096. Zmienne złożone i indeksy – kiedy warto je tworzyć?

W badaniach naukowych często chcemy opisać zjawisko, którego nie da się sensownie ująć za pomocą jednej obserwacji. Stan zdrowia, nasilenie objawów depresyjnych, obciążenie chorobami przewlekłymi, jakość życia czy status społeczno-ekonomiczny są konstruktami wielowymiarowymi. W takich sytuacjach badacz może utworzyć zmienną złożoną albo indeks, czyli pojedynczą zmienną syntetyzującą informacje z kilku pomiarów.

Nie oznacza to jednak, że każdą grupę pytań należy automatycznie sumować. Zmienna złożona jest uzasadniona tylko wtedy, gdy jej konstrukcja odpowiada celowi badania, a połączone składniki mają wspólne znaczenie teoretyczne i dostatecznie porównywalny sposób pomiaru. W tej lekcji, przygotowanej w ramach publicznego szkolenia na statystyka.edu.pl, prześledzimy logikę tworzenia indeksów, ich zalety, ograniczenia i konsekwencje analityczne.

1. Czym jest zmienna złożona?

Zmienna złożona to zmienna obliczona na podstawie co najmniej dwóch innych zmiennych. Jej wartość nie jest bezpośrednim pomiarem pojedynczej cechy, lecz wynikiem ustalonej reguły łączenia kilku informacji.

Przykładowo:

• liczba objawów spełnionych przez pacjenta;
• suma punktów uzyskanych w kwestionariuszu;
• średnia z kilku standaryzowanych wskaźników;
• indeks obciążenia chorobami przewlekłymi;
• wskaźnik deprywacji społecznej;
• złożony punkt końcowy w badaniu klinicznym, obejmujący np. zgon, hospitalizację lub zawał.

W literaturze terminy zmienna złożona, wskaźnik syntetyczny, indeks i skala bywają stosowane zamiennie, ale nie są całkowicie równoważne. Skala zwykle odnosi się do narzędzia pomiarowego złożonego z wielu pozycji, np. pytań kwestionariusza. Indeks jest najczęściej wynikiem agregacji kilku zmiennych według określonej reguły. Złożony punkt końcowy w badaniu klinicznym łączy natomiast kilka zdarzeń lub wyników klinicznych w jeden wynik analityczny.

2. Po co tworzyć indeks?

2.1. Uchwycenie wielowymiarowego konstruktu

Jedna zmienna rzadko opisuje całe zjawisko. Na przykład „zdrowie psychiczne” może obejmować obniżony nastrój, anhedonię, zaburzenia snu, zmęczenie i trudności z koncentracją. Osobna analiza każdego objawu może prowadzić do wielu testów i utrudniać sformułowanie jednego, spójnego wniosku. Jeżeli teoria zakłada, że objawy te są przejawami wspólnego konstruktu, ich połączenie w skalę może być uzasadnione.

2.2. Ograniczenie liczby analiz

Jeżeli badacz analizuje 20 podobnych pozycji kwestionariusza jako odrębne wyniki, rośnie liczba porównań i problem wielokrotnego testowania hipotez. Indeks może ograniczyć liczbę głównych analiz. Nie usuwa to jednak potrzeby raportowania sposobu jego utworzenia ani nie zwalnia z oceny jego rzetelności i trafności.

2.3. Zwiększenie stabilności pomiaru

Pojedynczy pomiar może być obciążony błędem. Jeżeli kilka pozycji mierzy ten sam konstrukt, ich odpowiednie połączenie może zmniejszyć wpływ przypadkowych wahań. Nie jest to gwarantowane: dodanie do siebie niejednorodnych zmiennych może zamiast tego pogorszyć interpretowalność wyniku.

2.4. Ułatwienie modelowania statystycznego

W modelu regresji jedna zmienna złożona może zastąpić wiele silnie skorelowanych predyktorów. Może to ograniczyć problem współliniowości i uprościć prezentację wyników. Trzeba jednak pamiętać, że uproszczenie modelu odbywa się kosztem utraty szczegółowej informacji o poszczególnych składnikach.

3. Podstawowe sposoby tworzenia zmiennych złożonych

3.1. Suma punktów

Najprostszy indeks powstaje przez zsumowanie punktów:

I = X1 + X2 + ... + Xk

• I – wartość indeksu;
• X₁, X₂, …, X_k – wartości poszczególnych pozycji lub zmiennych;
• k – liczba składników indeksu.

