387. Test Wilcoxona dla prób zależnych – interpretacja

Test Wilcoxona dla prób zależnych służy do oceny, czy dwa pomiary wykonane u tych samych osób różnią się w sposób systematyczny. Najczęściej porównuje się wynik przed i po interwencji, dwa pomiary tego samego pacjenta albo odpowiedzi tej samej osoby w dwóch warunkach. W tej lekcji skupiamy się nie na mechanicznym uruchomieniu procedury, lecz na tym, co właściwie oznacza jej wynik i jak zapisać wniosek bez nadinterpretacji.

Test ten jest nieparametryczną metodą dla danych zależnych, ale określenie „nieparametryczny” nie oznacza, że metoda nie ma żadnych założeń. Wymaga ona poprawnego zidentyfikowania par, sensownego pomiaru różnicy oraz ostrożności w interpretacji hipotezy zerowej. Temat stanowi naturalną kontynuację lekcji 384 o teście t dla prób zależnych i lekcji 385 o rozróżnianiu prób niezależnych i zależnych w szkoleniu na statystyk.edu.pl.

1. Jaki problem rozwiązuje test Wilcoxona?

Załóżmy, że u n pacjentów mierzymy nasilenie bólu przed rehabilitacją i po czterech tygodniach ćwiczeń. Każdy pacjent dostarcza dwa wyniki, dlatego obserwacje nie są niezależne. Osoba z wysokim poziomem bólu przed terapią może nadal mieć relatywnie wysoki poziom bólu po terapii, a cechy tej osoby wpływają na oba pomiary.

Analiza nie powinna więc traktować wyników „przed” i „po” jako dwóch niezależnych grup. Dla każdej osoby tworzymy parę i analizujemy zmianę:

di = Yi,po − Yi,przed

• di – różnica dla osoby i;
• Yi,po – wynik po interwencji lub w drugim pomiarze;
• Yi,przed – wynik przed interwencją lub w pierwszym pomiarze;
• i – numer pary, od 1 do n.

Jeżeli różnica jest ujemna, wynik po interwencji jest niższy niż przed nią. W badaniu bólu może to oznaczać poprawę, ale tylko wtedy, gdy niższy wynik rzeczywiście oznacza mniejsze nasilenie objawu. Kierunek różnicy trzeba zawsze zdefiniować przed analizą.

Test Wilcoxona porządkuje bezwzględne wartości niezerowych różnic według rang, a następnie uwzględnia ich znaki. Nie analizuje zatem wyłącznie tego, ile osób poprawiło się lub pogorszyło, lecz bierze pod uwagę również względny rozmiar zmian. W tym sensie różni się od testu znaków, który wykorzystuje przede wszystkim kierunek zmian.

2. Hipotezy i właściwy przedmiot wnioskowania

W klasycznej wersji dwustronnej hipoteza zerowa zakłada brak systematycznego przesunięcia rozkładu różnic względem zera. Przy dodatkowym założeniu symetrii rozkładu różnic można mówić o medianie różnic równej zero. Hipoteza alternatywna zakłada, że rozkład różnic jest przesunięty w jedną lub drugą stronę (Wilcoxon, 1945).

Formalnie można zapisać:

H₀: rozkład różnic jest symetryczny względem 0,

H₁: rozkład różnic nie jest symetryczny względem 0.

W praktycznych opisach często spotyka się skrót „test mediany różnic”. Jest on użyteczny dydaktycznie, lecz wymaga ostrożności. Sama procedura Wilcoxona nie jest uniwersalnym testem dowolnej różnicy median. Interpretacja medianowa jest najbardziej przejrzysta, gdy rozkład różnic jest w przybliżeniu symetryczny. Bez tego założenia wynik należy opisywać jako dowód na systematyczne przesunięcie rozkładu różnic, a nie automatycznie jako dowód zmiany mediany.

