięte prawo-
i lewostronnie).
Dane ucięte lewostronnie — pochodzą od pacjentów, u któ­
rych obserwacja rozpoczęta się dopiero po dacie począt­
kowej.
Dane ucięte prawostronnie — pochodzą od pacjentów, o któ­
rych wiadomo, że nie osiągnęli badanego punktu końco­
wego w trakcie, gdy byli obserwowani.
Decyle — wartości, które dzielą uporządkowany ciąg obser­
wacji na 10 równych części.
Deklaracja CONSORT — ułatwia krytyczną ocenę i inter­
pretację eksperymentów randomizowanych kontrolowa­
nych (RCT). Autorzy opisujący swoje badania znajdą tam
wakazówki w postaci listy kontrolnej lub diagramu
przepływu.
Dowiancja -4 statystyka stosunku wiarygodności.
df-A liczba stopni swobody statystyki.
Diagram rozrzutu — wykres dwuwymiarowy jednej zmien­
nej w funkcji drugiej zmiennej, z każdą para obserwacji
zaznaczoną jako punkt,
Dokładność — dotyczy tego, w jakim stopniu wartość obser­
wowana wielkości jest zgodna z jej prawdziwą wielko­
ścią.
Dokładność — miara błędu próbkowania. Określa, w jakim
stopniu zgadzają się ze sobą powtarzane obserwacje.
Dokładny test Fiehera — test oszacowujący dokładne praw­
dopodobieństwa (tzn. nie opierający się na przybliżeniu do
rozkładu Chi-kwadrat) w tablicy kontyngencji (zwykle
w tablicy 2 X 2 ), stosowany, gdy częstości oczekiwane są
małe.
Dopaaowania porównań post-hoc — stosowane są do korek­
cji wartości p, gdy wykonuje się porównania wielokrotne,
np. poprawka Bonferroniego.
Dopasowanie modelu zbyt dokładne — model zawierający
zbyt wiele zmiennych, np. więcej niż jedną dziesiątą licz­
by osobników w modelu wielokrotnej regresji liniowej.
Efekt badany — wartość zmiennej odpowiedzi odzwiercie­
dlająca badane porównanie, np. różnica w średnich.
Efekt leczenia — badany efekt, np. różnica między średnimi
łub ryzykami względnymi pozwalająca na porównanie
efektów leczenia.
Efekt losowy — wpływ czynnika, o którego poziomach zakła­
da się, że reprezentują losową próbę z populacji.
Efekt przeniesienia — resztowy efekt poprzedniego leczenia
w eksperymencie naprzemiennym.
Efekt stały — efekt, w którym poziomy czynnika obejmują ca­
łą badaną populację (np. czynnik „leczenie", którego pozio­
mami są farmakoterapia, leczenie chirurgiczne i radiotera­
pia). Jest przeciwieństwem efektu losowego, w którym
poziomy są reprezentowane tylko przez próbę z populacji
(np. czynnik „pacjent", którego poziomy reprezentują 20
pacjentów w randomizowanym eksperymencie kontrolowa­
nym).
Efekt wprowadzenia zdrowych osobników — na skutek włą­
czenia do badania osobników nie mających jednostki cho­
robowej interesująca odpowiedź (np. śmiertelność) jest
niższa na początku badania, niż oczekiwano by tego
w ogólnej populacji.
Eksperyment czynnikowy — pozwala na jednoczesną anali­
zę pewnej liczby badanych czynników.
Eksperyment braku pogorszenia — używany do wykazania,
że dane leczenie nie jest klinicznie gorsze od innego.
Eksperyment klasterowy randomizowany — badanie, w któ­
rym grupy (klastery) osobników są randomizowane do
rozmaitych „sposobów leczenia" tak, że każdy osobnik
w obrębie określonej grupy (klasteru) otrzymuje to samo
leczenie.
Eksperyment kliniczny — dowolna forma planowanego ba­
dania na ludziach, pozwalającego na ocenę wpływu nowe­
go leczenia na wynik kliniczny.
Eksperyment kontrolowany randomizowany (RCT — rando-
mized controlled trial) — porównawczy eksperyment
kliniczny, w którym pacjenci przydzielani są do leczenia
losowo.
Eksperyment przewagi — używany do wykazania, że dwa
sposoby leczenia lub większa ich liczba różnią się klinicz­
nie.
Eksperyment przypadek-kontrola — identyfikuje się grupę
osobników z jednostką chorobową (przypadki) i bez niej
(kontrola) oraz porównuje się w tych grupach stopień na­
rażenia na czynniki ryzyka.
Eksperyment równoległy — każdy pacjent otrzymuje tylko
jedno leczenie.
Eksperyment równoważności — stosowany do pokazania, że
dwa sposoby leczenia są równoważne klinicznie.
Estymator — wielkość uzyskana na podstawie próby, repre­
zentująca parametr w populacji.
Estymator przedziałowy — zakres wartości, w obrębie któ­
rego, jak podejrzewamy, leży parametr populacji.
Estymator punktowy — pojedyncza wartość uzyskana z pró­
by, która oszacowuje parametr populacyjny.
Fałszywie dodatni — osobnik, który nie ma określonej cho­
roby, ale został zdiagnozowany jako chory.
Fałszywie ujemny — osobnik, który ma określoną chorobę,
ale został zdiagnozowany jako niemający tej choroby.
Format ASCII lub pliku tekstowego — dane dostępne
w komputerze jako wiersze tekstu.
Format danych swobodny — każda zmienna w pliku kompu­
terowym odseparowana jest od następnej pewnym ogra­
nicznikiem, często spacją lub przecinkiem.
Funkcja gęstości prawdopodobieństwa — równanie określa­
jące rozkład prawdopodobieństwa.
Funkcja wiążąca — w uogólnionym modelu liniowym jest to
transformacja wartości średniej zmiennej zależnej, mode­
lowanej poprzez liniową kombinację współzmiennych.
GEE —> uogólnione równanie oszacowania.
GLM —> uogólniony model liniowy.
Granice ufności — górna i dolna wartość przedziału ufności.
Granice zgodności — w ocenie powtarzalności jest to zakres
wartości, pomiędzy którymi spodziewamy się napotkać
w populacji 95% różnic pomiędzy powtarzanymi pomiarami.
Grupa kontrolna — termin używany w badaniach porów­
nawczych, np. eksperymentach klinicznych, do oznacze­
nia grupy porównawczej —> kontrola pozytywna i nega­
tywna.
Hazard — chwilowe ryzyko osiągnięcia punktu końcowego
w analizie przeżycia.
Hazard względny (stosunek hazardu) — stosunek dwóch ha­
zardów, interpretowany w podobny sposób jak ryzyko
względne.
Hipoteza alternatywna — hipoteza na temat badanego efek­
tu, która nie jest zgodna z hipotezą zerową i jest słuszna,
gdy hipoteza zerowa jest fałszywa.
Hipoteza zerowa — stwierdzenie przyjmujące brak efektu
w populacji.
Histogram — diagram ilustrujący częstości rozkładu zmien­
nej ciągłej (względne) przy użyciu połączonych słupków.
Pole słupka jest proporcjonalne do częstości (względnej)
w zakresie określonym przez granice słupka.
Dodatek D: Słowniczek terminów statystycznych 147
Homoscedastyczność — równość wariancji. Zwana również
jednorodnością wariancji.
I2 — indeks, który może być użyty do kwantyfikacji wpływu
niejednorodności statystycznej pomiędzy badaniami
w metaanalizie.
ICC —» współczynnik korelacji wewnątrzklasowej.
Iloraz szans — stosunek dwóch szans (np. szansy choroby
u osobników narażonych i nienarażonych na czynnik).
Często wykorzystywany jako estymator ryzyka względ­
nego w badaniu przypadek-kontrola.
Iloraz wiarygodności (LR - likelifwod ratio) — stosunek
dwóch wiarygodności; w testach diagnostycznych LR jest
stosunkiem szansy otrzymania określonego wyniku testu
u tych, którzy mają jednostkę chorobową, i u tych, którzy
jej nie mają.
Indeks prognostyczny - określa prawdopodobieństwo, że
osobnik ma jednostkę chorobową. Zwany również punk­
tacją ryzyka.
Interakcja (modyfikacja wpływu) — pojawia się pomiędzy
dwoma zmiennymi wyjaśniającymi w analizie regresji,
£dy wpływ jednej ze zmiennych na zmienną zależną zmie­
nia się zgodnie z poziomem drugiej zmiennej. W kontek­
ście analizy wariancji o interakcji między dwoma czynni­
kami mówi się, gdy różnice między poziomami jednego
czynnika są różne dla dwóch lub większej liczby poziomów
drugiego czynnika. Zwana również efektem modyfikacji.
Interpolowanie — oszacowanie żądanej wartości, która leży
pomiędzy dwoma znanymi wartościami.
Istotność statystyczna - wynik testu hipotezy jest istotny
statystycznie na określonym poziomie (np. 1%), jeżeli ma­
my wystarczający dowód do odrzucenia hipotezy zerowej
na tym poziomie (np. kiedy p < 0,01).
Jackkniftng — metoda oszacowania parametrów i przedzia­
łów ufności; każdy z n osobników jest sukcesywnie usu­
wany z próby, parametr oszacowuje się na podstawie po­
zostałych n - 1 osobników, a ostatecznie uśrednia się
estymatory każdego parametru.
Jakość dopasowania - miara określająca, w jakim stopniu
wartości uzyskane z modelu zgadzają się z danymi obser­
wowanymi.
Jednostka eksperymentalna — najmniejsza grupa osobni­
ków, których dla celów analizy traktujemy jako niezależ­
nych.
Jednostki drugiego poziomu — osobnicy na drugim, najniż­
szym poziomie struktury hierarchicznej; każda jednost­
ka poziomu drugiego (np. oddział) obejmuje klaster jed­
nostek pierwszego poziomu (np. pacjentów).