Suma ma sens przede wszystkim wtedy, gdy wszystkie składniki mają podobną skalę, ten sam kierunek interpretacji i wspólnie opisują jedną cechę. Jeżeli wyższa wartość jednej pozycji oznacza lepszy stan, a wyższa wartość innej – gorszy stan, przed zsumowaniem trzeba odwrócić kodowanie tej drugiej pozycji.

3.2. Średnia

Alternatywą jest średnia:

I = (X1 + X2 + ... + Xk) / k

Średnia zachowuje oryginalną skalę odpowiedzi. Jeżeli każda pozycja ma zakres od 0 do 4, również średnia będzie mieściła się w zakresie od 0 do 4. Ułatwia to interpretację, zwłaszcza gdy chcemy porównywać wynik z pojedynczymi pozycjami.

3.3. Średnia ważona

Jeżeli składniki mają różne znaczenie teoretyczne albo różną jakość pomiaru, można zastosować średnią ważoną:

I = w1X1 + w2X2 + ... + wkXk

• w₁, …, w_k – wagi przypisane poszczególnym składnikom;
• X₁, …, X_k – wartości składników;
• często przyjmuje się, że suma wag wynosi 1.

Wagi powinny wynikać z uzasadnienia merytorycznego lub wcześniej określonej procedury. Nadawanie wag wyłącznie dlatego, że poprawiają istotność statystyczną wyniku, jest praktyką post hoc i może prowadzić do indeksu dopasowanego do konkretnej próby, a nie do badanego konstruktu.

3.4. Indeks ze zmiennych standaryzowanych

Gdy składniki mają różne jednostki, można je najpierw wystandaryzować:

Zi = (Xi - X̄i) / si

• Z_i – standaryzowana wartość zmiennej;
• X_i – obserwowana wartość zmiennej;
• X̄_i – średnia zmiennej w określonej populacji lub próbie;
• s_i – odchylenie standardowe tej zmiennej.

Następnie można obliczyć np.:

I = (Z1 + Z2 + ... + Zk) / k

Standaryzacja usuwa różnice jednostek i skali, ale nie rozwiązuje problemu niezgodności znaczeniowej. Nie można uznać, że zmienne są porównywalne tylko dlatego, że zostały przeliczone na z-score.

4. Warunki sensownego tworzenia indeksu

Przed połączeniem zmiennych warto odpowiedzieć na kilka pytań.

1. Czy składniki mierzą ten sam konstrukt? Należy oprzeć się na teorii, definicji operacyjnej i wcześniejszych badaniach.
2. Czy mają ten sam kierunek? Wyższa wartość powinna oznaczać konsekwentnie więcej lub mniej tej samej cechy.
3. Czy są porównywalne? Trzeba sprawdzić jednostki, zakresy i sposób kodowania.
4. Czy każdy składnik jest wystarczająco ważny? Zmienna nie powinna być zdominowana przez jeden przypadkowy element.
5. Czy reguła obliczania była ustalona przed analizą? Najlepiej opisać ją w protokole, planie analizy lub części metodologicznej projektu.
6. Jak potraktowano braki danych? Należy określić minimalną liczbę odpowiedzi potrzebnych do wyliczenia wyniku.

W przypadku skal wielopozycyjnych można oceniać m.in. korelacje między pozycjami, rzetelność wewnętrzną i strukturę czynnikową. Współczynnik alfa Cronbacha bywa użyteczny, ale nie jest samodzielnym dowodem jednowymiarowości ani trafności skali. Wysoka wartość alfa może wynikać także z dużej liczby podobnych pozycji.

5. Przykład 1: indeks nasilenia objawów depresyjnych

Załóżmy, że w badaniu pacjentów podstawowej opieki zdrowotnej zastosowano dziewięć pozycji kwestionariusza PHQ-9. Każda pozycja opisuje częstość występowania objawu w ostatnich dwóch tygodniach i otrzymuje od 0 do 3 punktów. Suma daje wynik od 0 do 27.

