028. Jak zaplanować analizę statystyczną przed rozpoczęciem zbierania danych?

Analizy statystycznej nie powinno się traktować jako etapu, który zaczyna się dopiero po otwarciu pliku z danymi. Najważniejsze decyzje analityczne należy podjąć wcześniej, ponieważ sposób pomiaru zmiennych, liczebność próby, harmonogram obserwacji i definicja punktów końcowych wpływają na to, jakie wnioski będą później uzasadnione. Dobrze przygotowany plan analizy statystycznej, często określany skrótem SAP (statistical analysis plan), jest technicznym rozwinięciem protokołu badania. W publicznym szkoleniu na statystyk.edu.pl warto traktować go jako narzędzie łączące pytanie badawcze z konkretnym sposobem opracowania danych.

Czym jest plan analizy statystycznej?

Plan analizy statystycznej to uporządkowany dokument opisujący, w jaki sposób zostaną przygotowane, przedstawione i przeanalizowane dane, aby odpowiedzieć na wcześniej określone pytania badawcze. Nie jest on listą wszystkich testów, które badacz potrafi wykonać, lecz uzasadnionym wyborem metod wynikającym z projektu badania, rodzaju zmiennych, sposobu doboru próby i celu wnioskowania.

W badaniu eksploracyjnym plan może pozostawiać większą przestrzeń na poszukiwanie wzorców, ale również powinien odróżniać analizy zaplanowane od tych, które pojawią się dopiero po obejrzeniu danych. W badaniu ukierunkowanym na ocenę hipotezy plan powinien być bardziej precyzyjny, a jego zasadnicze elementy należy ustalić przed rozpoczęciem analizy wyników. Takie rozdzielenie hipotez, analiz i wniosków na pierwotne, drugorzędowe oraz eksploracyjne zalecają między innymi standardy APA JARS (Appelbaum et al., 2018). ([apa.org](https://www.apa.org/pubs/journals/resources/apa-style-jars?utm_source=openai))

Dlaczego planuje się analizę przed zebraniem danych?

Ochrona przed decyzjami podejmowanymi pod wpływem wyników

Po zebraniu danych badacz może zauważyć wiele interesujących zależności. Problem polega na tym, że wybór hipotezy, podgrupy lub modelu po obejrzeniu wyników zwiększa ryzyko uzyskania wniosku pozornie potwierdzonego przez dane, choć nie był on pierwotnym celem badania. Samo odkrycie takiej zależności nie jest błędem, ale powinno zostać opisane jako wynik eksploracyjny, a nie jako bezpośrednie potwierdzenie wcześniej sformułowanej hipotezy.

Spójność między projektem i analizą

Plan zmusza do sprawdzenia, czy pytanie badawcze ma odpowiednik w zmiennej wynikowej, czy sposób pomiaru jest wystarczający, a także czy przewidziana próba pozwoli na oszacowanie interesującego efektu z akceptowalną precyzją. Dzięki temu można wykryć problemy jeszcze wtedy, gdy da się zmienić kwestionariusz, harmonogram pomiarów albo strategię rekrutacji.

Transparentność i odtwarzalność

Przejrzysty plan ułatwia ocenę, które decyzje były podjęte przed analizą, a które wynikały z późniejszego rozpoznania danych. Wytyczne dotyczące zawartości SAP dla badań klinicznych obejmują między innymi populację analizowaną, definicje zmiennych, metody postępowania z brakami danych, analizę główną, analizy dodatkowe i analizy wrażliwości (Gamble et al., 2017). ([jamanetwork.com](https://jamanetwork.com/journals/jama/fullarticle/2666509?utm_source=openai))

Elementy dobrego planu analizy

1. Pytanie badawcze i estimand

Najpierw należy zapisać, jaki dokładnie efekt ma zostać oszacowany. W badaniu klinicznym trzeba rozważyć nie tylko interwencję i punkt końcowy, lecz także populację, moment pomiaru oraz sposób traktowania zdarzeń występujących w trakcie obserwacji, takich jak przerwanie leczenia czy rozpoczęcie terapii ratunkowej. Współczesne wytyczne ICH E9(R1) opisują tę logikę za pomocą pojęcia estimandu, czyli precyzyjnie określonego celu wnioskowania statystycznego (ICH, 2019). ([database.ich.org](https://database.ich.org/sites/default/files/E9-R1_Step4_Guideline_2019_1203.pdf?utm_source=openai))

W badaniu obserwacyjnym należy dodatkowo jasno określić, czy celem jest opis częstości zjawiska, ocena związku między ekspozycją a wynikiem, czy predykcja indywidualnego ryzyka. Nie wolno automatycznie używać języka przyczynowego, jeśli projekt nie zapewnia podstaw do wnioskowania o przyczynowości.