Warto odróżnić trzy pytania:

1. Czy dane dostarczają dowodu przeciwko hipotezie zerowej?
2. W jakim kierunku przebiega typowa zmiana?
3. Czy zmiana jest wystarczająco duża, aby miała znaczenie praktyczne?

Test Wilcoxona odpowiada przede wszystkim na pierwsze pytanie. Drugie wymaga sprawdzenia znaków różnic oraz statystyk opisowych. Trzecie wymaga oszacowania wielkości efektu i odniesienia wyniku do kontekstu klinicznego, psychologicznego lub społecznego.

3. Jak obliczana jest statystyka testu?

Procedura obliczeniowa przebiega w kilku etapach:

1. Oblicza się różnicę dla każdej pary.
2. Różnice równe zero wyłącza się z rangowania w klasycznej wersji testu.
3. Porządkuje się bezwzględne wartości różnic, od najmniejszej do największej.
4. W przypadku remisów przyznaje się rangi średnie.
5. Do rang przywraca się znak dodatni lub ujemny wynikający z różnicy.
6. Sumuje się rangi dodatnie i ujemne.

Otrzymujemy między innymi:

W+ = suma rang dla di > 0

W− = suma rang dla di < 0

W wielu programach jako statystykę Wilcoxona raportuje się mniejszą z tych sum albo jedną z nich, zależnie od implementacji. Dlatego sama liczba W nie powinna być interpretowana bez informacji o tym, jak program definiuje statystykę i który kierunek różnicy przyjęto. W R wynik może być prezentowany jako V, natomiast inne programy używają oznaczenia W. Nie musi to oznaczać różnych testów; często chodzi o odmienne konwencje zapisu.

Dla większych prób program może stosować przybliżenie normalne i podawać standaryzowaną statystykę Z. W uproszczeniu opiera się ona na porównaniu obserwowanej sumy rang z wartością oczekiwaną przy hipotezie zerowej:

Z = (W − E(W)) / √Var(W)

• W – wybrana statystyka sumy rang;
• E(W) – wartość oczekiwana statystyki przy H₀;
• Var(W) – wariancja statystyki przy H₀;
• Z – wynik standaryzacji, używany do przybliżenia rozkładem normalnym.

W praktyce nie należy ręcznie rekonstruować wszystkich elementów z raportu programu, jeśli nie znamy jego sposobu postępowania z remisami, zerami i poprawką ciągłości. Najważniejsze jest, aby podać metodę, liczbę analizowanych par, statystykę, wartość p, kierunek zmiany oraz miarę wielkości efektu.

4. Założenia testu Wilcoxona

4.1. Zależność wewnątrz par i niezależność między parami

W obrębie pary pomiary powinny być powiązane, na przykład „ten sam pacjent przed i po leczeniu”. Jednocześnie poszczególne pary powinny być niezależne od siebie, chyba że zastosowano model uwzględniający dodatkową strukturę danych. Wielokrotne pomiary tych samych osób nie zwiększają liczby niezależnych uczestników.

4.2. Skala pomiaru

Test można stosować do danych co najmniej porządkowych, o ile można sensownie ustalić kierunek różnicy i rangować wartości bezwzględne zmian. W praktyce często stosuje się go do zmiennych ilościowych o silnej asymetrii, z obserwacjami odstającymi lub małą liczebnością próby.

4.3. Symetria rozkładu różnic

Wnioskowanie o medianie różnic wymaga, aby rozkład różnic był w przybliżeniu symetryczny. Nie należy oceniać tego wyłącznie na podstawie testu normalności. Bardziej użyteczne są histogram różnic, wykres pudełkowy, wykres punktowy oraz merytoryczna ocena kształtu rozkładu. Test Wilcoxona nie wymaga normalności różnic w takim sensie jak test t, ale nie jest całkowicie wolny od założeń.