Jeżeli pacjent uzyskał następujące wartości: 2, 1, 3, 2, 1, 0, 2, 1, 2, wynik wynosi:

I = 2 + 1 + 3 + 2 + 1 + 0 + 2 + 1 + 2 = 14

W tym przypadku indeks jest uzasadniony, ponieważ pozycje zostały zaprojektowane jako elementy jednego narzędzia do oceny objawów depresyjnych. Nie oznacza to jednak, że suma sama w sobie rozpoznaje depresję u każdego pacjenta. Wynik kwestionariusza może służyć do oceny nasilenia objawów lub przesiewu, ale interpretacja kliniczna wymaga uwzględnienia kontekstu, kryteriów diagnostycznych i celu zastosowania narzędzia (Kroenke, Spitzer i Williams, 2001).

W analizie badacz powinien podać, czy analizował wynik jako zmienną ciągłą, czy podzielił go na kategorie. Kategoryzacja wyniku powoduje utratę informacji i powinna mieć uzasadnienie, np. kliniczne lub wynikające z walidacji narzędzia. Nie należy tworzyć własnych przedziałów tylko dlatego, że dają większą istotność statystyczną.

6. Przykład 2: indeks ryzyka socjalnego

W badaniu zdrowia publicznego można chcieć opisać sytuację społeczno-ekonomiczną respondentów. Rozważmy trzy składniki:

• dochód gospodarstwa domowego na osobę;
• poziom wykształcenia;
• przeludnienie mieszkania, mierzone liczbą osób przypadających na pokój.

Składniki mają różne jednostki i różne kierunki. Wyższy dochód oraz wyższe wykształcenie zwykle oznaczają korzystniejszą sytuację, natomiast większe przeludnienie – mniej korzystną. Najpierw można przekształcić zmienne do wspólnego kierunku, a następnie wystandaryzować je i obliczyć:

Indeks ryzyka = (-Zdochód - Zwykształcenie + Zprzeludnienie) / 3

Wyższa wartość indeksu oznacza wtedy mniej korzystne warunki społeczne. Taki indeks może być użyteczny jako zmienna kontrolna lub predyktor, ale jego konstrukcja wymaga szczegółowego uzasadnienia. Czy trzy wybrane wskaźniki rzeczywiście wyczerpują pojęcie deprywacji? Czy dochód powinien mieć taką samą wagę jak wykształcenie? Czy indeks ma opisywać status jednostki, gospodarstwa domowego, czy obszaru zamieszkania? Odpowiedzi powinny wynikać z pytania badawczego, a nie wyłącznie z dostępności danych.

7. Złożony punkt końcowy w badaniu klinicznym

Specyficznym przypadkiem zmiennej złożonej jest punkt końcowy, który uznaje za zdarzenie wystąpienie któregokolwiek z kilku elementów, np. zgonu, zawału mięśnia sercowego lub hospitalizacji z powodu niewydolności serca.

Jego zaletą może być większa liczba zdarzeń i większa efektywność badania. Problem pojawia się wtedy, gdy składniki bardzo różnią się znaczeniem dla pacjenta, częstością występowania albo wielkością efektu. Jeżeli terapię ocenia się głównie na podstawie częstych, lecz mniej ważnych hospitalizacji, wynik całego punktu złożonego może sprawiać wrażenie większej korzyści, mimo że wpływ na zgon lub ciężkie powikłania jest niewielki (Montori i in., 2005; Ferreira-González i in., 2007).

Dlatego należy zawsze raportować zarówno wynik złożony, jak i wyniki poszczególnych składników. Nie wolno interpretować korzystnego wyniku kompozytu jako dowodu, że terapia poprawia każdy jego element.

8. Zmienne złożone a redukcja wymiaru

Indeks może być skonstruowany według teorii, ale czasem badacz chce wykorzystać strukturę danych. Służą do tego m.in. analiza głównych składowych i analiza czynnikowa. Metody te mogą wskazać, czy kilka zmiennych tworzy wspólny wymiar oraz jak silnie poszczególne zmienne wiążą się z tym wymiarem.

Nie należy jednak utożsamiać automatycznie pierwszej składowej głównej z „prawdziwym” indeksem. Wynik zależy od doboru zmiennych, ich skalowania, próby i sposobu obliczeń. Indeks wyprowadzony empirycznie może być przydatny w danym zbiorze danych, ale wymaga walidacji w niezależnej próbie. Szczególną ostrożność trzeba zachować, gdy wiele możliwych indeksów testuje się na tym samym wyniku – wtedy rośnie ryzyko przypadkowego uzyskania pozornie dobrego predyktora.

