045. Jak pisać cele opisowe, porównawcze, zależnościowe i predykcyjne?

Dobrze sformułowany cel badania nie jest ozdobnym zdaniem we wstępie do pracy. To operacyjna deklaracja tego, czego badacz chce dowiedzieć się na podstawie określonych danych. Od rodzaju celu zależą: konstrukcja problemu badawczego, dobór zmiennych, sposób pomiaru, plan analizy statystycznej oraz język wnioskowania. W tej lekcji uporządkujemy cztery często stosowane typy celów: opisowe, porównawcze, zależnościowe i predykcyjne.

Podział ten jest szczególnie użyteczny w badaniach medycznych, pielęgniarskich, psychologicznych i z zakresu zdrowia publicznego. Pomaga odróżnić pytanie „jak często i u kogo występuje dane zjawisko?” od pytania „czy grupy się różnią?”, „czy zmienne są ze sobą powiązane?” oraz „czy na podstawie określonych informacji można przewidywać wynik u konkretnej osoby?”. Współczesna metodologia podkreśla konieczność zgodności między pytaniem, celem, projektem badania i analizą danych (von Elm i in., 2007; APA, 2018).

1. Cel badawczy jako przełożenie problemu na plan działania

Cel badawczy powinien wskazywać co najmniej cztery elementy:

• populację lub grupę badaną,
• zjawisko, zmienną albo wynik, który będzie analizowany,
• kontekst lub czas, jeżeli ma znaczenie dla interpretacji,
• operację poznawczą: opisanie, porównanie, ocenę zależności albo opracowanie predykcji.

Przykładowo zdanie „Celem badania jest analiza zdrowia psychicznego studentów” jest zbyt ogólne. Nie wiadomo, czy chodzi o oszacowanie częstości objawów, porównanie studentów różnych kierunków, zbadanie związku między snem a lękiem, czy zbudowanie modelu przewidującego ryzyko depresji. Każdy z tych zamiarów prowadzi do innego celu szczegółowego, innego zestawu danych i innego sposobu raportowania.

Warto pamiętać, że czasownik użyty w celu nie zastępuje precyzji metodologicznej. Słowa „zbadać”, „przeanalizować” i „ocenić” są dopuszczalne jako wprowadzenie, ale powinny być uzupełnione informacją, co dokładnie zostanie opisane, porównane, powiązane lub przewidziane.

2. Cele opisowe

Na czym polega cel opisowy?

Cel opisowy służy scharakteryzowaniu badanego zjawiska bez konieczności porównywania grup i bez zakładania, że analizowane zmienne pozostają ze sobą powiązane. Badacz chce ustalić rozkład cechy, częstość występowania problemu, średni poziom wyniku, strukturę badanej populacji albo zmienność obserwacji.

Typowe czasowniki to: opisać, oszacować, określić częstość, scharakteryzować, ustalić rozkład oraz przedstawić profil. Cel opisowy nie oznacza celu „prostego” lub metodologicznie mniej wartościowego. W wielu badaniach epidemiologicznych podstawowym osiągnięciem jest wiarygodne oszacowanie częstości choroby albo poziomu określonego zachowania zdrowotnego.

Przykład: „Celem badania jest oszacowanie częstości występowania objawów bezsenności wśród pielęgniarek pracujących zmianowo w szpitalach województwa mazowieckiego w 2026 roku oraz opisanie ich pod względem wieku, stażu pracy i liczby dyżurów nocnych w miesiącu”.

W takim celu główną rolę odgrywają statystyki opisowe. Dla zmiennych ilościowych można przedstawić średnią i odchylenie standardowe albo medianę i kwartyle, zależnie od rozkładu danych. Dla zmiennych jakościowych stosuje się liczebności i odsetki. Jeżeli celem jest oszacowanie częstości w populacji, należy rozważyć również przedział ufności dla odsetka. Sam odsetek w próbie jest estymatorem, a nie bezbłędnym obrazem populacji.

Jak rozpoznać, że cel jest opisowy?

Zadaj pytanie: „Czy po zakończeniu analizy będę przede wszystkim wiedzieć, jak wygląda zjawisko?”. Jeśli odpowiedź brzmi „tak”, prawdopodobnie formułujesz cel opisowy. Przykładami są:

• opisanie poziomu wypalenia zawodowego wśród ratowników medycznych;
• oszacowanie odsetka dorosłych mieszkańców gminy spełniających zalecenia aktywności fizycznej;
• charakterystyka pacjentów przyjmowanych na szpitalny oddział ratunkowy z powodu urazów komunikacyjnych.