Jednostki pierwszego poziomu — osobnicy na najniższym
poziomie struktury hierarchicznej; grupa jednostek po­
ziomu pierwszego (np. pacjenci) składa się na klaster
osobników zagnieżdżonych w obrębie jednostek poziomu
drugiego (np. oddział).
Kappa Cohena (K) — miara zgodności między dwoma zbio­
rami pomiarów kategorialnych tych samych osobników.
Gdy K = 1, występuje idealna zgodność; gdy K = 0, zgod­
ność nie jest lepsza niż uzyskana przez przypadek.
Kappa ważona — udoskonalona kappa Cohena, mierząca
zgodność, uwzględniająca stopień, co do którego niezgod­
ne są dwa zbiory powiązanych porządkowych kategorial­
nych pomiarów.
Kategorie wzajemnie się wykluczające — każdy osobnik
może należeć wyłącznie do jednej kategorii.
148 Dodatki
Kohorta kliniczna — grupa pacjentów z tym samym warun­
kiem klinicznym, których wyniki obserwujemy w czasie.
Komórka tablicy kontyngencji — oznaczenie poszczególne­
go wiersza i poszczególnej kolumny w tablicy.
Kontrola — osobnik bez jednostki chorobowej podlegającej
badaniu w eksperymencie przypadek-kontrola albo osob­
nik nieotrzymujący w eksperymencie klinicznym nowego
leczenia.
Kontrole dodatnie — pacjenci w randomizowanym ekspery­
mencie kontrolowanym (RCT), którzy otrzymują pewną
postać leczenia aktywnego porównywanego z nowym spo­
sobem leczenia.
Kontrole historyczne — osobnicy, którzy nie zostali włącze­
ni do grupy leczenia na początku badania, lecz którzy
otrzymywali leczenie w przeszłości i zostali wykorzysta­
ni jako grupa porównawcza.
Kontrole ujemne — pacjenci w randomizowanym ekspery­
mencie kontrolowanym (RCT), którzy nie otrzymują lecze­
nia aktywnego.
Korekcja Bonferroniego — dopasowanie posthoc wartości p
W celu uwzględnienia liczby testów wykonywanych
w wielokrotnym testowaniu hipotez.
Kruskala-Wallisa test — alternatywny test nieparametrycz­
ny w stosunku do jednoczynnikowej ANOVA; stosowany
do porównywania rozkładów więcej niż dwóch nie2ależ-
nych grup obserwacji.
Krzywe Charakterystyki Działającego Odbiornika (ROC
— receirer operating characteristic curve) — dwu­
wymiarowy wykres czułości w funkcji jeden minus
swoistości dla różnych wartości odcięcia zmiennej cią­
głej w teście diagnostycznym; używany do wyboru
optymalnej wartości odcięcia lub do porównania te­
stów.
Kwartyle — wartości, które dzielą uporządkowane obserwa­
cje na cztery równe części.
Liczba pacjentów wymaganych do leczenia (NNT - number
of patients needed to treaf) — liczba pacjentów, której
potrzebujemy w eksperymentalnej grupie leczenia, a nie
w grupie kontrolnej, aby uniknąć uzyskania złego wyni­
ku przez jednego z nich.
Liczba stopni swobody (df) statystyki — wielkość próby mi­
nus liczba parametrów, które należy oszacować do wy­
znaczenia statystyki. Wskazuje stopień, co do którego ob­
serwacje mogą się swobodnie zmieniać.
LRS —> statystyka ilorazu wiarygodności.
Maskowanie —> zaślepianie.
Mediana — miara położenia będąca wartością środkową upo­
rządkowanych obserwacji.
Medycyna poparta dowodami (EBM — evidence-based me-
dicine) — stosowanie aktualnie najlepszych dowodów
w podejmowaniu decyzji na temat opieki nad poszczegól­
nymi pacjentami.
Metaanaliza — systematyczny, ilościowy przegląd łączący
wyniki odpowiednich badań w celu wytworzenia i zbada­
nia całościowego estymatora badanego efektu.
Metoda najmniejszych kwadratów — metoda oszacowania
parametrów w analizie regresji, oparta na minimalizacji
sumy kwadratów reszt.
Metody rangowe —> testy nieparametryczne.
MLE —¥ oszacowanie największej wiarygodności.
Moc — prawdopodobieństwo odrzucenia hipotezy zerowej,
gdy jest ona fałszywa.
Modalna — wartość pojedynczej zmiennej, która w zbiorze
danych pojawia się najczęściej.
Model — w ujęciu algebraicznym opisuje związek między
dwoma lub większą liczbą zmiennych.
Model brzegowy —> uogólnione równanie oszacowania.
Model efektów losowych — model dla struktury hierar­
chicznej danych, takiej jak struktura dwupoziomowa
z jednostkami poziomu 1 zagnieżdżonymi w obrębie jed­
nostek poziomu 2, w którym efekt losowy jest źródłem
błędu przypisywanym do jednostek poziomu 2.
Model efektów stałych - zawiera wyłącznie efekty stałe.
Stosowany w metaanalizie, gdy brak jest dowodu staty­
stycznej niejednorodności.
Model hierarchiczny —> model wielopoziomowy.
Model losowych nachyleń - hierarchiczny model efektów
losowych, który zakłada dla struktury dwupoziomowej,
źe związek liniowy pomiędzy wartością średnią zmiennej
zależnej i pojedynczą wspólzmienną dla każdej jednostki
drugiego poziomu ma nachylenie losowo zmieniające się
wokói nachylenia średniego i przecięcie losowo zmienia­
jące sie wokół przecięcia średniego.
Model losowych przecięć — hierarchiczny model efektów
logowych, który zakłada dla struktury dwupoziomowej,
że związek liniowy pomiędzy wartością średnią zmien­
nej zależnej i pojedynczą współzmienną dla każdej jed­
nostki drugiego poziomu ma takie samo nachylenie dla
wszystkich jednostek poziomu drugiego i przecięcie lo­
sowo zmieniające się wokói przecięcia średniego.
Model mieszany — niektóre parametry w modelu mają efek­
ty losowe, pozostałe mają efekty stałe.
Model regresji Poissona — postać uogólnionego modelu li­
niowego używana do powiązania jednej lub większej licz­
by zmiennych wyjaśniających z logarytmem oczekiwanej
częstości 2darzenia (np. choroby), gdy obserwacja osobni­
ków ulega zmianie, lecz zakłada się, że częstość w okre­
sie badania pozostaje stała.
Model regresyjny jednej zmiennej — zawiera jedną zmien­
ną wynikową i jedną zmienną wyjaśniającą.
Model regresyjny proporcjonalnych hazardów wg Coxa —
używany w analizie przeżycia do badania równoczesnych
wpływów pewnej liczby zmiennych wyjaśniających na
przeżycie.
Model regresyjny wielowymiarowy — zawiera co najmniej
dwie zmienne wynikowe i co najmniej dwie zmienne wy­
jaśniające.
Model regresyjny wielu zmiennych — dowolny model regre­
syjny mający pojedynczą zmienną wynikową i co naj­
mniej dwie zmienne wyjaśniające.
Model wielopoziomowy — używany do analizy danych hie­
rarchicznych. Jednostki poziomu pierwszego (np. pacjen­
ci) są zagnieżdżone w obrębie jednostek drugiego pozio­
mu (np. oddziały), które mogą być zagnieżdżone wewnątrz
jednostek poziomu trzeciego (np. szpitale), itd. Zwany
również modelem hierarchicznym.
Model wymienny — zakłada, że procedura oszacowania nie
zostanie zaburzona, jeżeli w obrębie klastera zostaną wy­
mienione dwie obserwacje.
Model wysycony — model, w którym liczba zmiennych jest
większa od liczby osobników lub jej równa.
Modele zagnieżdżone — dwa modele regresyjne, z których
większy włącza współzmienne modelu mniejszego i do­
datkowe wspótzmienne.
Modyfikacja wpływu —> interakcja.
Nachylenie — gradient linii regresji, pokazujący średnią
zmianę zmiennej zależnej dla jednostkowej zmiany
zmiennej wyjaśniającej.
Niejednorodność kliniczna — występuje, gdy włączone do
metaanalizy badania obejmują rozmaite populacje pacjen­
tów, mają różne definicje zmiennych etc, co stwarza pro­
blemy z brakiem kompatybilności.
Niejednorodność statystyczna — występuje w metaanalizie,
gdy istnieje istotna zmienność między poszczególnymi es~
tymatorami badanego efektu.
Niejednorodność wariancji — nierówność wariancji.
Nieobciążony — nieposiadający obciążenia.
Nomogram Altmana — diagram, który wiąże ze sobą liczeb­
ność próby z mocą testu statystycznego, poziomem istot­
ności i standaryzowaną różnicą.
Nomogram Pagana — diagram, który wiąże ze sobą praw­
dopodobieństwo przedtestowe testu diagnostycznego
z wiarygodnością i prawdopodobieństwem po wykona­
niu testu. Stosowany jest zwykle do zamiany tego
pierwszego prawdopodobieństwa w prawdopodobień­
stwo a posteriori
Obciążenie — systematyczna różnica między wynikami uzy­
skanymi z badania a prawdziwym stanem rzeczy.
Obciążenie odwołania do pamięci - systematyczne znie­
kształcenie danych, wynikające ze sposobu, w jaki osob­
nicy przypominają sobie przeszłe zdarzenia.
Obciążenie przydziału — systematyczne zniekształcenie da­
nych, wynikające ze sposobu, w jaki osoby są przypo­
rządkowane do grup leczenia.
Obciążenie publikacyjne — tendencja do publikowania przez
czasopisma wyłącznie prac zawierających wyniki istotne
statystycznie.
Obciążenie wyboru — systematyczne zniekształcenie da­
nych, wynikające ze sposobu, w jaki osobnicy są włącza­
ni do badania.