4.4. Zera i remisy

Różnice równe zero są zwykle pomijane, przez co liczba analizowanych par może być mniejsza niż liczba osób zrekrutowanych do badania. Remisy w wartościach bezwzględnych różnic otrzymują rangi średnie. Przy wielu zerach lub remisach dokładny rozkład statystyki może być obliczany inaczej niż w prostym podręcznikowym przykładzie. W raporcie warto podać liczbę par wykorzystanych w analizie.

5. Jak interpretować wartość p?

Wartość p jest prawdopodobieństwem uzyskania wyniku co najmniej tak niezgodnego z hipotezą zerową jak wynik obserwowany, przy założeniu, że hipoteza zerowa jest prawdziwa i że obowiązuje określony model testu. Nie jest prawdopodobieństwem prawdziwości H₀, prawdopodobieństwem skuteczności terapii ani miarą wielkości zmiany.

Jeśli p = 0,018, można napisać, że dane są niezgodne z hipotezą zerową na poziomie istotności 0,05. Nie należy pisać, że prawdopodobieństwo, iż terapia nie działa, wynosi 1,8%. Nie należy również stwierdzać, że terapia jest „skuteczna”, jeżeli badanie nie było randomizowane lub nie miało odpowiedniej grupy porównawczej.

Wynik nieistotny statystycznie także wymaga ostrożności. Gdy p = 0,21, poprawny wniosek brzmi: „nie odrzucono hipotezy zerowej”. Nie oznacza to, że udowodniono brak zmiany. Przy małej próbie test może mieć niewystarczającą moc, a szeroki przedział ufności może obejmować zarówno efekt korzystny, jak i niekorzystny.

6. Wielkość efektu i kierunek zmiany

Poza wartością p należy opisać kierunek i rozmiar efektu. Możliwe miary obejmują medianę różnic, przedział ufności dla mediany różnic lub pseudomediany oraz korelację rang dwuseryjnych. Przy wykorzystaniu przybliżenia normalnego często stosuje się:

r = |Z| / √N

• Z – standaryzowana statystyka testu;
• N – liczba par uwzględnionych w obliczeniu;
• r – orientacyjna miara wielkości efektu.

Wartość r nie jest jednak jedynym możliwym opisem efektu i zależy od sposobu obliczenia Z, w tym od zastosowania poprawki ciągłości. Dlatego należy podać metodę obliczania. Alternatywą jest korelacja rang dwuseryjnych, która może być bardziej intuicyjna, ponieważ wiąże się z przewagą dodatnich nad ujemnymi rangami. Nie należy mechanicznie klasyfikować efektu jako „mały”, „średni” lub „duży” bez rozważenia znaczenia dziedziny.

W badaniu bólu zmiana mediany o jeden punkt w skali 0–10 może być klinicznie ważna albo mało istotna, zależnie od populacji i celu terapii. W psychologii różnica na skali objawów może wymagać odniesienia do ustalonego progu poprawy klinicznej. Istotność statystyczna i znaczenie praktyczne są odrębnymi kryteriami.

7. Przykład 1: ból po rehabilitacji

U 12 pacjentów zmierzono ból w skali 0–10 przed rozpoczęciem programu rehabilitacyjnego i po czterech tygodniach. Mediana bólu przed programem wynosiła 7 punktów, a po programie 5 punktów. Mediana różnic, obliczonych jako „po minus przed”, wyniosła −2 punkty. Dziesięciu pacjentów zgłosiło spadek bólu, jeden wzrost, a u jednego wynik się nie zmienił.

Test Wilcoxona dał wynik W = 5, p = 0,012. Poprawna interpretacja może wyglądać następująco:

W 11 parach z niezerową różnicą stwierdzono przewagę ujemnych zmian, wskazującą na niższe nasilenie bólu po programie rehabilitacyjnym. Test rang podpisanych Wilcoxona wykazał wynik zgodny z systematycznym przesunięciem wyników w kierunku mniejszego bólu, W = 5, p = 0,012. Mediana zmiany wyniosła −2 punkty. Wynik wskazuje na różnicę między pomiarami, ale sam test nie dowodzi, że poprawę spowodowała rehabilitacja, ponieważ nie przedstawiono grupy kontrolnej ani informacji o randomizacji.