2. Zmienne i ich operacjonalizacja

Dla każdej zmiennej trzeba określić:

• rolę w badaniu: wynikowa, główna ekspozycja, współzmienna, mediator, modyfikator efektu lub zmienna opisowa;
• skalę pomiaru: nominalną, porządkową, przedziałową albo ilorazową;
• sposób kodowania i jednostkę;
• moment pomiaru oraz dopuszczalny zakres wartości;
• reguły tworzenia wskaźników złożonych i kategorii.

Jeżeli wynik jest mierzony skalą psychologiczną, należy wcześniej ustalić, czy analizowany będzie wynik całkowity, podskale, zmiana względem wartości wyjściowej czy osiągnięcie ustalonego progu klinicznego. Nie powinno się wybierać korzystniejszej wersji wyniku dopiero po porównaniu kilku możliwości.

3. Hipotezy, priorytety i kierunek efektu

Plan powinien zawierać hipotezę główną oraz – jeśli są potrzebne – hipotezy drugorzędowe. Przykładowo:

Hipoteza główna: u pacjentów po udarze udział w programie rehabilitacji wiąże się z większą poprawą wyniku w skali funkcjonalnej po 12 tygodniach niż standardowa opieka.

Warto określić, czy test będzie jednostronny czy dwustronny, lecz test jednostronny powinien być stosowany tylko wtedy, gdy kierunek efektu wynika z uzasadnienia naukowego i został określony przed analizą. W większości badań medycznych i społecznych bezpiecznym standardem jest testowanie dwustronne.

4. Statystyki opisowe i wizualizacja

Plan powinien wskazywać, jak zostaną opisane dane. Dla zmiennych ilościowych można przewidzieć średnią i odchylenie standardowe, gdy rozkład i cel opisu to uzasadniają, albo medianę i kwartyle, gdy ważna jest odporność na obserwacje skrajne. Dla zmiennych jakościowych należy podawać liczebności i odsetki. Sam test istotności nie zastępuje opisu danych.

Warto z góry zaplanować wykresy: histogram lub wykres gęstości dla rozkładu, wykres punktowy dla związku dwóch zmiennych ilościowych, wykres pudełkowy dla porównań grup oraz wykres trajektorii dla pomiarów powtarzanych.

5. Dobór modelu i założeń

Metoda analizy powinna wynikać przede wszystkim z pytania i struktury danych. Przykładowe dopasowania przedstawiono poniżej:

Typ wyniku	Przykładowa metoda	Najważniejsze kwestie
Wynik ilościowy	regresja liniowa, analiza kowariancji	liniowość, reszty, heteroscedastyczność, obserwacje wpływowe
Wynik binarny	regresja logistyczna	kodowanie wyniku, liczba zdarzeń, interpretacja ilorazu szans
Czas do zdarzenia	model Coxa	cenzorowanie, założenie proporcjonalności hazardów
Pomiary powtarzane	model mieszany	zależność obserwacji, struktura kowariancji, brakujące pomiary

Nie należy wybierać testu wyłącznie na podstawie tego, czy dane są „normalne”. Ważniejsze są między innymi niezależność obserwacji, sposób doboru próby, charakter wyniku, liczba zdarzeń oraz cel oszacowania. Sprawdzenie założeń powinno być częścią planu, a nie pretekstem do wielokrotnego testowania różnych metod aż do uzyskania pożądanego wyniku.

Wielkość próby i precyzja oszacowania

Plan analizy powinien być powiązany z uzasadnieniem liczebności próby. W badaniu testującym różnicę średnich można posłużyć się uproszczonym wzorem dla dwóch niezależnych grup o podobnej liczebności:

n na grupę ≈ 2 × (z1−α/2 + z1−β)² × σ² / Δ²

• n – liczebność jednej grupy;
• α – przyjęty poziom błędu pierwszego rodzaju;
• β – prawdopodobieństwo niewykrycia efektu o założonej wielkości, czyli błąd drugiego rodzaju;
• 1−β – moc statystyczna;
• σ – zakładane odchylenie standardowe wyniku;
• Δ – różnica, którą uznaje się za istotną z punktu widzenia praktycznego lub klinicznego.

Wzór jest uproszczeniem. W praktyce należy uwzględnić typ wyniku, nierówną liczebność grup, powtarzane pomiary, klastrowanie, wielokrotne punkty końcowe oraz przewidywany odsetek utraty obserwacji. Nie należy jednak mylić mocy z prawdopodobieństwem, że hipoteza jest prawdziwa.