Obserwacja — czas, przez który osobnik pozostaje w bada­
niu, od chwili wejścia do chwili, gdy uzyska określony
wynik (np. zachoruje) lub opuści badanie, lub badanie się
zakończy.
Obserwacje powiązane — odnoszą się do odpowiedzi osobni­
ków dopasowanych lub tych samych osobników w dwóch
różnych sytuacjach.
Odchylenie standardowe (SD - standardized difference) —
miara rozrzutu równa pierwiastkowi kwadratowemu
z wariancji.
Odchylenie standaryzowane normalne (SND - Standardi­
zed Normal Deviate) — zmienna losowa o rozkładzie nor­
malnym ze średnią zero i jednostkową wariancją.
Odporność — test jest odporny na pogwałcenie jego założeń,
gdy wartość p i moc nie są w sposób znaczny zaburzone
przez te pogwałcenia.
Odstępstwa od protokołu — pacjenci wprowadzeni do ekspe­
rymentu klinicznego, niespełniający kryteriów protokołu.
Odtwarzalność — stopień, w którym można uzyskać te same
wyniki w różnych okolicznościach, np. przy użyciu dwóch
metod pomiaru lub przez dwóch obserwatorów.
Okres wymywania — przedział czasu pomiędzy końcem jed­
nego leczenia i początkiem drugiego leczenia w ekspery­
mencie naprzemiennym. Pozwala na rozproszenie efek­
tów resztowych pierwszego leczenia.
Operat losowania — lista wszystkich osobników w populacji.
Dodatek D: Słowniczek terminów statystycznych 149
Osobolata obserwacji — suma liczby lat, w których w bada­
niu był obserwowany każdy osobnik.
Oszacowanie największej wiarygodności (MLE — maxi-
mum likelihood estimatioris — iteracyjny proces oszaco­
wania parametru maksymalizujący wiarygodność.
Parametr — miara podsumowująca (np. średnia, proporcja),
która charakteryzuje rozkład prawdopodobieństwa. Jego
wartość odnosi się do populacji.
Percentyle — wartości, które dzielą uporządkowane obser­
wacje na 100 równych części,
Placebo — leczenie obojętne, zewnętrznie identyczne z lecze­
niem aktywnym, porównywane z leczeniem aktywnym
w ujemnie kontrolowanym eksperymencie w celu określe­
nia efektu terapeutycznego leczenia aktywnego poprzez
wyłączenie z niego efektu samego otrzymywania leku; uży­
wane również przy wprowadzaniu procedury zaślepiania.
Podejście Bayesowekie do wnioskowania — w celu oceny
przekonania a posteriori na temat hipotezy używa się nie
tylko bieżącej informacji (np. z eksperymentu), lecz rów­
nież uprzedniego przekonania osobnika (często subiek­
tywnego) na temat sprawdzanej hipotezy.
Podejście do analizy przeżycia odwołujące się do tablic
trwania życia — sposób wyznaczenia prawdopodobieństw
przeżycia, gdy czas potrzebny do osiągnięcia punktu koń­
cowego jest znany wyłącznie w obrębie określonego inter­
wału.
Pomiary powtarzane — badana zmienna jest mierzona dla
tego samego osobnika w wielu okolicznościach (np. przy
różnych okazjach).
Poprawka ze względu na ciągłość - poprawka stosowana
w statystykach testowych w celu korekcji dopasowania
rozkładu dyskretnego rozkładem ciągłym.
Populacja — cala grupa osobników, którymi jesteśmy zainte-
reaowani.
Powiązanie — proces wyboru osobników podobnych do sie­
bie ze względu na zmienne, które mogą wpływać na ba­
daną odpowiedź.
Powtarzalność — stopień, w którym pomiary powtarzane
przez tego samego obserwatora w identycznych warun­
kach pomiaru zgadzają się ze sobą.
Poziom — określona kategoria zmiennej jakościowej lub
czynnika.
Poziom istotności — prawdopodobieństwo wybrane na po­
czątku badania, które pozwala na odrzucenie hipotezy ze­
rowej, gdy wartość p jest od niego mniejsza. Zazwyczaj
wybiera się poziom 0,05.
Prawdopodobieństwo — miara szansy zajścia zdarzenia.
Zmienia się od 0 do 1. —> prawdopodobieństwo warunko­
we, a priori i a posteriori
Prawdopodobieństwo częstościowe — proporcja liczby przy­
padków zajścia zdarzenia, jeżeli eksperyment powtarza­
ny byt wielokrotnie.
Prawdopodobieństwo a posteriori — późniejsze prawdopo­
dobieństwo, stopień wiary osobnika, że zdarzenie się po­
jawi, oparty na wierze uprzedniej i nowych faktach (np.
wynikach testu).
Prawdopodobieństwo a priori — stopień wiary osobnika, że
zdarzenie się pojawi, oparty na spostrzeżeniach subiek­
tywnych i/lub obserwacjach retrospektywnych.
Prawdopodobieństwo po teście — prawdopodobieństwo a po­
steriori, że osobnik ma jednostkę chorobową, wyznaczone
na podstawie informacji o wyniku testu diagnostycznego.
150 Dodatki
Prawdopodobieństwo przed testem — prawdopodobieństwo
a priori, że osobnik ma jednostkę chorobową, oszacowa­
ne, zanim dostępny jest wynik testu diagnostycznego.
Prawdopodobieństwo subiektywne — stopień osobistego
przekonania o zajściu zdarzenia.
Prawdopodobieństwo warunkowe — prawdopodobieństwo
zdarzenia pojawiającego się, jeżeli pojawiło się inne zda­
rzenie.
Projekt naprzemienny — każdy osobnik otrzymuje więcej
niż jeden sposób leczenia podlegającego badaniu, jeden
po drugim, w porządku losowym.
Projekt całkowicie zrandomizowany — jednostki ekspery­
mentalne są przyporządkowane losowo do grup leczenia.
Proporcja — stosunek liczby badanych zdarzeń do całkowi­
tej liczby zdarzeń w próbie lub w populacji.
Prosta regresja liniowa — prostoliniowy związek między
pojedynczą zmienną zależną i pojedynczą zmienną wyja­
śniającą.
Prosta regresji liniowej — linia prosta, która określa wyra­
żenie algebraiczne wiążące dwie zmienne.
Protokół — pełny, pisemny opis wszystkich aspektów ekspe­
rymentu klinicznego.
Próba — podzbiór populacji.
Próba dogodna — grupa osobników, co do której przyjmuje­
my, że jest reprezentatywna w populacji, z której aostala
pobrana. Nie została ona wybrana losowo, ale ze względu
na łatwy dostęp do niej.
Próba ucząca — pierwsza próba, używana do wytworzenia
modelu (np. w regresji łub analizie dyskryminacyjnej).
Wyniki są poświadczane przez drugą próbę (walidacyjną).
Próba walidacyjną — druga próba, używana do poświadcze­
nia wyników uzyskanych z próby uczącej.
Próbkowania losowe — każda możliwa próba o określonej
wielkości, mająca jednakowe prawdopodobieństwo wy­
brania z populacji.
Próbkowanie kwotowe — próbkowanie o charakterze nielo-
sowym, w którym badacz wybiera próbę osobników speł­
niających określone „normy".
Próbkowanie systematyczne — próba zostaje wybrana z po­
pulacji przy zastosowaniu jakiejś systematycznej metody,
a nie metody opartej na przypadku.
Próby niezależne — żadna jednostka w żadnej próbie nie
jest powiązana z jednostkami w innych próbach.
Przecięcie — wartość zmiennej zależnej w równaniu regre­
sji, odpowiadająca wartości (wartościom) zmiennej zależ­
nej (zmiennych zależnych) równej zero.
Przeciętna — ogólne określenie dla miary położenia.
Przedział odniesienia (zakres normalny) — zakres wartości
(zwykle centralnych 95%) zmiennej, które są zazwyczaj
obserwowane u zdrowych osobników. Zwany również za­
kresem normalnym lub zakresem odniesienia.
Przedział ufności (CI — confidence interval) dla parame­
tru — zakres wartości, w obrębie którego jesteśmy pew­
ni na 95% (zazwyczaj), że leży w nim prawdziwa wartość
populacyjna parametru. Ściślej mówiąc, przy powta­
rzanym próbkowaniu, leży w nim 95% estymatorów para­
metru.
Przegląd —> metaanaliza.
Przegląd systematyczny — sformalizowane i przekonujące
łączenie wyników ze wszystkich odpowiednich prac uzy­
skanych z podobnych badań na temat tego samego stanu
zdrowotnego.
Przełożenie — miara stopnia, w jakim wartość zmiennej wy­
jaśniającej dla danego osobnika różni się od średniej
zmiennej wyjaśniającej w analizie regresji.
Przesiew — proces mający na celu sprawdzenie, którzy
osobnicy w pozornie zdrowej populacji mają najprawdo­
podobniej (lub czasami, którzy nie mają) badaną jednost­
kę chorobową.
Przydział systematyczny — w eksperymencie klinicznym pa­
cjenci są przydzielani do leczenia w systematyczny, nie
zaś losowy sposób.
Przypadek - osobnik mający jednostkę chorobową, podlega­
jący badaniu w eksperymencie przypadek-kontrola.
Przypadki rozpowszechnienia — pacjenci, którzy mają jed­
nostkę chorobową w określonej chwili lub w określonym
przedziale czasu, lecz którzy uprzednio zostali zdiagnozo-
wani.
Przypadki zapadalności — pacjenci, którzy właśnie zostali
zdiagnozowani.
Punkt końcowy pierwszorzędny — wynik, który w ekspery­
mencie klinicznym najlepiej odzwierciedla zyski płynące
z nowego typu leczenia.