3. Cele porównawcze

Porównanie wymaga jasno określonych grup lub warunków

Cel porównawczy zakłada zestawienie co najmniej dwóch grup, kategorii, okresów, metod pomiaru albo warunków badania. Nie wystarczy napisać, że „zostaną przeanalizowane różnice”. Trzeba wskazać, kto lub co będzie porównywane, jaka cecha stanowi wynik oraz czy porównanie jest niezależne, czy powiązane.

Przykład: „Celem badania jest porównanie nasilenia objawów lęku u studentów pierwszego roku kierunków medycznych i społecznych po uwzględnieniu wieku oraz płci”.

W tym przykładzie grupą porównawczą jest kierunek studiów, a wynikiem nasilenie lęku. Sformułowanie „po uwzględnieniu wieku oraz płci” sugeruje analizę wielozmiennową, na przykład model regresji liniowej. Nie należy jednak wpisywać do celu zmiennych korygujących tylko dlatego, że planuje się użyć bardziej zaawansowanej procedury. Powinny one mieć uzasadnienie merytoryczne, a nie wyłącznie statystyczne.

Cel porównawczy może dotyczyć także dwóch pomiarów u tych samych osób, na przykład wyniku przed szkoleniem i po szkoleniu. Wtedy nie porównujemy dwóch niezależnych grup, lecz dwa pomiary zależne. W przypadku metod pomiarowych samo stwierdzenie korelacji nie wystarcza do oceny zgodności. Bland i Altman (1986) pokazali, że zgodność dwóch metod wymaga analizy różnic między pomiarami, a nie tylko oceny ich współzależności.

Porównanie a język przyczynowy

„Porównanie” nie jest automatycznie równoznaczne z „wpływem”. W badaniu przekrojowym można porównać poziom stresu u osób pracujących zdalnie i stacjonarnie, ale taki projekt nie pozwala samodzielnie stwierdzić, że forma pracy powoduje różnice w stresie. Bezpieczniejsze sformułowanie brzmi: „porównać poziom stresu między grupami”, a nie: „ocenić wpływ pracy zdalnej na stres”. Język przyczynowy wymaga odpowiedniego projektu, kontroli zakłóceń i uzasadnionych założeń identyfikacyjnych.

4. Cele zależnościowe

Istota celu zależnościowego

Cel zależnościowy dotyczy związku między co najmniej dwiema zmiennymi. Badacz nie ogranicza się do opisu każdej zmiennej osobno, lecz pyta, czy ich wartości współwystępują, zmieniają się wspólnie albo pozostają powiązane po uwzględnieniu innych czynników.

Przykład: „Celem badania jest ocena związku między jakością snu a nasileniem objawów depresyjnych u dorosłych pacjentów podstawowej opieki zdrowotnej”.

Cel ten nie przesądza o kierunku przyczynowości. Jeżeli badanie jest przekrojowe, nie wiadomo, czy gorszy sen poprzedza objawy depresyjne, czy objawy depresyjne pogarszają sen. Możliwe jest również działanie trzeciej zmiennej, na przykład przewlekłego bólu lub sytuacji ekonomicznej.

W analizie zależnościowej można wykorzystać korelację, regresję liniową, regresję logistyczną, modele Poissona albo inne metody odpowiednie do rodzaju wyniku. Wzór prostego modelu regresji liniowej można zapisać następująco:

Y = β0 + β1X + ε

• Y – zmienna objaśniana, na przykład wynik skali depresji;
• X – zmienna objaśniająca, na przykład wynik jakości snu;
• β₀ – wyraz wolny, czyli przewidywana wartość Y przy X równym zero;
• β₁ – średnia zmiana Y związana ze zmianą X o jedną jednostkę, przy założeniu modelu;
• ε – składnik losowy obejmujący różnice między obserwowanymi a przewidywanymi wartościami.

W modelu wielozmiennowym zapis może mieć postać:

Y = β0 + β1X1 + β2X2 + ... + βkXk + ε

Wtedy każdy współczynnik opisuje związek danej zmiennej z wynikiem przy stałych pozostałych zmiennych w modelu. Nie oznacza to jednak automatycznie, że uzyskany współczynnik przedstawia efekt przyczynowy. Interpretacja zależy od projektu badania, doboru zmiennych i wiarygodności założeń.