W tym przykładzie trzeba zwrócić uwagę na trzy elementy. Po pierwsze, liczba analizowanych par wynosi 11, a nie 12, ponieważ jedna różnica była równa zero. Po drugie, kierunek poprawy wynika z definicji różnicy „po minus przed”. Po trzecie, sama wartość p nie mówi, czy spadek o 2 punkty jest klinicznie wystarczający.

8. Przykład 2: stres studentów pielęgniarstwa

W badaniu pilotażowym 18 studentów pielęgniarstwa wypełniło skalę stresu przed warsztatem z technik radzenia sobie i tydzień po warsztacie. Mediana wyniku zmniejszyła się z 24 do 21 punktów. Test Wilcoxona dał W = 48, p = 0,08, a mediana różnic wyniosła −2 punkty.

Nie należy pisać: „warsztat nie zmniejszył stresu”. Bardziej precyzyjne jest stwierdzenie:

Nie uzyskano wystarczających dowodów do odrzucenia hipotezy zerowej na poziomie 0,05, W = 48, p = 0,08. Kierunek zmian był zgodny ze spadkiem stresu, lecz próba była mała, a wynik nie pozwala rozstrzygnąć, czy obserwowana różnica odzwierciedla rzeczywisty efekt, czy zmienność losową. Do oceny znaczenia wyniku potrzebne są również przedziały ufności, analiza mocy oraz – najlepiej – grupa porównawcza.

Ten przykład pokazuje, że wynik „nieistotny” nie jest synonimem „braku efektu”. Dwie osoby mogą mieć identyczną medianę zmiany, ale zupełnie różne przedziały ufności w zależności od liczebności i zmienności danych.

9. Najczęstsze błędy

• Zastosowanie testu do grup niezależnych. Test Wilcoxona dla prób zależnych nie służy do porównania wyników dwóch różnych grup pacjentów. W takim przypadku rozważa się między innymi test U Manna–Whitneya albo model odpowiedni do projektu.
• Ignorowanie parowania. Losowe zestawienie wyników „przed” i „po” niszczy informację o tym, że pomiary pochodzą od tych samych osób.
• Automatyczne utożsamianie testu z testem median. Bez odpowiednich warunków wynik dotyczy systematycznego przesunięcia rozkładu różnic, a nie zawsze prostej różnicy median.
• Interpretowanie wartości p jako wielkości efektu. Małe p nie oznacza dużej zmiany. Przy dużej próbie nawet niewielki efekt może być statystycznie istotny.
• Pomijanie zerowych różnic. Jeżeli program wykluczył zera, należy raportować liczbę par pozostałych w analizie.
• Odwracanie kierunku zmiany. Znak efektu zależy od kolejności odejmowania. „Po minus przed” i „przed minus po” prowadzą do przeciwnego znaku.
• Wybór testu po obejrzeniu wartości p. Decyzję o metodzie należy opierać na projekcie, skali pomiaru, rozkładzie różnic i planie analizy, a nie na tym, która procedura daje korzystniejszy wynik.
• Wyciąganie wniosków przyczynowych z badania przed–po. Naturalne zmiany, regresja do średniej, efekt pomiaru i zdarzenia zewnętrzne mogą wyjaśniać różnicę niezależnie od interwencji.

10. Jak raportować wynik?

Minimalny raport powinien zawierać: nazwę testu, liczbę analizowanych par, statystykę testu, wartość p, kierunek zmiany, statystyki opisowe oraz – jeśli to możliwe – miarę wielkości efektu i przedział ufności. Przykładowy zapis:

„Wyniki po interwencji były niższe niż przed interwencją. Test rang podpisanych Wilcoxona wykazał różnicę między pomiarami, W = 5, p = 0,012; analizowano 11 par z niezerową różnicą. Mediana zmiany wyniosła −2 punkty, a korelacja rang dwuseryjnych wyniosła −0,64.”