Punkt procentowy - percentyl rozkładu. Wskazuje propor­
cję rozkładu, która leży na prawo (tj. ogon po prawej stro­
nie), na lewo (tj. ogon po lewej stronie) lub oba ogony: pra­
wo- i lowostronny.
Punkt wpływający — wartość, która jeżeli zostanie usunię­
ta z analizy regresji, doprowadzi do zmiany jednego lub
kilku estymatorów parametru.
Punktacja ryzyka —> indeks prognostyczny.
Punkty końcowe drugorzędne — wyniki w eksperymentach
klinicznych, które nie mają zasadniczej wagi.
R2 — proporcja zmienności całkowitej zmiennej zależnej
w analizie prostej lub wielokrotnej regresji wytłumaczo­
na przez model. Jest subiektywną miarą jakości dopaso­
wania.
Randomizacja — pacjenci zostają przydzieleni do grupy le­
czenia w sposób losowy (oparty na przypadkowości).
Może podlegać stratyfikacji (kontroli wpływu ważnych
efektów) lub klasterowaniu (zapewniającemu w przybli­
żeniu równe wielkości grupy leczenia).
Randomizacja klasterowa — losowe przyporządkowanie do
leczenia grup osobników, a nie poszczególnych osobni­
ków.
RCT —» eksperyment kontrolowany randomizowany.
Regresja do średniej — zjawisko, w którym podzbiór warto­
ści ekstremalnych powoduje pojawienie się wyników, któ­
re przeciętnie są mniej ekstremalne, np. wysocy ojcowie
mają niższych (lecz nadal wysokich) synów.
Regresja logistyczna — rodzaj uogólnionego modelu liniowe­
go, używanego do powiązania jednej lub większej liczby
zmiennych wyjaśniających z logitem oczekiwanej propor­
cji osobników z określonym wynikiem, gdy odpowiedź
jest binarna.
Regresja logistyczna porządkowa — postać regresji logi­
stycznej używana, gdy zwykła zmienna wynikowa ma
więcej niż dwie kategorie.
Regresja logistyczna warunkowa — postać regresji logistycz­
nej stosowana, gdy osobnicy w badaniu są sparowani.
Regresja wielomianowa — nieliniowa (np. kwadratowa, sze­
ścienna, czwartego stopnia) zależność pomiędzy zmienną
zależną a jedną lub większą liczbą zmiennych wyjaśnia­
jących.
Replikacja — osobnik ma więcej niż jeden pomiar zmiennej
przy danej okazji.
Reszta — w analizie regresji różnica między wartościami ob­
serwowaną i dopasowaną dla zmiennej zależnej.
2
Rozkład Chi-kwadrat (%) — rozkład ciągły prawoskośny,
określony przez liczbę stopni swobody, użyteczny w ana­
lizie danych kategorialnych.
Rozkład częstości — pokazuje częstość pojawiania się każ­
dej możliwej obserwacji lub kategorii.
Rozkład dwumianowy — dyskretny rozkład prawdopodo­
bieństwa binarnej zmiennej losowej, użyteczny pr2y
wnioskowaniu na temat proporcji.
Rozkład dwumodalny — dane, których rozkład ma dwa „piki".
Zwany również rozkładem bimodalnym.
Rozkład empiryczny — obserwowany rozkład zmiennej.
Rozkład F — prawoskośny rozkład ciągły, określony prze2
liczbę stopni swobody licznika i mianownika stosunku,
który go definiuje; użyteczny w porównywaniu dwóch
wariancji i więcej niż dwóch średnich w analizie wa­
riancji.
Rozkład Gaussa —> rozkład normalny.
Rozkład jednomodalny — ma pojedynczy „pik".
Rozkład lognormalny — prawoskośny rozkład prawdopodo­
bieństwa, którego logarytm podlega rozkładowi normal­
nemu.
Rozkład normalny standaryzowany — szczególny rozkład
normalny, ze średnią równą zero i wariancją równą je­
den.
Rozkład normalny (Gaussa) — ciągły rozkład prawdopodo­
bieństwa o kształcie dzwonu, symetryczny; jego parame­
trami są średnia i wariancja.
Rozkład Poissona — dyskretny rozkład prawdopodobieństwa
zmiennej losowej, reprezentującej liczbę zdarzeń poja­
wiających się losowo i niezależnie z ustaloną przeciętną
częstością.
Rozkład prawdopodobieństwa — rozkład teoretyczny opisa­
ny modelem matematycznym. Pokazuje prawdopodobień­
stwa wszystkich możliwych wartości zmiennej losowej.
Rozkład prawdopodobieństwa ciągły — zmienna losowa
określająca rozkład jako ciągły.
Rozkład prawdopodobieństwa dyskretny — zmienna losowa
definiująca rozkład przyjmujący wartości dyskretne.
Rozkład próbkowania proporcji — rozkład proporcji z próby
uzyskany po wzięciu z populacji powtarzanych prób
o ustalonej wielkości.
Rozkład próbkowania średniej — rozkład średnich z próby
uzyskany po wzięciu z populacji powtarzanych prób
o ustalonej wielkości.
Rozkład równomierny — nie ma „pików", ponieważ każda
wartość jest równie prawdopodobna.
Rozkład skośny — rozkład danych jest asymetryczny, ma
długi ogon z prawej strony z kilkoma dużymi wartościa­
mi (skośny dodatnio) lub długi ogon z lewej strony z kilko­
ma niskimi wartościami (skośny ujemnie).
Rozkład symetryczny — dane centrowane wokół jakiegoś
punktu środkowego. Kształt rozkładu po lewej stronie
punktu środkowego jest lustrzanym odbiciem kształtu po
stronie prawej.
Rozkład t (t-Studenta) — rozkład ciągły, którego kształt jest
podobny do rozkładu normalnego, określony przez liczbę
stopni swobody. Jest szczególnie użyteczny przy wnio­
skowaniu na temat średniej.
Dodatek D: Słowniczek terminów statystycznych 151
Rozkład t- Studenta —> rozkład t.
Rozpowszechnienie — liczba (proporcja) osobników z jed­
nostką chorobową w danej chwili (rozpowszechnienie
punktowe) lub w obrębie określonego przedziału czasu
(rozpowszechnienie okresowe).
Rozpowszechnienie punktowe — liczba osobników z jednost­
ką chorobową (lub procent podatnych na chorobę) w okre­
ślonej chwili.
Rozrzut zaniżony — pojawia się, gdy wariancja resztowa jest
mniejsza niż przewidywana przez określony model regre-
syjny (np. dwumianowy lub Poissona).
Rozrzut zawyżony — pojawia się, gdy wariancja resztowa
jest większa niż przewidywana przez określony model
regresyjny (np. dwumianowy lub Poissona).
Rozstęp — różnica między największą i najmniejszą obser­
wacją.
Rozstęp międzydecylowy — różnica między 10. a 90. per-
centylem; zawiera 80% centralnych uporządkowanych ob­
serwacji.
Rozstęp międzykwartylowy — różnica między 25. a 75. per-
centylem; zawiera 50% centralnych uporządkowanych ob­
serwacji.
Różnica standaryzowana — iloraz używany w nomogramie
Altmana i wzorach Lehra, wyrażający klinicznie ważną
różnicę w leczeniu jako wielokrotność odchylenia stan­
dardowego.
RR —5> ryzyko względne.
Ryzyko choroby — prawdopodobieństwo zachorowania
w określonym czasie. Obliczane jako liczba nowych przy­
padków choroby w tym okresie, podzielona przez liczbę
osobników bez tej choroby na początku okresu.
Ryzyko względne (RR) — stosunek dwóch wartości ryzyka,
zwykle ryzyka choroby w grupie osobników narażonych
na pewien czynnik, podzielonego przez ryzyko u osobni­
ków nienarażonych.
Rzetelność — ogólne pojęcie obejmujące powtarzalność, od­
twarzalność i zgodność.
SD —» odchylenie standardowe.
Selekcja krokowa —> wybór modelu automatyczny.
Selekcja postępująca —> wybór modelu automatyczny.
Selekcja wsteczna -> wybór modelu automatyczny.
SEM —» błąd standardowy średniej.
Skurczenie — proces stosowany przy estymacji parametrów
w modelu efektów losowych, mający na celu przeniesie­
nie estymatora badanego efektu dla każdego klasteru bli­
żej średniego efektu dla wszystkich klasterów.
SND —> odchylenie standaryzowane normalne.
Statystyka — estymator parametru populacyjnego w próbie.
Statystyka — obejmuje metody zbierania, podsumowywania,
analizy i wyciągania wniosków z danych.
Statystyka C — mierzy pole pod krzywą ROC i może być uży­
ta do porównania testów diagnostycznych dla tego samego
stanu.
Statystyka ilorazu wiarygodności (LRS) — równa jest wy­
rażeniu -2 razy stosunek log wiarygodności modelu wy-
syconego do log wiarygodności modelu badanego. Jest
używana do oszacowania adekwatności dopasowania
i może być nazywana dewiancją lub częściej -2 log wia­
rygodności. Różnica w LRS w dwóch modelach zagnież­
dżonych może służyć do porównywania modeli.
Statystyka testu — wielkość uzyskana z danych z próby,
używana do testowania hipotezy statystycznej. Jej war­
152 Dodatki
tość jest porównywana ze znanym rozkładem prawdopo­
dobieństwa w celu uzyskania wartości p.
Statystyka testu Walda — używana do testowania istotności
parametru w modelu regresyjnym; podlega standaryzo­
wanemu rozkładowi normalnemu.
Stosunek częstości zachorowalności — częstość względna
zdefiniowana jako stosunek dwóch częstości zachoro­
walności.
Stosunek hazardu —> hazard względny.
Suma brzegowa w tablicy kontyngencji — suma częstości
w danym wierszu tablicy (lub w kolumnie).
Swoistość — proporcja osobników niemających jednostki
chorobowej, prawidłowo zidentyfikowanych przez test
diagnostyczny.