5. Cele predykcyjne

Predykcja nie jest tym samym co wyjaśnianie

Cel predykcyjny dotyczy przewidywania wyniku na podstawie informacji dostępnych przed jego wystąpieniem albo w chwili podejmowania decyzji. Można przewidywać obecność choroby, ryzyko zdarzenia w określonym czasie, wynik skali lub prawdopodobieństwo hospitalizacji.

Przykład: „Celem badania jest opracowanie i wewnętrzna walidacja modelu przewidującego ryzyko ponownej hospitalizacji w ciągu 30 dni po wypisie pacjentów z niewydolnością serca na podstawie wieku, liczby wcześniejszych hospitalizacji, frakcji wyrzutowej i stężenia kreatyniny”.

Cel predykcyjny powinien wskazywać populację, predyktory, wynik oraz horyzont czasowy. W badaniach prognostycznych użyteczne jest uporządkowanie elementów jako: populacja, predyktor lub zestaw predyktorów, wynik i czas obserwacji. Wymogi przejrzystego raportowania modeli predykcyjnych opisuje TRIPOD (Moons i in., 2015).

Przykładem modelu dla wyniku binarnego jest regresja logistyczna:

logit(p) = ln[p/(1 − p)] = β0 + β1X1 + ... + βkXk

• p – przewidywane prawdopodobieństwo wystąpienia wyniku;
• logit(p) – logarytm ilorazu szans wystąpienia wyniku;
• X₁ … X_k – predyktory, czyli informacje wykorzystywane do przewidywania;
• β₀ … β_k – parametry modelu szacowane na podstawie danych.

Model predykcyjny należy oceniać co najmniej pod względem dyskryminacji, czyli zdolności do odróżniania osób z wynikiem i bez wyniku, oraz kalibracji, czyli zgodności przewidywanych prawdopodobieństw z częstościami obserwowanymi. W praktyce ważna jest także walidacja, najlepiej na danych innych niż te użyte do budowy modelu.

Predykcja nie odpowiada na pytanie, czy dany predyktor powoduje wynik. Zmienna może dobrze przewidywać ryzyko, nawet jeśli nie jest modyfikowalnym czynnikiem przyczynowym. To kluczowa różnica między użytecznością prognostyczną a wyjaśnieniem etiologicznym.

6. Jak dobrać właściwy czasownik?

Typ celu	Główne pytanie	Przykładowe czasowniki	Przykład
Opisowy	Jak wygląda zjawisko?	opisać, oszacować, scharakteryzować	Oszacować częstość palenia tytoniu.
Porównawczy	Czy grupy lub warunki się różnią?	porównać, ocenić różnice	Porównać poziom bólu w dwóch grupach.
Zależnościowy	Czy zmienne są powiązane?	ocenić związek, zbadać zależność	Ocenić związek snu z lękiem.
Predykcyjny	Czy można przewidzieć wynik?	przewidzieć, opracować model, zwalidować	Przewidzieć ryzyko readmisji.

Jedno badanie może zawierać wszystkie cztery rodzaje celów, ale zwykle powinien istnieć jeden cel główny. Cele dodatkowe trzeba podporządkować głównemu, a ich liczba powinna pozostać ograniczona. Nadmiar celów zwiększa ryzyko chaotycznej analizy, wielokrotnego testowania i późniejszego dopasowywania pytań do uzyskanych wyników.

7. Przykład praktyczny: badanie pacjentów z cukrzycą typu 2

Załóżmy, że zespół chce zbadać samokontrolę glikemii u dorosłych pacjentów z cukrzycą typu 2 leczonych w poradni diabetologicznej.

Cel opisowy: „Opisać częstość wykonywania pomiarów glikemii, poziom hemoglobiny glikowanej oraz charakterystykę socjodemograficzną pacjentów”.

Cel porównawczy: „Porównać poziom hemoglobiny glikowanej między pacjentami wykonującymi pomiary glikemii co najmniej raz dziennie a pacjentami wykonującymi je rzadziej”.

Cel zależnościowy: „Ocenić związek między poczuciem własnej skuteczności w samokontroli a poziomem hemoglobiny glikowanej”.