9. Braki danych i reguły obliczania

Reguła tworzenia indeksu powinna określać, co dzieje się przy braku odpowiedzi. Możliwe rozwiązania obejmują:

• uznanie indeksu za brakujący, jeśli brakuje choć jednego składnika;
• obliczenie średniej z dostępnych pozycji, gdy spełniony jest ustalony próg kompletności;
• zastosowanie imputacji, jeżeli jest to zgodne z założeniami analizy.

Nie należy bezrefleksyjnie zastępować brakujących wartości zerem. Zero oznacza zwykle brak cechy lub brak objawu, a brak odpowiedzi jest innym stanem informacyjnym. W raporcie należy podać liczbę osób, dla których indeksu nie dało się obliczyć, oraz sposób postępowania z brakami. Jest to zgodne z dobrymi praktykami raportowania zmiennych i pomiaru w badaniach obserwacyjnych (von Elm i in., 2007).

10. Najczęstsze błędy

1. Sumowanie zmiennych bez uzasadnienia

Sam fakt, że zmienne są dostępne w tej samej ankiecie, nie oznacza, że mierzą jeden konstrukt.

2. Pomijanie odwrócenia kodowania

Jeżeli jedna pozycja ma przeciwny kierunek, jej bezpośrednie dodanie może zniekształcić wynik.

3. Łączenie zmiennych o różnych jednostkach bez standaryzacji

Wtedy składnik o dużych wartościach liczbowych może zdominować indeks, nawet jeśli merytorycznie nie jest najważniejszy.

4. Traktowanie wysokiej rzetelności jako dowodu trafności

Skala może być spójna wewnętrznie, ale nadal nie mierzyć tego, co deklaruje badacz.

5. Dobieranie składników po obejrzeniu wyników

Tworzenie indeksu dopiero po sprawdzeniu, które zmienne najlepiej przewidują wynik, zwiększa ryzyko przeuczenia i optymizmu ocen.

6. Ukrywanie ważnych różnic między składnikami

W przypadku złożonych punktów końcowych jeden korzystny element nie powinien przesłaniać braku efektu na innych, klinicznie ważniejszych elementach.

7. Nadinterpretacja indeksu

Wartość indeksu jest wynikiem przyjętej procedury pomiarowej. Nie jest bezpośrednią, naturalną właściwością osoby ani automatycznym rozpoznaniem klinicznym.

11. Przykład praktyczny: ocena obciążenia chorobami przewlekłymi

Badacz analizuje ryzyko hospitalizacji wśród osób starszych. Z dostępnej dokumentacji wyodrębnia obecność pięciu chorób: cukrzycy, przewlekłej choroby płuc, niewydolności serca, przewlekłej choroby nerek i choroby nowotworowej. Najprostszy indeks wynosi:

Obciążenie = cukrzyca + choroba płuc + niewydolność serca + choroba nerek + nowotwór

Każda choroba otrzymuje wartość 1, jeśli występuje, i 0, jeśli nie została stwierdzona. Wynik mieści się od 0 do 5.

Takie rozwiązanie może być użyteczne jako opis liczby współistniejących chorób. Nie należy jednak automatycznie twierdzić, że wynik 4 oznacza dwukrotnie większe obciążenie niż wynik 2. Każda choroba może mieć inne znaczenie prognostyczne, a suma traktuje je jako równoważne. Jeżeli celem jest prognozowanie hospitalizacji, warto rozważyć, czy bardziej uzasadniony jest prosty indeks liczbowy, indeks ważony, czy gotowa i zwalidowana skala wielochorobowości.

W modelu regresji logistycznej można użyć indeksu jako predyktora, ale należy opisać jego zakres, sposób kodowania i założenie o relacji z logitem prawdopodobieństwa. Jeżeli wzrost ryzyka nie jest liniowy wraz ze wzrostem indeksu, można rozważyć kategorie, funkcję nieliniową albo splajny. Wybór powinien wynikać z projektu analizy i oceny dopasowania, a nie wyłącznie z wygody.

12. Jak raportować indeks w pracy naukowej?

Opis powinien pozwolić czytelnikowi odtworzyć procedurę. Należy podać:

• definicję teoretyczną konstruktu;
• listę wszystkich składników;
• źródło danych i narzędzie pomiarowe;
• zakres oraz kierunek każdej zmiennej;
• regułę odwracania kodowania;
• wzór lub algorytm obliczenia;
• sposób standaryzacji i ewentualne wagi;
• zasady postępowania z brakami danych;
• informacje o rzetelności, trafności i ewentualnej walidacji;
• zakres indeksu oraz sposób jego interpretacji.