Szansa — stosunek prawdopodobieństw dwóch dopełniają­
cych się zdarzeń, zazwyczaj prawdopodobieństwa po­
siadania choroby i prawdopodobieństwa jej nieposiada­
nia.
Ślepa podwójnie -> zaślepianie.
Średnia —> średnia arytmetyczna.
Średnia arytmetyczna — miara położenia uzyskana przez
podzielenie sumy wartości przez liczbę wartości.
Średnia geometryczna — miara położenia dla danych, któ­
rych rozkład jest prawoskośny. Jest antylogarytmem
średniej arytmetycznej logarytmów danych.
Średnia ważona — modyfikacja średniej arytmetycznej uzy­
skana przez dołączenie wag do każdej wartości 2miennej
w zbiorze danych.
Tablica 2x2 — tablica kontyngencji częstości z dwoma wier­
szami i dwoma kolumnami.
Tablica kontyngencji — dwuwymiarowa tablica, której ele­
mentami są częstości.
Test Bartletta — używany do porównywania wariancji.
Test Chi-kwadrat — używany dla danych częstości; testuje
hipotezę zerową o braku powiązania między czynnikami
definiującymi tablice kontyngencji. Używany również do
sprawdzania różnic w proporcjach.
Test Chi-kwadrat modelu — zazwyczaj odnosi się do testo­
wania hipotezy zerowej w analizie regresji, że wszystkie
parametry związane ze współzmiennymi są równe zero;
jest oparty na statystyce różnicy dwóch ilorazów wiary­
godności.
Test diagnostyczny — stosowany we wspomaganiu lub sta­
wianiu diagnozy określonego stanu.
Test dwustronny — w hipotezie alternatywnej nie zostaje
określony kierunek badanego efektu.
Test F —> test F stosunku wariancji.
Test F stosunku wariancji (test F) — używany do porówny­
wania dwóch wariancji przez porównanie ich stosunku
z rozkładem F.
Test hipotezy (test istotności) — proces, w którym używa
się próby do oszacowania tego, jak silny jest dowód bra­
ku słuszności hipotezy zerowej w populacji.
Test ilorazu wiarygodności — porównywanie dopasowania
dwóch modeli regresyjnych lub testowania istotności jed­
nego lub zespołu parametrów w modelu regresyjnym za
pomocą statystyki ilorazu wiarygodności.
Test istotności —> test hipotezy.
Test jednostronny — hipoteza alternatywna specyfikuje kie­
runek badanego efektu.
Test Kolmogorowa-Smirnowa — określa, czy dane mają roz­
kład normalny.
Test Levene'a — testuje hipotezę zerową, że co najmniej
dwie wariancje są równe.
Test Log-rank — nieparametryczne podejście do porównywa­
nia dwóch krzywych przeżycia.
Test McNemary — porównuje proporcje w dwóch powiązanych
grupach przy użyciu statystyki testowej Chi-kwadrat.
Test parametryczny — test hipotezy, w którym przyjmuje
się pewne założenia na temat rozkładu danych.
Test Shapiro-Wilka — określa, czy dane mają rozkład nor­
malny.
Test t dla dwóch prób —> test f dla zmiennych niepowiąza­
nych.
Test t dla jednej próby — bada, czy średnia zmiennej różni
się od jakiejś wartości hipotetycznej.
Test f dla zmiennych niepowiązanych (test f dla dwóch
prób) — testuje hipotezę zerową, że dwie średnie z grup
niezależnych są równe.
Test t dla zmiennych powiązanych — testuje hipotezę zero­
wą, że średnia zbioru różnic wartości powiązanych jest
równa zero.
Test U Manna-Whitneya —> test sumy rang Wilcoxona.
Test Wilcoxona rangowanych znaków — test nieparame­
tryczny porównujący powiązane wartości.
Test sumy rang Wilcoxona (dwie próby) — test nieparame­
tryczny porównujący rozkłady dwóch niezależnych grup
wartości. Równoważny testowi U Manna- Whitneya.
Test złotego standardu — pozwala ustalić ostateczną diagno­
zę co do określonego stanu.
Test znaków — test nieparametryczny, który bada, czy róż­
nice mają tendencję do posiadania dodatniego, czy ujem­
nego znaku; czy obserwacje mają tendencję do posiada­
nia wyższych (lub niższych) wartości niż mediana; czy
proporcja wartości z daną cechą jest większa (lub mniej­
sza) niż 0,5.
Testy nieparametryczne (testy niezależne od rozkładu) —
testy hipotez niewykorzystujące założeń na temat rozkła­
du danych. Zwane czasami testami wolnymi od rozkładu
lub metodami rangowymi.
Testy niezależne od rozkładu —> testy nieparametryczne.
Transformacja logitowa (logistyczna) — transformacja sto­
sowana do proporcji lub prawdopodobieństwa p taka, że
logit(p) = ln{p/(l - p)] = In (szansy).
Trend — wartości zmiennej wykazują tendencję do wzrostu
lub spadku z upływem czasu.
Twierdzenie Bayesa — prawdopodobieństwo a posteriori
zdarzenia/hipotezy jest proporcjonalne do iloczynu jego
prawdopodobieństwa a priori i wiarygodności.
Uogólnione równanie oszacowania (GEE — generalized es-
timating equation) — używane w dwupoziomowej struk­
turze hierarchicznej do oszacowania parametrów i ich
błędów standardowych, biorące pod uwagę klasteryzację
danych bez odnoszenia się do parametrycznego modelu
dla efektów losowych; czasami określane jako uśrednia­
nie populacyjne lub brzegowe.
Uogólniony model liniowy (GLM — generalized linear mo­
del) — model regresyjny w ogólnej postaci, wyrażony
przez funkcję wiążącą, która wiąże ze sobą średnią war­
tość zmiennej zależnej (której rozkład znamy, np. normal­
ny, dwumianowy lub Poissona) z liniową funkcją współ-
zmiennych.
Uśredniany model populacyjny —¥ uogólnione równanie
oszacowania.
Uwikłanie — gdy co najmniej jedna zmienna wyjaśniająca
wiąże się zarówno ze zmienną wyjściową, jak i z innymi
zmiennymi wyjaśniającymi, tak że trudno jest oszacować
niezależny wpływ każdej pojedynczej zmiennej wyjaśnia­
jącej na zmienną wyjściową.
Wariancja — miara rozproszenia równa kwadratowi odchy­
lenia standardowego.
Wariancja niewyjaśniona —> zmienność resztowa.
Warstwa — podgrupa osobników; zwykle osobnicy w war­
stwie mają zbliżoną charakterystykę. Zwana czasami blo­
kiem.
Wartości dopasowane — prognozowane wartości zmiennej
odpowiedzi w analizie regresji odpowiadające szczególnej
wartości (wartościom) zmiennej wyjaśniającej (zmien­
nych wyjaśniających).
Wartości predykcyjne ujemne — proporcja osobników
z ujemnymi wynikami testu, którzy nie mają jednostki
chorobowej.
Wartość odskakująca — obserwacja wyróżniająca się wśród
większości danych i niezgodna z pozostałymi danymi.
Wartość p — prawdopodobieństwo uzyskania pewnych wy­
ników lub nieco silniejszych, gdy prawdziwa jest hipote­
za zerowa.
Wartość predykcyjna dodatnia — proporcja osobników z do­
datnim wynikiem testu, którzy mają jednostkę chorobową.
Wartość wyrównująca (offset) — zmienna wyjaśniająca,
której współczynnik regresji jest ustalony w uogólnionym
modelu liniowym jako jedność; jest logarytmem całkowi­
tej liczby osobolat (miesięcy/dni, etc.) obserwacji w mo­
delu Poissona, gdy zmienna zależna jest zdefiniowana nie
jako częstość, lecz jako liczba pojawiających się zdarzeń.
Ważność — zbliżenie do prawdy.
Wiarygodność — prawdopodobieństwo danych w znanym
modelu. W kontekście testów diagnostycznych opisuje
prawdopodobieństwo obserwowanych wyników testu,
gdy jednostka chorobowa jest obecna (lub nie występuje).
Wielokrotna regresja liniowa — liniowy model regresyjny,
w którym istnieje pojedyncza zmienna numeryczna zależ­
na i dwie lub większa liczba zmiennych wyjaśniających.
Wielomianowa regresja logistyczna — postać regresji logi­
stycznej używana, gdy nominalna zmienna wynikowa ma
więcej niż dwie kategorie. Zwana również polichotomicz-
ną regresją logistyczną.
Wnioskowanie — proces wyciągania wniosków o populacji
na podstawie danych z próby.
Współczynnik korelacji Pearsona —> współczynnik korela­
cji.
Współczynnik korelacji (Pearsona) — miara ilościowa, zmie­
niająca się od -1 do +1, określająca, do jakiego stopnia
punkty na diagramie rozrzutu dostosowują się do linii
prostej. —> współczynnik korelacji rangowej Spearmana.
Współczynnik korelacji rangowej —> współczynnik korela­
cji rangowej Spearmana.
Współczynnik korelacji rangowej Spearmana — nieparame­
tryczna alternatywa współczynnika korelacji Pearsona;
daje miarę związku między dwoma zmiennymi.
Współczynnik korelacji wewnątrzklasowej (ICC — intra-
class correlation coefficient) — w strukturze dwupo­
ziomowej wyraża zmienność między klasterami jako pro­
porcję całkowitej zmienności; reprezentuje korelacje
pomiędzy dwoma losowo wybranymi jednostkami pozio­
mu 1 w jednym losowo wybranym klasterze.
Dodatek D: Słowniczek terminów statystycznych 153
Współczynnik powtarzalności Brytyjskiego Instytutu
Standaryzacji — maksymalna różnica, która ma szan­
sę pojawić się pomiędzy dwoma powtarzanymi pomia­
rami.