Cel predykcyjny: „Opracować model przewidujący nieosiągnięcie docelowego poziomu hemoglobiny glikowanej w ciągu sześciu miesięcy na podstawie wieku, czasu trwania choroby, wcześniejszego poziomu hemoglobiny glikowanej, adherencji i wsparcia społecznego”.

Te cele są podobne tematycznie, lecz wymagają innego planu. Cel opisowy wymaga rzetelnego przedstawienia rozkładów. Cel porównawczy wymaga zdefiniowania grup i wyniku. Cel zależnościowy wymaga określenia kierunku oraz sposobu pomiaru zmiennych. Cel predykcyjny wymaga określenia momentu predykcji, horyzontu czasowego, kryteriów oceny modelu i walidacji.

Najczęstsze błędy

• Łączenie kilku różnych celów w jednym niejasnym zdaniu. Lepiej rozdzielić opis, porównanie i predykcję na osobne cele szczegółowe.
• Używanie słowa „wpływ” w badaniu obserwacyjnym. Zastąp je określeniem „związek”, „różnica” albo „współwystępowanie”, jeśli projekt nie uzasadnia wnioskowania przyczynowego.
• Brak populacji i czasu. „Ocenić depresję” jest niepełne. Trzeba wskazać, u kogo, kiedy i za pomocą jakiego wyniku.
• Mylenie korelacji z podobieństwem lub zgodnością metod. Wysoka korelacja może wystąpić mimo systematycznych różnic między pomiarami (Bland i Altman, 1986).
• Traktowanie celu predykcyjnego jako celu przyczynowego. Dobry predyktor nie musi być przyczyną wyniku.
• Wpisywanie analizy zamiast celu. „Wykonać regresję logistyczną” opisuje metodę, nie problem badawczy.
• Brak rozróżnienia celu głównego i eksploracyjnego. Standardy raportowania zalecają wyraźne odróżnianie analiz zaplanowanych z góry od dodatkowych i eksploracyjnych (APA, 2018).
• Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p informuje o zgodności danych z określonym modelem przy założeniu hipotezy zerowej; nie jest prawdopodobieństwem, że H₀ jest prawdziwa.

Co warto zapamiętać?

1. Cel opisowy odpowiada na pytanie, jak często i jak wygląda badane zjawisko.
2. Cel porównawczy wymaga wskazania grup, warunków lub pomiarów, które będą zestawiane.
3. Cel zależnościowy dotyczy współwystępowania zmiennych i nie powinien być automatycznie formułowany językiem przyczynowym.
4. Cel predykcyjny określa, jaki wynik ma być przewidywany, dla kogo, na podstawie jakich danych i w jakim horyzoncie czasowym.
5. Rodzaj celu powinien być zgodny z projektem badania, sposobem pomiaru i planem analizy.
6. Warto przed rozpoczęciem zbierania danych zapisać cel główny, cele drugorzędowe, wynik główny oraz planowane analizy.

Praktycznym ćwiczeniem po tej lekcji jest wzięcie własnego tematu badawczego i zapisanie czterech wersji celu: opisowej, porównawczej, zależnościowej i predykcyjnej. Następnie należy sprawdzić, czy każda wersja wskazuje populację, zmienne, czas oraz właściwy typ wnioskowania. Takie ćwiczenie dobrze przygotowuje do dalszej pracy nad problemami badawczymi w ramach publicznego szkolenia na statystyk.edu.pl.

\n

Źródła i dalsza lektura

\n

1. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., et al. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
2. Bland, J. M., Altman, D. G. (1986). Statistical Methods for Assessing Agreement Between Two Methods of Clinical Measurement. The Lancet, 327(8476), 307–310. DOI: 10.1016/S0140-6736(86)90837-8.
3. Moons, K. G. M., Altman, D. G., Reitsma, J. B., Ioannidis, J. P. A., Macaskill, P., Steyerberg, E. W., et al. (2015). Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD): Explanation and Elaboration. Annals of Internal Medicine, 162(1), W1–W73. DOI: 10.7326/M14-0698.
4. Gupta, P., Meena, P., Dhingra, S., et al. (2021). Formulation of Research Question and Composing Study Outcomes and Objectives. Indian Pediatrics, 58(7), 677–682. Pełny opis źródła.
5. Kirkwood, B. R., Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
6. American Psychological Association (2018). Journal Article Reporting Standards (JARS) for Quantitative Research in Psychology. APA Style Journal Article Reporting Standards. American Psychological Association. Źródło.

\n