Wyniki należy przedstawiać z miarą niepewności, np. przedziałem ufności, gdy indeks jest wynikiem estymacji lub służy do oceny efektu. Sama istotność statystyczna nie informuje, czy różnica indeksu jest duża ani czy ma znaczenie praktyczne. W badaniach klinicznych szczególnie ważne jest zestawienie zmiany indeksu z minimalną istotną różnicą, znaczeniem dla pacjenta i wynikami składników.

Co warto zapamiętać?

1. Zmienna złożona syntetyzuje informacje z wielu pomiarów, ale nie staje się przez to automatycznie lepszą miarą.
2. Indeks należy tworzyć wtedy, gdy składniki mają wspólne uzasadnienie teoretyczne lub jasno określoną funkcję pomiarową.
3. Przed agregacją trzeba sprawdzić kierunek kodowania, jednostki, zakresy i jakość pomiaru.
4. Suma, średnia, średnia ważona i indeks ze zmiennych standaryzowanych odpowiadają różnym założeniom.
5. Reguła obliczania oraz sposób postępowania z brakami danych powinny być ustalone i opisane przed analizą główną.
6. Wynik złożonego punktu końcowego trzeba interpretować razem z wynikami jego składników.
7. Indeks nie zastępuje teorii, walidacji ani oceny znaczenia praktycznego.
8. W raporcie naukowym należy umożliwić odtworzenie całej procedury konstrukcji zmiennej.

W kolejnych analizach warto więc zadawać nie tylko pytanie „czy można połączyć te zmienne?”, lecz przede wszystkim: „jaki konstrukt ma reprezentować ten indeks, jakie założenia wprowadzam i czy wynik będzie użyteczny dla odpowiedzi na moje pytanie badawcze?”.

\n

Źródła i dalsza lektura

\n

1. Kroenke, K., Spitzer, R. L., & Williams, J. B. (2001). The PHQ-9: Validity of a brief depression severity measure. Journal of General Internal Medicine, 16(9), 606–613. DOI: 10.1046/j.1525-1497.2001.016009606.x.
2. Ware, J. E., Jr., & Sherbourne, C. D. (1992). The MOS 36-item short-form health survey (SF-36). I. Conceptual framework and item selection. Medical Care, 30(6), 473–483. DOI: 10.1097/00005650-199206000-00002.
3. Montori, V. M., Permanyer-Miralda, G., Ferreira-González, I., Busse, J. W., Pacheco-Huergo, V., Bryant, D., Alonso, J., Akl, E. A., Mills, E., Wu, P., Schünemann, H. J., Jaeschke, R., & Guyatt, G. H. (2005). Validity of composite end points in clinical trials. BMJ, 330(7491), 594–596. DOI: 10.1136/bmj.330.7491.594.
4. Ferreira-González, I., Busse, J. W., Heels-Ansdell, D., Montori, V. M., Akl, E. A., Bryant, D. M., Alonso-Coello, P., Alonso, J., Worster, A., Upadhye, S., Jaeschke, R., Schünemann, H. J., Permanyer-Miralda, G., Pacheco-Huergo, V., Wu, P., Mills, E. J., & Guyatt, G. H. (2007). Problems with use of composite end points in cardiovascular trials: Systematic review of randomised controlled trials. BMJ, 334(7597), 786. DOI: 10.1136/bmj.39136.682083.AE.
5. Ferreira-González, I., Permanyer-Miralda, G., Busse, J. W., Bryant, D. M., Montori, V. M., Alonso-Coello, P., Walter, S. D., & Guyatt, G. H. (2007). Methodologic discussions for using and interpreting composite endpoints are limited, but still identify major concerns. Journal of Clinical Epidemiology, 60(7), 651–657; discussion 658–662. DOI: 10.1016/j.jclinepi.2006.10.020.
6. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for reporting observational studies. PLoS Medicine. Public Library of Science. Źródło.
7. Streiner, D. L., Norman, G. R., & Cairney, J. (2015). Health Measurement Scales: A Practical Guide to Their Development and Use. 5th edition. Oxford University Press. Informacja wydawcy / źródło.

\n

Więcej kolejnych lekcji publicznego szkolenia znajdziesz na statystyk.edu.pl.