Współczynnik regresji logistycznej — współczynnik regre­
sji cząstkowej w równaniu regresji logistycznej.
Współczynnik śmiertelności — częstość zgonów.
Współczynnik zmienności — odchylenie standardowe po­
dzielone przez średnią (często wyrażany w procentach).
Współczynniki regresji — parametry (np. nachylenie i prze­
cięcie w prostej regresji) opisujące równanie regresji.
Współczynniki regresji cząstkowej — parametry, inne niż
parametr przecięcia, opisujące model regresji wielu
zmiennych.
Wspulliniowość — pary zmiennych wyjaśniających w anali­
zie regresji, które są bardzo silnie skorelowane, tj. któ­
rych współczynniki korelacji są bardzo bliskie ±1.
Współpraca Cochrane — międzynarodowa sieć klinicystów,
metodologów i użytkowników, którzy w sposób ciągły
uaktualniają przeglądy systematyczne i udostępniają je
innym,
Współzmienna —t zmienna wyjaśniająca.
Wybór modelu automatyczny — metoda wyboru zmiennych,
które mają zoetać włączone do modelu matematycznego,
np. postępująca, wsteczna, krokowa, wybór wszystkich
podzbiorów.
Wybór wszystkich podzbiorów —> wybór modelu automa­
tyczny.
Wykres leśny — diagram używany w metaanalizie, pokazu­
jący oszacowywane efekty w każdym badaniu lub ich
średnie (wraz z przedziałami ufności).
Wykres „łodyga z liśćmi" — połączenie diagramu i tablicy
używane do ilustracji rozkładu danych. Podobny jest do
histogramu i pokazuje dane w kierunku wzrostu ich
wielkości.
Wykres Kaplana-Meiera — krzywa przeżycia, na której wy­
kreśla się prawdopodobieństwo przeżycia w funkcji cza­
su od chwili początkowej. Używany jest, gdy znane są do­
kładne czasy osiągnięcia punktu końcowego.
Wykres kołowy — diagram pokazujący rozkład częstości
zmiennej kategorialnej lub dyskretnej. Koło podzielone
jest na podobszary po jednym dla każdej „kategorii"; po­
le każdego podobszaru jest proporcjonalne do częstości
występowania tej kategorii.
Wykres normalności — diagram służący do wizualnego
oszacowania normalności rozkładu danych; linia prosta
na tym wykresie wskazuje na normalność.
Wykres punktowy — diagram, na którym każda wartość
zmiennej jest reprezentowana przez punkt na osi pozio­
mej (lub pionowej).
Wykres skrzynkowy — diagram ilustrujący rozkład zmien­
nej; wskazuje medianę, górny i dolny kwartyl, często tak­
że wartości maksimum i minimum.
Wykres słupkowy lub kolumnowy — wykres ilustrujący
rozkład zmiennej kategorialnej albo dyskretnej, ukazują­
cy osobne poziome lub pionowe słupki dla każdej „kate­
gorii", o długościach proporcjonalnych do (względnej)
częstości występowania tej „kategorii".
Wzory Lehra — mogą być stosowane do obliczania optymal­
nych wielkości prób, wymaganych dla niektórych testów
hipotez, gdy moc określona jest jako 80% lub 90%, a po­
ziom istotności jako 0,05.
154 Dodatki
Zachorowalność —> zapadalność.
Zakres normalny —» przedział odniesienia.
Zależność liniowa — narzuca związek prostoliniowy między
dwoma zmiennymi.
Zapadalność (zachorowalność) — liczba nowych przypadków
choroby w określonym okresie podzielona przez liczbę po­
datnych osobników w chwili rozpoczęcia lub w punkcie
środkowym okresu.
Zaślepienie (iriaskowanie) — sytuacja, kiedy pacjent, klini­
cysta i osoba oceniająca wynik badania w eksperymencie
klinicznym nie są świadomi przydziału do badania (po­
dwójne zaślepienie), lub kiedy pacjent jest świadomy
otrzymywanego leczenia, lecz osoba oceniająca wyniki
nie jest tego świadoma.
Zaślepienie pojedyncze —> zaślepienie.
Zmienna — dowolna zmieniająca się wielkość.
Zmienna binarna (dychotomiczna) — zmienna kategorialna
z dwoma kategoriami.
Zmienna ciągła — zmienna numeryczna nieposiadająca dla
wartości innych ograniczeń niż narzucone stopniem do­
kładności techniki pomiarowej.
Zmienna dychotomiczna —^ zmienna binarna.
Zmienna dyskretna — zmienna numeryczna przybierająca
wyłącznie wartości dyskretne.
Zmienna ilościowa —> zmienna numeryczna.
Zmienna jakościowa —> zmienna kategorialna.
Zmienna kategorialna (jakościowa) — każdy osobnik należy
do jednej z pewnej liczby rozdzielnych kategorii zmien­
nej.
Zmienna losowa — wielkość, która może przybierać każdą
ze zbioru wzajemnie wykluczających się wartości z okre­
ślonym prawdopodobieństwem.
Zmienna niezależna —> zmienna wyjaśniająca.
Zmienna nominalna — zmienna kategorialna, której katego
rie nie mają naturalnego uporządkowania.
Zmienna numeryczna (ilościowa) — zmienna przyjmująca
wartości dyskretne lub ciągłe.
Zmienna odpowiedzi —» zmienna zależna.
Zmienna porządkowa — zmienna kategorialna, której kate­
gorie są w jakiś sposób uporządkowane.
Zmienna predykcyjna —> zmienna niezależna.
Zmienna tymczasowa — zmienna leżąca na drodze przyczy­
nowej między zmienną wyjaśniającą a badanym wyni­
kiem.
Zmienna wyjaśniająca (współzmienna, niezależna, pre­
dykcyjna) — zmienna (zazwyczaj oznaczana jako x) uży­
wana do prognozowania zmiennej zależnej w analizie re­
gresji.
Zmienna wynikowa główna — zmienna odnosząca się do
głównego celu badania.
Zmienna zależna (odpowiedzi) — zmienna (zwykle oznacza­
na przez y), która jest prognozowana przez zmienne wy­
jaśniające w analizie regresji. Zwana jest również zmien­
ną wynikową.
Zmienna zależna od czasu — zmienna wyjaśniająca w ana­
lizie regresji (np. regresji Poissona lub analizie przeżycia
Coxa), która przybiera różne wartości dla danego osobni­
ka w różnych chwilach czasu podczas badania.
Zmienne ślepe (zmienne wskaźnikowe indeksujące) — k - 1
zmiennych binarnych tworzonych w analizie regresji ze
zmiennych kategorialnych nominalnych lub porządkowych
z liczbą kategorii k > 2, pozwalających na porównanie
 każdej z k - 1 kategorii z kategorią odniesienia. Zwane są
również zmiennymi wskaźnikowymi indeksującymi.
Zmienne wskaźnikowe indeksujące —> zmienne ślepe.
Zmienność błędu —> zmienność resztowa.
Zmienność ekstradwumianowa — pojawia się, gdy warian­
cja resztowa jest większa (podwyższone rozproszenie) lub
mniejsza (zaniżone rozproszenie) niż oczekiwana na pod­
stawie modelu dwumianowego.
Zmienność ekstra-Poissonowska — pojawia się, gdy wa­
riancja resztowa jest większa (podwyższone rozprosze­
nie) lub mniejsza (zaniżone rozproszenie) niż oczekiwana
na podstawie modelu Poissona.
Zmienność losowa — zmienność, która nie może być przypo­
rządkowana do żadnych wyjaśnionych źródeł.
Zmienność resztowa (wariancja niewyjaśniona, zmienność
błędu) — wariancja zmiennej, która pozostaje po usunię­
ciu zmienności przyporządkowanej badanym czynnikom.
Jest to zmienność niewyjaśniona przez model, a w tabli­
cy ANOVA jest kwadratem średniej reszt.