Braki danych, obserwacje skrajne i analizy wrażliwości

Plan powinien określać, co stanie się z brakującymi wartościami. Najpierw trzeba opisać ich zakres i wzorzec, następnie rozważyć możliwe przyczyny oraz to, czy brak może być związany z wynikiem lub ekspozycją. Możliwe strategie obejmują analizę przypadków kompletnych, imputację wielokrotną, modele wykorzystujące wszystkie dostępne pomiary oraz analizy scenariuszowe.

Nie wystarczy napisać, że obserwacje odstające zostaną „usunięte”. Należy ustalić, czy są wynikiem błędu pomiaru, błędu wpisania, czy rzeczywistej zmienności biologicznej lub psychologicznej. Usuwanie prawdziwych obserwacji tylko dlatego, że pogarszają wynik, jest nieuprawnione.

Analiza wrażliwości sprawdza, czy główny wniosek utrzymuje się przy rozsądnych alternatywach, na przykład po zastosowaniu innego modelu, odmiennego sposobu potraktowania braków danych lub innej definicji populacji analizowanej. ICH E9(R1) podkreśla znaczenie powiązania takich analiz z konkretnym celem wnioskowania i zdarzeniami występującymi po randomizacji (ICH, 2019). ([database.ich.org](https://database.ich.org/sites/default/files/E9-R1_Step4_Guideline_2019_1203.pdf?utm_source=openai))

Przykład praktyczny: program ograniczający wypalenie zawodowe pielęgniarek

Załóżmy, że badacz planuje badanie randomizowane obejmujące 120 pielęgniarek. Uczestniczki zostaną przydzielone do programu sześciu warsztatów albo do grupy kontrolnej. Głównym wynikiem ma być zmiana wyniku w skali wypalenia po 8 tygodniach względem pomiaru wyjściowego.

Plan analizy powinien zawierać co najmniej następujące decyzje:

1. Populacja główna: wszyscy zrandomizowani uczestnicy, analizowani zgodnie z przydziałem, o ile projekt i cel badania uzasadniają podejście intention-to-treat.
2. Wynik główny: wynik skali po 8 tygodniach, z wartością wyjściową jako kowariantą w modelu regresji liniowej.
3. Efekt: skorygowana różnica średnich między grupami wraz z 95-procentowym przedziałem ufności.
4. Zmienne dodatkowe: absencja chorobowa i dobrostan psychiczny, analizowane jako wyniki drugorzędowe.
5. Braki danych: opis liczby brakujących obserwacji w każdej grupie, analiza główna z imputacją wielokrotną oraz analiza wrażliwości dla przypadków kompletnych.
6. Raportowanie: osobne przedstawienie wyników głównych, drugorzędowych i eksploracyjnych.

Wynik „istotny statystycznie” nie oznacza automatycznie, że program jest użyteczny. Należy ocenić wielkość różnicy, jej przedział ufności oraz to, czy przekracza wcześniej przyjęty próg znaczenia praktycznego. Jeżeli przedział obejmuje zarówno efekt korzystny, jak i efekt bliski zeru, właściwym wnioskiem może być niepewność oszacowania, a nie proste stwierdzenie „program działa” albo „program nie działa”.

Przykład z epidemiologii: aktywność fizyczna a nadciśnienie

W badaniu kohortowym można obserwować 2000 dorosłych przez pięć lat, porównując ryzyko rozwoju nadciśnienia u osób o różnym poziomie aktywności fizycznej. Przed zebraniem danych należy ustalić, czy ekspozycja będzie analizowana jako zmienna ciągła, w kwartylach czy według progów klinicznych. Trzeba również określić potencjalne zmienne zakłócające, takie jak wiek, płeć, palenie tytoniu, wskaźnik masy ciała i wyjściowe ciśnienie tętnicze.

Jeśli wynikiem jest wystąpienie nadciśnienia w okresie obserwacji, można zaplanować regresję logistyczną lub analizę czasu do zdarzenia, zależnie od jakości informacji o dokładnym czasie rozpoznania. Jeżeli celem jest opis związku, należy używać sformułowań typu „wiązało się z niższym ryzykiem” lub „obserwowano związek”, a nie „aktywność fizyczna obniżyła ryzyko”, chyba że projekt i dodatkowe założenia uzasadniają wniosek przyczynowy.