W publikacji warto doprecyzować, czy użyto testu dokładnego, przybliżenia normalnego, poprawki ciągłości oraz jak potraktowano zera i remisy. Program statystyczny może podawać różne wartości statystyki, a mimo to prowadzić do podobnej wartości p, ponieważ stosuje inną konwencję raportowania.

Przykład praktyczny: decyzja analityczna krok po kroku

1. Zidentyfikuj jednostkę analizy. Jeżeli ta sama osoba była mierzona dwukrotnie, analizujesz pary.
2. Ustal kierunek różnicy. Zapisz, czy liczysz „po minus przed”, czy odwrotnie.
3. Obejrzyj różnice. Sprawdź wartości zerowe, remisy, obserwacje odstające i asymetrię.
4. Wybierz procedurę. Test Wilcoxona jest uzasadniony, gdy wynik jest co najmniej porządkowy, a klasyczne założenia testu t są niewiarygodne lub charakter pomiaru przemawia za analizą rang.
5. Oblicz wynik. Zapisz liczbę par użytych w analizie oraz sposób potraktowania zer.
6. Opisz więcej niż p. Podaj mediany, medianę różnic, przedział ufności i miarę efektu, jeśli są dostępne.
7. Oceń znaczenie praktyczne. Porównaj rozmiar zmiany z progiem klinicznym lub merytorycznym, a nie tylko z poziomem 0,05.
8. Ogranicz wniosek do projektu. Badanie przed–po bez grupy kontrolnej pozwala opisać zmianę, ale nie izoluje jej przyczyny.

Co warto zapamiętać?

• Test Wilcoxona dla prób zależnych analizuje pary pomiarów, a nie dwie niezależne grupy.
• Podstawą obliczeń są różnice w parach, ich wartości bezwzględne oraz rangi z uwzględnieniem znaków.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie mierzy wielkości efektu.
• Interpretacja mediany różnic wymaga ostrożności, zwłaszcza gdy rozkład różnic jest wyraźnie asymetryczny.
• Oprócz p należy podać kierunek zmiany, statystyki opisowe, liczbę par i miarę efektu.
• Istotność statystyczna nie jest równoznaczna ze znaczeniem klinicznym, psychologicznym ani społecznym.
• Test może wskazać różnicę między pomiarami, ale nie dowodzi przyczynowości w badaniu bez odpowiedniej kontroli projektu.

Najlepsza interpretacja testu Wilcoxona łączy trzy poziomy: poprawność konstrukcji par, formalny wynik testu oraz znaczenie obserwowanej zmiany. Dopiero razem pozwalają sformułować wniosek, który jest jednocześnie statystycznie uzasadniony i użyteczny merytorycznie.

Źródła i dalsza lektura

1. Wilcoxon, F. (1945). Individual Comparisons by Ranking Methods. Biometrics Bulletin, 1(6), 80–83. DOI: 10.2307/3001968.
2. Altman, D. G.; Bland, J. M. (2009). Parametric v non-parametric methods for data analysis. BMJ, 338, a3167. DOI: 10.1136/bmj.a3167.
3. Rietveld, T.; van Hout, R. (2017). The paired t test and beyond: Recommendations for testing the central tendencies of two paired samples in research on speech, language and hearing pathology. Journal of Communication Disorders, 69, 44–57. DOI: 10.1016/j.jcomdis.2017.07.002.
4. Altman, D. G.; Bland, J. M. (1997). Statistics Notes: Units of analysis. BMJ, 314(7098), 1874. DOI: 10.1136/bmj.314.7098.1874.
5. National Institute of Standards and Technology (2024). Signed Rank Test. NIST Dataplot Reference Manual. National Institute of Standards and Technology. Źródło.
6. R Core Team (2025). wilcox.test: Wilcoxon Rank Sum and Signed Rank Tests. R Manuals. R Foundation for Statistical Computing. Źródło.