Dodatek D: Słowniczek terminów statystycznych 155
SKOROWIDZ

Analiza(y) dyskryminacyjna 94, 146 Błąd systematyczny informacyjny 33 Efekt losowy 147
— kowariancji 78, 146 obserwatora 33 — prosty 93
— na bazie leczenia 38, 146 odwołania do pamięci i wyboru 40 — przeniesienia 147
— przejściowe 36, 146 publikacyjny 33 — resztkowy 34
— przeżycia 8 6 , 1 2 1 , 146 uwikłania 33, 36 — stały 147
-regresji 117 — w testowaniu hipotez 46 — wprowadzenia zdrowych osobników
liniowej 74 Bootstrapping 31, 146 33, 39, 147
— — — wielokrotnej 79 Eksperyment 32
Poissona 86, 87 — braku pogorszenia 45, 147
— — — wielozmienna 92 Chi-kwadrat 140, 145 — czynnikowy 34, 147
warunkowa 82 — dla wspótzmiennych 81, 89 - I fazy 3 6
wielozmienna Poissona 92 Chorobowość 42 - I I fazy 3 6
— wariancji (ANOYA) 133, 146 Cochrane Collaboration 118,154 - I I I fazy 36
jednoczynnikowa 57, 58, 146 Czas przeżycia 121 — klasterowy randomi2owany 147
powtarzanych pomiarów 113, 146 Częstość 11, 84, 146 — kliniczny 36, 147
— z zamiarem leczenia 146 — obserwowana 43, 63, 66, 140 — kontrolowany randomizowany (stero­
— zagregowanych poziomów 115,116 — oczekiwana 63 wany losowo, RCT) 36, 100, 147
ANOVA patrz: Analiza wariancji — skumulowana 146 — podwójnie ślepy 37
— spodziewana 146 — pojedynczo ślepy 37
— względna 16, 84, 85, 146 — przewagi 147
Badanie braku pogorszenia 45 — zachorowalności 146 — równoległy 147
— eksperymentalne 32, 146 Czułość 146 — równoważności 45, 147
— epidemiologiczne 32, 146 — modelu 79, 82, 146 — sterowany losowo 36, 100, 147
— kliniczne 73 — testu 104 — ślepy podwójnie 37
— koliortowe 32, 39, 146 Czynnik ryzyka 39, 146 pojedynczo 37
dynamiczne 39 Estymator 147
ustalone 39 — jednorodności statystycznej 118
— longitudinalne 33, 146 Dane 10, 146 — kwadratów zwyczajnych najmniej­
— nierandomizowane 93 — brakujące 14 szych 88
— obserwacyjne 3 2 , 146 — ciągłe 10 -precyzyjny 28
— pilotażowe 98, 146 — dyskretne 10 — przedziałowy 28, 30, 1-47
— prospektywne 33, 146 — kategorialne 12, 14, 16, 60, 63, 66 — punktowy 28, 147
— przekrojowe 32, 33, 146 — klasteryzowane 84, 112, 115, 116 — średniej w populacji nieobciążony 28
powtarzalne 32, 33 — nominalne 10 — wiarygodności największej 88
— przesiewowe 73 — numeryczne (ilościowe) 10, 12, 14,
— przypadek-kontrola 32, 42, 43, 82, 16, 48, 51, 54, 57
147 — pochodne 11 Format ASCII lub pliku tekstowego 12,
— retrospektywne 33, 146 — porządkowe 10 147
— równoważności 45 — przeżycia 121 — danych swobodny 12, 147
Baza obserwacyjna danych 40 — transformowane 146 — wprowadzania danych 12
Blok 34, 146 -ucięte 11,121,146 Funkcja gęstości prawdopodobieństwa
Błąd doboru systematyczny 33 lewostronnie 121, 146 22, 147
— informacyjny systematyczny 33 prawostronnie 121, 147 — łącząca 88
— obserwatora systematyczny 33 Daty 12, 14 — tożsamościowa 88
— odwołania do pamięci i wyboru syste­ Decyle 20, 147 — wiążąca 147
matyczny 40 Deklaracja CONSORT 36, 37, 38, 147
— próbkowania 28, 146 Dewiancja 89, 147
— przydziału systematycznego 36 Diagram 16 GEE patrz: Uogólnione równanie oszaco­
— publikacyjny systematyczny 33 — rozrzutu 74, 147 wania
— resztowy 73 Dodatni fałszywie 147 Granice ufności 147
— I rodzaju 46, 146 Dokładność 147 — zgodności 107, 147
— II rodzaju 46, 146 Dopasowania porównań post-hoc 147 Grupa(y) kontrolna 33, 147
— spowodowany odwołaniem do pamięci Dopasowanie 42, 73, 74, 78, 79, 89, 91 — niepowiązane 63
33 — modelu zbyt dokładne 147 — powiązane 63
oszacowaniem 33 Dyspersja 20
przydziałem 33
— standardowy 28, 29 EBM patrz: Medycyna poparta dowodami Hazard 147
elastyczny 115, 116, 146 Efekt badany 46, 47, 110, 147 — względny 122, 147
proporcji 29, 146 najmniejszy 98 Hipoteza alternatywna 44, 147
średniej (SEM) 28, 146 — klasteryzacji 116 — zerowa 44, 46, 147
— systematyczny doboru 33 — leczenia 147 Histogram 16, 82, 147

156 Indeks
Homoscedastyczność (jednorodność) wa­
riancji 96, 148
Iloraz szans 42, 82, 148
oszacowany 42
— wiarygodności (LR) 105, 148
statystycznej 81
Indeks prognostyczny 94, 148
— rzetelności 107
— zdolności predykcyjnej 82
Interakcja 35, 93, 148
Interpolowanie 148
Istotność statystyczna 148
Jaokhnifing 94, 148
Jakość dopasowania 148
Jednorodność statystyczna 118
— wariancji (homoscedaatyczność)
148
Jednostka(i) doświadczalna 34
— eksperymentalna 148
— poziomu drugiego 148
pierwszego 148
Kappa Cohena H8
— ważona 107, 148
Kategoria(e) odniesienia 78
— wzajemnie sie wykluczające 148
Kohorta historyczna 39
— kliniczna 40, 148
Komórka tablicy łtontyngencji 148
Kontrola 42, 43, 148
— błędów 14
— dodatnia 36, 148
— historyczna 148
— negatywna 36, 148
— pozytywna 36, 148
— ujemna 36, 148
Korekcja Bonferroniego 148
Korelacja 69
— liniowa 69
Kryteria włączenia 38
— wykluczenia 38
Krzywa(e) Kaplana-Meiera 121, 123
— mocy 47
— ROC 105, 106, 148
Kwadrat średniej resztowy 57
Kwartyle 20, 148
Leczenie kontrolne 36
Liczba(y) losowe 132
— pacjentów wymaganych do leczenia
(NNT) 110, 148
— stopni swobody 24, 31, 148
Linearyzacja wariancji 26, 27
Linia regresji 72
Liniowość 26
Maskowanie 36, 37, 148
Mediana 18, 19, 20, 148
Medycyna poparta dowodami (EBM)
110, 118, 148
Metaanaliza 118, 119, 148
Metoda Bayesowska 124, 125 Obserwacje 10, 149
— Kaplana-Meiera 121 — niezależne 74
— najmniejszych kwadratów 72, 148 — powiązane 149
— rangowa 148 Odchylenie standardowe 21, 29, 149
— regresji dla danych klasteryzowanych — standaryzowane normalne 149
113, 115, 116 Odległość Cooka 79
Miara niepewności 22 Odporność 149
— podsumowująca 112,115 Odstępstwa od protokołu 149
MLE patrz: Oszacowanie największej Odtwarzalność 107, 149
wiarygodności Ogranicznik 12
Moc 46, 93, 98, 99, 148 Okres wymywania 34, 149
Modalna 18, 19, 149 Operat losowania 28, 149
Model 149 Osobo-lata obeerwacji 150
— brzegowy 149 Oszacowanie największej wiarygodności
— Chi-kwadrat 89 (MLE) 88, 150
— efektów losowych 115, 116, 117,
145, 149
stałych 149 Parametr 22, 26, 28, 150
— ekspotencjalny 122 Percentyle 20, 150
96, — Gompertza 122 Placebo 36, 150
— hierarchiczny 149 Plik ASCII 12
— liniowy uogólniony 88, 153 — tekstowy 12
— matematyczny 88 Podejście aprioryczne 23
— mieszany 149 — Bayesowskie do prawdopodobieństwa
— nachyleń losowych 117, 149 124
— przecięć losowych 115,117,149 do wnioskowania 150
— regresji Poissona 149 — brzegowe 116
— regresyjny 122 — częstościowe 22, 124
jednej zmiennej 149 — do analizy przeżycia odwołujące sie do
proporcjonalnych hazardów (ryzyka) tablic trwania życia 150
wg Coxa 82, 123, 149 — subiektywne 22
wielowymiarowy 149 — uśrednienia populacji 116
wielu zmiennych 149 Podsumowanie przeżycia 121
— szeregów czasowych hierarchiczny Pole pod krzywą 23
115 Pomiary powtarzane 112,150
klasterowy 115 Poprawka ze względu na ciągłość 150
mieszany 115 Populacja 10, 28, 150
przekrojowy 115 Porównywanie przeżycia 122
wielopoziomowy 115 Powiązanie 150
-Weibulla 122 Powtarzalność 107, 150
— wielopoziomowy 149 Powtarzanie pomiarów 34
— wymienny 149 Poziom 150
— wysycony 89, 149 — istotności 45, 46, 47, 98, 150
— zagnieżdżony 89, 149 Prawdopodobieństwo 22, 150
Modelowanie statystyczne 93 — a posteriori 124, 125, 150
Modyfikacja wpływu 149 — a priori 124, 125, 150
Moment mieszany Pearsona 69 — częstościowe 150
— po teście 125, 150
— przed testem 125, 150
Nachylenie 74, 149 — przeżycia 121
Narzędzie przesiewu 104 — subiektywne 150
Niejednorodność kliniczna 119,149 — warunkowe 124, 150
— statystyczna 149 Prewalencja choroby 104, 125
— wariancji 96, 149 Procenty 11
Nieobciążony 149 Proces najwyższej wiarygodności 81
NNT patrz: Liczba pacjentów wymaga­ Projekt całkowicie zrandomizowany 34,
nych do leczenia 150
Nomogram Altmana 98, 99, 100, 133, — czynnikowy 34
149 — naprzemienny 34, 35, 150
— Fagana 124, 149 — równoległy 34, 35
Normalizacja wariancji 26, 27 Proporcja 11, 150
