463. Wyraz wolny w regresji – kiedy ma sens?
W poprzedniej lekcji omawialiśmy współczynnik regresji b, czyli zmianę przeciętnej wartości zmiennej zależnej związaną ze wzrostem predyktora o jedną jednostkę. Drugim podstawowym elementem równania regresji jest wyraz wolny, nazywany także stałą, interceptem albo współczynnikiem b0. Program statystyczny niemal zawsze go wyświetla, ale sama obecność tej liczby w tabeli nie oznacza jeszcze, że ma ona sens kliniczny, psychologiczny lub społeczny. W tej lekcji wyjaśnimy, co naprawdę opisuje wyraz wolny, kiedy można go interpretować oraz co zrobić, gdy wartość predyktora równa zero znajduje się poza zakresem danych.
Wyraz wolny w równaniu regresji
W najprostszym modelu regresji liniowej równanie ma postać:
Ŷ = b0 + b1X
- Ŷ – przewidywana, przeciętna wartość zmiennej zależnej Y;
- b0 – wyraz wolny, czyli przewidywana wartość Y, gdy X = 0;
- b1 – współczynnik kierunkowy, określający przeciętną zmianę Y przy wzroście X o jedną jednostkę;
- X – wartość predyktora, czyli zmiennej objaśniającej.
Geometrycznie wyraz wolny wskazuje punkt, w którym dopasowana prosta przecina oś wartości Y. Jeżeli równanie ma postać Ŷ = 42 + 1,8X, to dla X = 0 model przewiduje Ŷ = 42. Wartość 42 jest więc punktem startowym matematycznej funkcji, a nie automatycznie obserwowanym wynikiem konkretnej osoby.
W modelu populacyjnym zapisujemy często:
Y = β0 + β1X + ε
W tym zapisie β0 oznacza nieznany parametr populacyjny, β1 jest populacyjnym nachyleniem prostej, a ε reprezentuje składnik losowy, czyli różnicę między rzeczywistą wartością Y a wartością przewidywaną przez model. W próbie estymujemy te parametry za pomocą b0 i b1.
Co dokładnie oznacza b0?
Najkrótsza poprawna interpretacja brzmi: wyraz wolny jest przewidywaną średnią wartością zmiennej zależnej przy wartości wszystkich predyktorów równej zero. W regresji prostej dotyczy to jednego predyktora. W regresji wielorakiej sytuacja jest bardziej wymagająca.
Dla modelu:
Ŷ = b0 + b1X1 + b2X2
wyraz wolny b0 oznacza przewidywaną wartość Y dla osoby, która ma jednocześnie X1 = 0 i X2 = 0. W przypadku zmiennych kategorialnych trzeba dodatkowo uwzględnić kategorię referencyjną. Jeżeli płeć zakodowano jako 0 dla kobiet i 1 dla mężczyzn, a wyraz wolny dotyczy płci zakodowanej jako 0, to opisuje przewidywany wynik dla kobiety przy zerowych wartościach pozostałych predyktorów.
Warto zauważyć, że „przy pozostałych predyktorach równych zero” nie oznacza tego samego co „średni wynik w populacji”. Jeżeli predyktory są niecentrowane, intercept odnosi się do konkretnego, często hipotetycznego punktu przestrzeni danych. W regresji wielorakiej może to być osoba w wieku 0 lat, z zerową liczbą objawów, zerowym poziomem ekspozycji i należąca do kategorii referencyjnej. Taki profil może nie istnieć w badanej populacji.
Kiedy wyraz wolny ma sens merytoryczny?
1. Gdy wartość zero jest rzeczywista i znajduje się w zakresie danych
Wyraz wolny ma bezpośrednią interpretację, gdy predyktor może przyjmować wartość zero, a przypadki z taką wartością należą do badanego zakresu. Przykładem może być modelowanie kosztu hospitalizacji w zależności od liczby dni leczenia, jeżeli X = 0 oznacza koszt początkowy związany z przyjęciem pacjenta, jeszcze przed naliczeniem kolejnych dni pobytu. Wtedy intercept może reprezentować przewidywany koszt bazowy.
Podobnie można interpretować model wydatków gospodarstwa domowego na określone świadczenia w zależności od liczby wizyt. Jeżeli zero wizyt jest możliwą i obserwowaną sytuacją, wyraz wolny może opisywać przewidywany poziom kosztów przy braku wizyt, choć nadal trzeba sprawdzić, czy model liniowy jest w tym punkcie wiarygodny.