Najczęstsze błędy

• Planowanie analizy po obejrzeniu wyników. Zwiększa to ryzyko selektywnego raportowania.
• Brak hierarchii celów. Dziesiątki „głównych” punktów końcowych utrudniają interpretację i zwiększają problem wielokrotnego testowania.
• Dobieranie testu do wyniku p. Metoda powinna wynikać z projektu i rodzaju danych, nie z tego, która wersja daje najmniejszą wartość p.
• Ignorowanie zależności obserwacji. Dotyczy to między innymi pomiarów powtarzanych, pacjentów z tych samych oddziałów i uczniów z tych samych szkół.
• Automatyczne usuwanie obserwacji skrajnych. Wartość nietypowa nie jest równoznaczna z wartością błędną.
• Nieokreślenie sposobu postępowania z brakami danych. Analiza tylko przypadków kompletnych może zmienić skład badanej populacji.
• Raportowanie wyłącznie wartości p. Należy podawać także estymatę efektu, przedział ufności i – gdy ma to sens – miarę wielkości efektu.
• Mylenie analizy eksploracyjnej z konfirmacyjną. Odkrycie ciekawego wzorca może być wartościowe, ale wymaga odpowiednio ostrożnej interpretacji.

Jak przygotować plan krok po kroku?

1. Zapisz pytanie badawcze i główny cel wnioskowania.
2. Wskaż populację, ekspozycję lub interwencję, wynik i moment pomiaru.
3. Zdefiniuj zmienne oraz reguły ich kodowania.
4. Ustal analizę główną, populację analizowaną i sposób raportowania efektu.
5. Określ analizy drugorzędowe i wyraźnie oddziel je od eksploracyjnych.
6. Opisz diagnostykę danych, założenia modeli, braki danych i obserwacje skrajne.
7. Powiąż liczebność próby z głównym efektem i jego praktycznym znaczeniem.
8. Dodaj analizy wrażliwości oraz reguły dokumentowania odstępstw od planu.
9. Zapisz wersję planu z datą, autorami i informacją o zmianach.

W badaniach klinicznych plan analizy powinien pozostawać zgodny z protokołem. SPIRIT 2013 wskazuje, że protokół powinien jasno przedstawiać między innymi cele, wyniki i plan analityczny, aby projekt był kompletny i możliwy do oceny (Chan et al., 2013). ([bmj.com](https://www.bmj.com/content/346/bmj.e7586.abstract?utm_source=openai))

Co warto zapamiętać?

• Plan analizy statystycznej powstaje przed zebraniem danych, ponieważ decyzje podejmowane po obejrzeniu wyników mogą prowadzić do selektywnego wnioskowania.
• Metoda statystyczna musi wynikać z pytania badawczego, projektu, skali pomiaru i zależności między obserwacjami.
• Analiza główna powinna być jedna, jasno uzasadniona i powiązana z głównym punktem końcowym.
• Wartości p nie są prawdopodobieństwami prawdziwości hipotez ani hipotezy zerowej.
• O znaczeniu wyniku decydują łącznie wielkość efektu, jego niepewność, jakość pomiaru i znaczenie praktyczne.
• Braki danych, obserwacje skrajne, założenia modeli i analizy wrażliwości należy planować tak samo starannie jak test główny.
• Każde odstępstwo od pierwotnego planu trzeba opisać i odróżnić od analizy zaplanowanej.

\n

Źródła i dalsza lektura

\n

1. Appelbaum, Mark; Cooper, Harris; Kline, Rex B.; Mayo-Wilson, Evan; Nezu, Arthur M.; Rao, Stephen M.; oraz współautorzy z APA Publications and Communications Board Task Force (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
2. Gamble, Carrol; Krishan, Ashma; Stocken, Deborah; Lewis, Steff; Juszczak, Edmund; Doré, Caroline; Williamson, Paula R.; Altman, Douglas G.; Montgomery, Alan; Lim, Pilar; Berlin, Jesse; Senn, Stephen; Day, Simon; Barbachano, Yolanda; Loder, Elizabeth (2017). Guidelines for the Content of Statistical Analysis Plans in Clinical Trials. JAMA: The Journal of the American Medical Association, 318(23), 2337–2343. DOI: 10.1001/jama.2017.18556.
3. International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use (2019). ICH E9(R1) Addendum on Estimands and Sensitivity Analysis in Clinical Trials to the Guideline on Statistical Principles for Clinical Trials. International Council for Harmonisation. Źródło.
4. Chan, An-Wen; Tetzlaff, Jennifer M.; Altman, Douglas G.; Laupacis, Andreas; Gøtzsche, Peter C.; Krleža-Jerić, Karmela; Hróbjartsson, Asbjørn; Mann, Howard; Dickersin, Karmela; Berlin, Jesse A.; Doré, Caroline J.; Parulekar, W. R.; Summerskill, William S. M.; Groves, Trish; Schulz, Kenneth F.; Sox, Harold C.; Rockhold, Frank W.; Rennie, Drummond; Moher, David (2013). SPIRIT 2013 explanation and elaboration: guidance for protocols of clinical trials. BMJ, 346, e7586. DOI: 10.1136/bmj.e7586.
5. American Psychological Association (2018). APA Style Journal Article Reporting Standards. American Psychological Association. Źródło.

\n

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.