— fałszywie dodatnia 82
ujemna 82
Obciążenie 107, 149 — pojedyncza 60, 61
— odwołania do pamięci 149 Protokół 37, 150
— przydziału 149 — rozbieżności 38
— publikacyjne 119,149 Próba(y) 10, 28, 150
— wyboru 149 — dogodna 28, 150
Indeks 157
Próba(y) kwotowa 28 Rozkład dwumodalny 151 Stosunek częstości 84
— losowa 28 — empiryczny 151 zachorowalności 152
— niezależne 150 — F 24, 128, 151 - F 74
— reprezentatywna 28 — Gaussa 22, 23, 26, 27, 28, 29, 30, — hazardu 122, 152
— ślepa podwójnie 152 96, 136, 137, 151 — wiarygodności 89, 125
— ucząca 94, 150 — jednomodalny 151 Struktura dwupoziomowa zmiennej
— walidacyjna 94, 150 — lognormalny 24, 151 112
Próbkowanie 28 — normalny 22, 23, 26, 27, 28, 29, 30, Suma brzegowa w tablicy kontyngencji
— kwotowe 150 96, 136, 137, 151 63, 152
— losowo 150 standaryzowany 127, 128, 151 — całkowita 63
— ro2kladu proporcji 29 — Poissona 25, 151 Swoistość 82, 152
— średniej 28 — prawdopodobieństwa 22, 24, 44, 151 Szansa 152
— systematyczne 28, 150 ciągły 22, 151
Pracciccie 150 dyskretny 22, 25, 151
Przecie tna 150 — próbkowania proporcji 29,151 Ślepa podwójnie 152
Przedział odniesienia 2 0 , 104, 150 średniej 28, 151 Średnia arytmetyczna 18, 19, 20, 21,
— ufności 30, 45, 48, 54, 75, 110 — przekrzywiony w lewo (ujemnie sko­ 23, 25, 29, 152
dla parametru 150 śny) 17 — geometryczna 18, 19, 152
— - dla proporcji 30, 31 w prawo (dodatnio skośny) 17 — ważona 18, 19, 152
— — dla średniej 30, 31 — reszt 76, 80
Przegląd systematyczny 118, 150 — równomierny 151
Przełożenie 78, 151 — skośny 151 Tablica 2x2 152
Przesiew 151 ujemnie 17 — analizy wariancji 73
Przeżycie, podsumowanie 121 dodatnio 17 — klasyfikacyjna 81
— porównywanie 122 — symetryczny 17, 151 — kontyngencji 63, 66, 140, 152
— prawdopodobieństwo 121 — t 24, 30, 127, 151 — przeżycia 121
Przyczynowość 33 — teoretyczny 22, 24 Test Barletta 58, 96, 152
Przydział losowy 36 Rozpowszechnienie 152 — Chi-kwadrat 63, 66, 67, 100, 152
— systematyczny 36, 151 — punktowe 33, 152 jednorodności Cochrana 119
Przypadek 4 2 , 4 9 , 151 Rozproszenie 20, 21 modelu 152
— chorobowości 42 Rozrzut zaniżony 152 dla trendu 66, 68
— rozpowszechnienia 151 — zawyżony 152 — diagnostyczny 104, 152
— zapadalności 42, 151 Rozstęp 20, 21, 152 w ujęciu Bayesowskim 124
Punht Końcowy drugorzędny 151 — międzydecylowy 20, 152 — dla pojedynczej proporcji 60
— — pierwszorzędny 151 — międzykwartylowy 20, 152 — dokładny Fishera 63
— procentowy 3 0 , 151 — oparty na percentylach 21 — Duncana 57
— wpływający 74, 151 Równanie estymacyjne uogólnione — dwustronny 44, 152
Punktacja 11 116 — F (stosunku wariancji) 79, 96, 97,
— ryzyka 94, 95, 151 — oszacowania uogólnione (GEE) 116, 152
145, 153 — Fishera dokładny 147
— regresji logistycznej 81 — hipotezy (istotności) 44, 152
Randomizacja 36, 37, 38, 151 Różnica(e) jakości 119 — ilorazu wiarygodności 152
— blokowa 36 — standaryzowana 98, 152 — jednorodności Chi-kwadrat Cochrana
— klasterowa 36, 151 RTC patrz: Eksperyment kontrolowany 119
— warstwowa 36 randomizowany — jednostronny 44, 152
Rangi dla przedziałów ufności dla media­ Ryzyko 84 — Kolmogorowa-Smirnowa 96, 152
ny 129 — choroby 40, 152 — Kruskala-Wallisa 58, 59, 148
Rangowanie 51 — względne 40, 41, 81, 82, 152 — Levene'a 58, 96, 135, 153
Regresja do średniej 73, 151 Rzetelność 152 — Long-rank 122, 123, 153
— liniowa 72, 73 — McNemary 63, 65, 153
— - prosta 72, 74, 75, 76, 139, 150 — nieparametryczny 45, 97, 153
wielokrotna 72, 78, 139, 153 Selekcja automatyczna 91 — parametryczny 153
— logistyczna 82, 151 — kontroli 42 — Scheffego 57
multinominalna 82 — krokowa 91, 152 — Shapiro-Wilka 96, 153
porządkowa 82, 151 — postępująca (progresywna) 91, 152 — sumy rang Wilcoxona 54, 56, 130,
warunkowa 82, 151 — wsteczna 91, 152 153
wielomianowa 153 SEM patrz: Błąd standardowy średniej — t 48, 49, 79, 99, 134, 137
— Poissona 84, 85 Skorygowanie 78, 79 — t dla zmiennych niepowiązanych (dla
— wielomianowa 91, 151 Skurczenie 152 dwóch prób) 54, 153
Reguła dodawania prawdopodobieństwa Specyficzność testu 104 powiązanych (dla jednej próby)
22 Stabilizacja wariancji 26, 27 51, 52, 153
— mnożenia prawdopodobieństwa 22 Statystyka 10, 22, 152 — U Manna-Whitney'a 54, 153
Replikacja 151 — podsumowująca 16 — Wilcoxona rangowanych znaków 51,
Reszta 151 — próby 28 53, 129, 153
Rozkład Chi-kwadrat 24, 127, 151 — stosunku wiarygodności (-2 log wiary­ — złotego standardu 104, 153
— częstości 16, 17, 151 godność) 89 — znaków 49, 50, 60, 61, 128, 153
empiryczny 16, 22 — testu 44, 152 Testowanie hipotez 44, 45, 46
— dwumianowy 25, 151 Walda 141, 152 wielokrotne 46

158 Indeks
Transformacja 26
— hiperboliczna 27
— logarytmiczna 26
— logitowa (logistyczna) 27, 153
— pierwiastkowania kwadratowego
— podnoszenia do kwadratu 27
Trend 153
Twierdzenie Bayesa 124, 153
Ujemny fałszywie 147
Umieralność 84
Uogólnione równanie oszacowania (GEE)
116, 145, 153
Uwikłanie 153
Wariancja 20, 21, 23, 25,153
— niewyjaśniona 73, 153
— próbkowania 28
— resztowa 57, 73
Warstwa 153
Wartość brakująca 13, 15
— dopasowana 72, 74, 77, 153
-- obserwowana 43, 72, 74
— odcięcia 105
— odskakująca 14, 15, 17, 74, 79, 153
— p 44, 153
— predykcyjna dodatnia 105, 153
ujemna 105, 153
— przeciętna 18, 19
— resztowa 72, 74, 79, 80
— wpływająca 79
— wyrównująca 85, 153
Ważność 153
:
— 2 log wiarygodność 146
Wiarygodność 88, 153
— cząstkowa 122
— testu 104
Wielkość badania 38
— efektu 46
-próby 34,46,98,99
Wnioskowanie 153
Współc2ynnik korelacji Pearsona 69,
70, 71, 131, 138, 153
Spearmana 131, 138
rangowej 70, 71, 153
wewnątrzklasowej (ICC) 107, 116,
145, 153
Współczynnik nachylenia (gradient) 72 Zgodność wyników 107, 108, 109
— powtarzalności Brytyjskiego Instytutu Zmiany w czasie 85
Standaryzacji 107, 154 Zmienna 10, 154
— przecięcia 72 -binarna 10,12,78,110,154
26 — regresji 72, 154 — ciągła 13, 154
cząstkowej 78, 154 — dychotomiczna 10, 12, 78, 110,
logistycznej 81, 154 154
Poissona 85 — dyskretna 13, 154
— śmiertelności 154 — ilościowa 10, 90, 107, 110, 154
— zmienności 154 — indeksująca 78, 90, 141, 142, 143,
Wybór modelu automatyczny 154 154
— wszystkich podzbiorów 154 — jakościowa 10, 17, 78, 107, 154
Wykres Kaplana-Meiera 154 — kategorialna 10, 17, 78, 107, 154
— kolumnowy klasteryzowany 17 — kodowana pojedynczo 12
segmentowany 16, 17 — kodowana wielokrotnie 12, 13
— kołowy 16, 154 — losowa 22, 154
— lejkowy 119 — mieszająca 93
-leśny 119,154 — niezależna 72, 79, 90, 154
— „łodyga z liśćmi" 17, 154 — nominalna 12, 13, 90, 154
— normalności 96, 154 — numeryczna 10, 90, 107, 110, 154
— punktowy 16, 17, 60, 154 — porządkowa 13, 78, 90, 154
— rozrzutu 16, 17 — pośrednia 94
— skrzynkowy 17, 20, 135, 154 — predykcyjna 72, 79, 90, 154
— słupkowy (kolumnowy) 16, 17, 154 — standaryzowana 23
Wynikli) binarny 118 — ślepa 78, 90, 141, 142, 143, 154
— istotny 44 — wskaźnikowa 78, 90, 141, 142, 143,
— końcowy podstawowy 36 154
wtórny 36 — tymczasowa 154
— leczenia 46 — uwikłana 93
— nieistotny 44 — wskaźnikowa 78, 90, 141, 142, 143,
— numeryczny 118 154
— sparowane 107 — wyjaśniająca 72, 79, 90, 154
— ujemny fałszywie 147 — wynikowa binarna 81
Wzory Lehra 98, 154 główna 154
— zależna (wynikowa, odpowiedzi) 72,
154
Zachorowalność 33, 84, 154 — zależna od czasu 154
Zakres normalny 20, 154 Zmienność 20, 21
— odniesienia 20 — ekstradwumianowa 155
— równoważności 45 — ekstra-Poisaonowska 86, 155
Zależność 119 — losowa 155
— liniowa (współliniowość, kolinearność) niewyjaśniona 34
74, 79, 94, 154 — miedzygrupowa 21, 57
Założenie dystrybucyjne 26 — obserwacji 46, 98
— liniowości 90, 92 — wewnątrzgrupowa (niewyjaśniona,
Zapadalność 42, 151 resztowa) 21, 57, 155
Zaślepienie 36, 37, 154 Związek liniowy 72, 97
Zdarzenie dopełniające 22
— warunkowe 22
Indeks 159