2. Gdy zero ma znaczenie teoretyczne
W niektórych skalach zero jest umownym, ale sensownym punktem odniesienia. Wynik 0 na skali liczby hospitalizacji, liczby dni palenia lub liczby przyjętych leków może mieć klarowne znaczenie. Wówczas intercept odpowiada sytuacji bazowej, o ile pozostałe zmienne także zostały zdefiniowane w sposób umożliwiający sensowną interpretację.
3. Gdy wyraz wolny jest potrzebny jako element modelu, nawet bez interpretacji klinicznej
Brak sensownej interpretacji nie oznacza, że intercept należy automatycznie usunąć. W klasycznym modelu regresji wyraz wolny umożliwia dopasowanie poziomu regresji do danych. Model z interceptem jest zwykle standardowym punktem wyjścia, ponieważ dopasowana prosta przechodzi przez punkt odpowiadający średnim wartościom X i Y. Usunięcie stałej zmienia sposób dopasowania całej prostej, a nie tylko usuwa jedną nieinteresującą liczbę.
Kiedy wyraz wolny jest formalny, ale nieinterpretowalny?
Najczęstsza sytuacja występuje wtedy, gdy X = 0 znajduje się poza zakresem obserwowanych wartości. Załóżmy, że badano skurczowe ciśnienie tętnicze u osób w wieku od 40 do 70 lat. Model może mieć postać:
Ŷ = 96 + 0,85 × wiek
Matematycznie intercept wynosi 96 mmHg, ponieważ dla wieku 0 lat model przewiduje 96 mmHg. Nie wolno jednak opisywać tej wartości jako wiarygodnego przewidywanego ciśnienia u noworodka. Badanie obejmowało osoby w wieku 40–70 lat, a zatem punkt wieku 0 lat jest odległy od danych i wymaga ekstrapolacji. BMJ zwraca uwagę, że programy komputerowe często podają intercept bez ostrzeżenia, mimo że jego interpretacja może być zupełnie pozbawiona sensu poza zakresem obserwacji (Bland i Altman 1994).
W takiej sytuacji wyraz wolny nadal jest potrzebny do obliczeń, ale powinien być opisany jako parametr techniczny modelu, a nie jako ważny klinicznie wynik. W raporcie można napisać: „Wyraz wolny wyniósł 96 mmHg, jednak nie interpretowano go merytorycznie, ponieważ wartość wieku równa 0 lat nie występowała w badanej próbie”.
Wyraz wolny w regresji wielorakiej
W regresji wielorakiej interpretacja interceptu jest jeszcze bardziej warunkowa. Rozważmy model przewidujący wynik depresji na podstawie wieku i liczby godzin snu:
Ŷ = 18,4 + 0,12 × wiek − 0,75 × sen
Wyraz wolny 18,4 oznacza przewidywany wynik depresji dla osoby w wieku 0 lat, śpiącej 0 godzin, przy przyjętym sposobie pomiaru i kodowaniu pozostałych zmiennych. Taka osoba nie jest typowym uczestnikiem badania psychologicznego, więc interpretacja kliniczna interceptu byłaby sztuczna.
Nie oznacza to natomiast, że współczynniki przy wieku i śnie są przez to nieważne. Każdy z nich ma własną interpretację warunkową. Współczynnik przy wieku opisuje zmianę przewidywanego wyniku przy wzroście wieku o jedną jednostkę, przy stałej liczbie godzin snu. Współczynnik przy śnie opisuje zmianę wyniku przy wzroście snu o jedną godzinę, przy stałym wieku.
Centrowanie predyktora: sposób na sensowniejszy intercept
Jeżeli zero predyktora nie ma sensu, można przekształcić zmienną przez odjęcie od każdej obserwacji wybranej wartości odniesienia. Najczęściej odejmuje się średnią:
Xc = X − X̄
- Xc – predyktor wycentrowany;
- X – pierwotna wartość predyktora;
- X̄ – średnia arytmetyczna predyktora.
Po centrowaniu wartość Xc = 0 oznacza wynik równy średniej predyktora. Równanie:
Ŷ = b0c + b1Xc
interpretuje się tak, że b0c jest przewidywaną wartością Y dla osoby o przeciętnej wartości X. W przypadku wieku można więc utworzyć zmienną „wiek od średniej”. Jeżeli średni wiek wynosi 55 lat, to osoba w wieku 55 lat ma Xc = 0. Intercept opisuje wtedy przewidywany wynik dla 55-latka, a nie dla osoby w wieku 0 lat.
Centrowanie nie zmienia dopasowanych wartości ani nachylenia w regresji z jednym predyktorem; przesuwa jedynie punkt, w którym odczytujemy poziom funkcji. W modelach z interakcjami lub składnikami kwadratowymi centrowanie zmienia interpretację współczynników niższego rzędu i bywa użyteczne, ale nie należy przedstawiać go jako obowiązkowego lekarstwa na każdy problem interpretacyjny. Współczesne opracowania podkreślają, że centrowanie nie zmienia samoistnie dopasowania modelu ani wartości testów dla odpowiednio zdefiniowanych składników, lecz zmienia punkt odniesienia współczynników (Reitan i Wurm 2025).
Przykład praktyczny: ciśnienie tętnicze i wiek
Załóżmy, że w badaniu 120 osób w wieku 40–70 lat oszacowano model:
Ŷ = 88,6 + 1,02 × wiek
Interpretacja współczynnika kierunkowego jest następująca: wraz ze wzrostem wieku o jeden rok przewidywane skurczowe ciśnienie tętnicze wzrastało przeciętnie o 1,02 mmHg, zgodnie z przyjętym modelem. Nie oznacza to automatycznie związku przyczynowego, ponieważ dane obserwacyjne nie muszą zapewniać kontroli nad czynnikami zakłócającymi.
Wyraz wolny 88,6 mmHg oznacza przewidywane ciśnienie dla wieku 0 lat. Ponieważ w badaniu nie było osób w tym wieku, nie ma podstaw do interpretowania tej liczby jako wyniku noworodków ani dzieci. Można natomiast wycentrować wiek względem średniej, która wynosi na przykład 55 lat:
wiekc = wiek − 55
Po przekształceniu równanie będzie miało postać:
Ŷ = 144,7 + 1,02 × wiekc
Teraz intercept 144,7 mmHg opisuje przewidywane ciśnienie dla osoby w wieku 55 lat. Jest to punkt odniesienia znajdujący się w centrum obserwowanego zakresu, dlatego ma znacznie większą użyteczność opisową. Nachylenie pozostało takie samo, ponieważ zmiana skali polegała wyłącznie na przesunięciu początku osi.
W raporcie warto podać zakres wieku, sposób centrowania oraz jednostki. Samo stwierdzenie „intercept wyniósł 88,6” jest niewystarczające, jeżeli czytelnik nie wie, że odpowiada ono wiekowi 0 lat i nie było interpretowane klinicznie.
Drugi przykład: wynik lęku, terapia i czas od rozpoczęcia leczenia
W badaniu pacjentów korzystających z terapii psychologicznej przewidywano wynik lęku po 12 tygodniach na podstawie wyjściowego wyniku lęku oraz liczby tygodni od rozpoczęcia terapii. Model zawierał zmienną „wynik wyjściowy” mierzoną skalą od 0 do 40. Jeżeli intercept odnosi się do wyjściowego wyniku 0, może opisywać hipotetyczną osobę bez objawów lęku. Jeżeli takie osoby rzeczywiście występowały w badaniu i wynik 0 ma jednoznaczne znaczenie na skali, interpretacja jest możliwa, choć nadal trzeba uwzględnić pozostałe predyktory.
Jeżeli jednak badani mieli wyniki wyjściowe od 12 do 35 punktów, intercept dla wyniku 0 znajduje się poza zakresem danych. Lepszym rozwiązaniem może być centrowanie względem wartości klinicznie istotnej, na przykład 20 punktów, albo względem średniej próby. Wtedy intercept opisze przewidywany wynik po terapii dla pacjenta o wyjściowym nasileniu objawów równym wybranemu punktowi odniesienia.
Warto odróżnić dwie decyzje: centrowanie dla interpretacji oraz wybór modelu dla celów predykcyjnych. To, że intercept jest sensowniejszy po centrowaniu, nie dowodzi, że model jest dobrze dopasowany. Nadal trzeba ocenić liniowość, rozkład reszt, stałość wariancji, wpływ obserwacji odstających oraz zakres, w którym model będzie stosowany.
Najczęstsze błędy
- Traktowanie interceptu jako wyniku typowej osoby. Intercept dotyczy wartości predyktora równej zero, a nie przeciętnego uczestnika, chyba że predyktor został wycentrowany.
- Interpretowanie wartości poza zakresem danych. Jeżeli badano osoby w wieku 40–70 lat, nie należy wyciągać wniosków o wieku 0 lat na podstawie prostego przedłużenia prostej.
- Usuwanie wyrazu wolnego tylko dlatego, że jest „bez sensu”. Model bez interceptu narzuca przejście prostej przez początek układu współrzędnych. Taki krok wymaga silnego uzasadnienia merytorycznego.
- Mylenie centrowania ze standaryzacją. Centrowanie polega na odjęciu wartości odniesienia. Standaryzacja dodatkowo dzieli wynik przez odchylenie standardowe. Oba przekształcenia mają inne konsekwencje interpretacyjne.
- Uznawanie istotności interceptu za dowód jego znaczenia praktycznego. Test dla b0 odpowiada pytaniu, czy wyraz wolny różni się od zera w określonym modelu. Nie rozstrzyga, czy intercept ma sens kliniczny.
- Raportowanie samej liczby bez punktu odniesienia. Należy podać jednostkę, sposób kodowania zmiennych oraz informację, dla jakiego profilu uczestnika interpretowany jest intercept.
- Wyciąganie wniosków przyczynowych z regresji obserwacyjnej. Intercept i współczynniki regresji opisują model zależności; nie są same w sobie dowodem, że predyktor powoduje zmianę wyniku.
Jak raportować wyraz wolny?
Raport powinien zależeć od celu analizy. Jeżeli intercept nie ma sensu merytorycznego, nie trzeba poświęcać mu tyle miejsca co głównemu współczynnikowi. Można jednak podać go w tabeli regresji i wyjaśnić w przypisie.
Przykład poprawnego opisu: „Model przewidywał skurczowe ciśnienie tętnicze na podstawie wieku. Wyraz wolny wyniósł 88,6 mmHg, lecz nie interpretowano go klinicznie, ponieważ wiek równy 0 lat nie występował w badanej próbie; obserwowany zakres wieku wynosił 40–70 lat”.
Po centrowaniu można napisać: „Wiek wycentrowano względem 55 lat. Wyraz wolny wyniósł 144,7 mmHg i oznacza przewidywane skurczowe ciśnienie dla osoby w wieku 55 lat. Współczynnik wieku wyniósł 1,02 mmHg na rok”. Taki zapis jest dla odbiorcy znacznie bardziej informacyjny niż bezrefleksyjne przytoczenie tabeli z programu.
Co warto zapamiętać?
- Wyraz wolny b0 jest przewidywaną wartością Y przy zerowych wartościach predyktorów.
- W regresji wielorakiej dotyczy jednocześnie określonych wartości wszystkich zmiennych oraz kategorii referencyjnych.
- Intercept ma interpretację merytoryczną tylko wtedy, gdy punkt „zero” jest sensowny i znajduje się w zakresie danych lub blisko niego.
- Jeżeli zero nie ma sensu, nie trzeba automatycznie usuwać stałej z modelu.
- Centrowanie predyktora może przenieść punkt odniesienia na średnią albo inną klinicznie uzasadnioną wartość.
- Istotność statystyczna interceptu nie przesądza o jego znaczeniu praktycznym.
- Najważniejsze jest jasne opisanie, dla jakiego profilu osoby lub obserwacji wyraz wolny przedstawia przewidywany wynik.
W ramach publicznego szkolenia na statystyk.edu.pl warto traktować wyraz wolny nie jako „kolejną liczbę z tabeli”, lecz jako punkt odniesienia całego modelu. Czasem jest on klinicznie interesujący, czasem wyłącznie techniczny, a czasem staje się bardziej zrozumiały dopiero po odpowiednim przeskalowaniu predyktorów.
Źródła i dalsza lektura
- Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models. 5th edition. McGraw-Hill/Irwin.
- Bland, J. M., & Altman, D. G. (1994). Statistics Notes: Correlation, regression, and repeated data. BMJ, 308(6933), 896. DOI: 10.1136/bmj.308.6933.896.
- Bland, J. M., & Altman, D. G. (1994). Statistics Notes: Some examples of regression towards the mean. BMJ, 309(6957), 780. DOI: 10.1136/bmj.309.6957.780.
- Bland, J. M., & Altman, D. G. (2009). Statistics notes: Analysis of continuous data from small samples. BMJ, 338, a3166. DOI: 10.1136/bmj.a3166.
- Reitan, M. R., & Wurm, M. (2025). Mean centering is not necessary in regression analyses, and probably increases the risk of incorrectly interpreting coefficients. Frontiers in Psychology, 16, 1634152. DOI: 10.3389/fpsyg.2025.1634152.
- Hoffman, L., & Rovine, M. J. (2007). Centering decisions in hierarchical linear models: Implications for research in developmental psychology. Developmental Psychology, 43(2), 442–452. DOI: 10.1037/0012-1649.43.2.442.